研究目的
利用双通道便携式近红外光谱设备,在贝叶斯框架下通过前额叶皮质氧合血红蛋白与脱氧血红蛋白浓度变化预测状态-特质焦虑量表(STAI)指数。
研究成果
该研究采用贝叶斯机器学习算法,从近红外光谱数据中合理预测了STAI指数,且各年龄组间未观察到显著差异。便携式近红外设备及其方法在压力管理和医疗实践中显示出实际应用潜力。
研究不足
该研究未探究所选特征为何重要的生理机制。近红外光谱测量可能包含多种血红蛋白变化的来源,不仅来自颅内组织,也来自颅外组织。受试者因知晓测量过程,实验本身可能影响静息状态下的前额叶皮质活动。
1:实验设计与方法选择:
本研究采用具有非线性基函数的贝叶斯机器学习算法,并通过马尔可夫链蒙特卡洛(MCMC)实现从近红外光谱(NIRS)数据预测STAI指数。
2:样本选择与数据来源:
从不同群体获取四个数据集,其中两个由年轻受试者组成,两个由老年受试者组成,每位受试者仅参与一次实验。
3:实验设备与材料清单:
使用便携式双通道NIRS系统(PNIRS-10,日本滨松光子学株式会社)测量氧合血红蛋白和脱氧血红蛋白浓度变化。
4:实验流程与操作步骤:
受试者坐在昏暗房间内的舒适椅子上,NIRS探头对称放置于前额。实验方案包含测量期间保持静止的基线阶段。
5:数据分析方法:
该研究采用分层贝叶斯机器学习算法进行焦虑指数预测,通过每次排除一组数据作为测试集、其余作为训练集来评估预测能力。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容