使用基于机器学习的生理参数提取吸烟成水平的创新方法:概念验证
Muhammet Serdar Bascil1, Irem Nur Iscanli2
1Department of Biomedical Engineering, Faculty of Technology, Selcuk University, 42250 Konya, Turkey.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种客观的方法来评估吸烟成水平使用生理信号,克服了尼古丁依赖法格斯特罗姆测试 (FTND) 的主观性. 机器学习准确地分类了成,显示了个性化戒烟干预措施的前景.
科学领域:
- 生物医学工程 生物医学工程
- 计算科学 计算科学
- 公共卫生 公共卫生
背景情况:
- 评估尼古丁依赖对于有效戒烟至关重要.
- 尼古丁依赖法格斯特罗姆测试 (FTND) 是一个广泛使用但主观的工具.
- 由于FTND的局限性,需要客观的评估方法.
研究的目的:
- 开发一种客观的方法来使用生理信号对吸烟成水平进行分类.
- 为了解决法格斯特罗姆尼古丁依赖测试 (FTND) 固有的主观性.
- 探索机器学习用于成水平分类的可行性.
主要方法:
- 收集了123名参与者的生理数据 (脉冲氧计,血压).
- 用FTND将参与者分为四个成水平.
- 应用机器学习算法 (决策树,KNN,SVM) 与数据平衡 (SMOTE) 和维度减少 (PCA).
- 为了算法可靠性,使用了k-fold交叉验证.
主要成果:
- 机器学习模型实现了高精度 (98.75%),回忆 (98.74%),精度 (98.79%) 和F-score (98.74%).
- 证明了生理参数与吸烟成严重程度之间的直接相关性.
- 验证了SMOTE和PCA在分析生理信号数据中的有效性.
结论:
- 利用非侵入性生理信号为成评估提供了FTND的客观替代方案.
- 本研究提出了在成研究中使用机器学习和生理数据的概念验证.
- 拟议的方法显示了改善戒烟策略的重大前景.
