在使用机器学习的儿童中,数据驱动的脑行为和社会人口统计学预测器对焦虑严重性的识别

科学领域:

• 神经科学是一个神经科学.
• 发展心理学 发展心理学
• 机器学习 机器学习

背景情况:

• 儿童焦虑是常见的,与认知控制问题和社会人口统计风险有关.
• 这些因素在童年焦虑中的相互作用仍然不太清楚.
• 需要采用数据驱动的方法来确定关键预测因素.

研究的目的:

• 采用机器学习来确定儿童焦虑严重程度的最重要的神经,行为和社会人口学预测因素.
• 调查这些预测因素之间的相互作用.

主要方法:

• 分析了来自先前研究的焦虑数据的181名儿童 (4-10岁).
• 脑电图 (EEG) 和来自Go/NoGo任务的行为数据评估了认知控制.
• 机器学习模型 (随机森林,SVR,XGBoost) 确定了预测因素和相互作用.

主要成果:

• 随机森林实现了最高的预测准确度.
• 错误阳性 (Pe),单身母亲的身份,正面的西塔功率,错误后的准确性和尾后的错误后的α功率是关键预测因素.
• 单身母亲的身份调节了后错误阿尔法功率对焦虑的影响.
• 较低的正面太功率放大了PE和焦虑之间的关联.

结论:

• 认知控制神经标志物,行为表现和社会人口统计因素的组合,特别是单身母亲的地位,显著预测了儿童焦虑.
• 了解这些相互作用对于有针对性的诊断和治疗策略至关重要.
• 这项研究提供了超越传统假设驱动的儿童焦虑研究的见解.