使用基于序列的LSTM神经网络从增量牙 δ15N和 δ13C估计断奶时间:生物考古学应用的深度学习框架
Elissavet Ganiatsou1,2, Angelos Souleles1,2, Christina Papageorgopoulou1,2
1Laboratory of Biological Anthropology, Department of Humanities, Democritus University of Thrace, Komotini, Greece.
PloS one
|December 17, 2025
概括
一个新的机器学习模型使用牙科同位素 (δ15N和δ13C) 准确估计婴儿断奶时间. 这种方法为了解过去的人口健康和人口统计学提供了强大的工具.
科学领域:
- 生物考古学的生物考古学
- 古人类学古人类学.
- 计算生物学 计算生物学
背景情况:
- 估计过去人口的断奶时间对于了解健康,营养和人口趋势至关重要.
- 传统方法通常依赖于有限的同位素数据,可能会忽视复杂的发育模式.
研究的目的:
- 开发和验证一种新的机器学习方法,通过串行牙同位素数据 (δ15N和δ13C) 来估计断奶时间.
- 引入一种长短期记忆 (LSTM) 神经网络模型,能够分析顺序的同位素模式和牙特定变异.
主要方法:
- 利用基于序列的LSTM神经网络,对279个个体的已发布的序列同位素数据进行训练.
- 集成的时间特征和牙类型编码来提高预测准确性.
- 使用RMSE,MAE和R2指标评估模型性能,不确定性通过蒙特卡洛脱落量化.
主要成果:
- 该LSTM模型实现了高预测准确度,RMSE为0.46年,R2为0.82.
- 在一项概念验证研究中,与已建立的断奶估计方法 (WEAN,ChangeR) 相比,证明了优越的性能.
- 在δ15N和δ13C中成功地利用了序列模式来推断断奶奶过程.
结论:
- 引入了第一个机器学习框架,用于从串行同位素数据中估计断奶时间.
- 该模型为生物考古学研究提供了一个可扩展和强大的工具,可以更准确地重建过去的断奶实践.
- 突出了先进的计算方法在分析复杂的生物轨迹的潜力.
