将几何形态测量和机器学习结合起来,用于在晚期普莱斯托时代和晚现代人群中估计下下的性别

科学领域:

• 古人类学古人类学.
• 法医人类学 法医人类学
• 生物考古学的生物考古学

背景情况:

• 准确的人类性别估计对于了解过去和现在的人口至关重要.
• 当前的方法通常依赖于完整的骨架,限制了它们的适用性.
• 部 (下骨) 形态表现出由于性二重形态的性估计的潜力.

研究的目的:

• 用下巴数据评估几何形态测量 (GM) 和机器学习 (ML) 在估计性别方面的有效性.
• 评估GM-ML模型在不同时间和地理群体中的性能.
• 调查人口间变异对性别分类准确性的影响.

主要方法:

• 从现代 (路易斯·洛佩斯收藏,葡萄牙) 和古代 (杰贝尔·萨哈巴,苏丹) 个体下的表面扫描.
• 几何形态测量 (GM) 分析解剖学地标坐标以量化形状变化.
• 机器学习 (ML) 模型在现代数据上进行训练,以预测现代和古代样本中的性别.

主要成果:

• 在所有被研究的人群中观察到显著的下性二态.
• 在现代葡萄牙人口中,ML模型实现了高的性别分类准确性.
• 当将模型应用于时间和地理位置相距的Jebel Sahaba (晚期普世) 样本时,性别估计的准确性显著下降.

结论:

• 转基因-ML方法显示出在特定人群中进行性别估计的巨大潜力.
• 在下大小和形状的跨种群差异可以影响这些模型的概括性.
• 建议在将一个人群开发的性别估计模型应用于另一个人群时谨慎使用,特别是在相当长的时间和地理距离之间.