基于生物阻抗光谱的分类,通过机器学习和深度学习方法对大学生的心理敏度进行分类
Kusum Tara1, Sadman Sakib2, Md Hasibul Islam3
1Department of Biological and Material Engineering, Graduate School of Science and Engineering, Saga University, Japan; Department of Electrical & Electronic Engineering, Rajshahi University of Engineering & Technology, Bangladesh.
Methods (San Diego, Calif.)
|July 27, 2025
概括
这项研究表明,一个深度学习模型使用身体组成数据准确地检测心理敏度. 基于图像的神经网络实现了98.39%的准确性,超过了用于认知健康评估的传统机器学习方法.
科学领域:
- 生物医学工程 生物医学工程
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 心理敏对于认知功能和身体健康至关重要.
- 身体组成不平衡可能与认知障碍有关.
- 准确的心理敏度评估对于早期发现潜在问题至关重要.
研究的目的:
- 开发和评估一个深度学习模型来对大学生进行心理敏度等级 (优秀,好,平均) 的分类.
- 将深度学习神经网络 (NN) 模型与传统机器学习模型 (随机森林) 的性能进行比较.
- 研究生物电阻光谱 (BIS) 衍生特征和2D阻抗光谱图像的实用性,用于心理敏度评估.
主要方法:
- 使用了使用MobileNetV2架构的深度学习神经网络 (NN) 模型.
- 身体组成和生物阻抗特征 (BMR,BCM,TBW,BI,PA) 被用作随机森林 (RF) 模型的输入.
- 2D阻抗光谱图像被用作基于图像的NN模型的输入.
- 使用准确度和F1得分指标来评估性能.
主要成果:
- 基于特征的射频模型实现了88.26%的准确性和84.89%的F1得分.
- 基于图像的NN模型与MobileNetV2展示了卓越的性能,达到98.39%的准确性和97.83%的F1得分.
- 对尼奎斯特图和身体构成特征的分析显示了与不同心理敏度水平相关的特定模式.
结论:
- 深度学习方法,特别是使用二维阻抗光谱分析的基于图像的NN模型,显示出精确的心理敏度评估的巨大潜力.
- 该NN模型有效地整合了BIS数据,以可靠地监测认知健康.
- 这些发现强调了先进的机器学习技术在理解身体组成和认知功能之间的关系方面的价值.
