在新罕布什尔州出生队列研究中使用神经网络来得出早期儿童神经发育概况

科学领域:

• 神经发育研究的神经发育研究.
• 人工智能在发育研究中的应用
• 儿童心理学和行为分析.

背景情况:

• 以儿童为中心的方法侧重于认知,行为和社会领域的整体发展.
• 自组织地图 (SOMs) 是一种人工神经网络,为复杂的发育数据提供灵活的数据驱动集群.
• 很少有研究使用SOM用于早期神经发育概况,特别是在农村人口中.

研究的目的:

• 应用自我组织地图 (SOMs) 来识别农村早期儿童群体中不同的神经行为特征.
• 检查确定的神经行为特征和母亲/儿童特征之间的关系.
• 展示SOMs作为理解早期神经发育轨迹的分析工具的实用性.

主要方法:

• 使用SOMs分析了来自235名年龄在3-5岁的健康儿童的长度神经行为数据.
• 这项研究利用了来自新罕布什尔州出生队列研究的数据,这是一个农村怀孕队列.
• 使用多项逻辑回归来检查个人资料和母婴特征之间的关联.

主要成果:

• 确定了六个不同的神经行为特征,从最高的整体得分到最大的改善和最高的适应能力.
• 儿童的个人资料显示了行为,社会反应,认知和运动技能的差异.
• 回归分析证实了个人资料和儿童性别,母亲智商和亲子关系等因素之间的预期关联.

结论:

• 在农村早期儿童群体中,SOMs成功地确定了多样化的神经行为特征.
• 这些概况突出了由母亲和儿童特征影响的发育变异.
• 像SOM这样的神经网络方法显示出在研究不足的群体中早期识别风险或恢复力的潜力.