基于生物阻抗谱与深度学习的大学生心智敏锐度分级研究：MobileNetV2架构的创新应用

本研究针对大学生认知健康评估需求，创新性地结合生物阻抗谱(BIS)与深度学习技术，开发了基于MobileNetV2架构的神经网络模型。通过分析体成分参数(BMR/BCM/TBW)和生物阻抗特征(BI/PA)，构建了特征随机森林(RF)模型(准确率88.26%)和图像神经网络(NN)模型(准确率98.39%)，首次实现从阻抗谱图像中捕捉心智敏锐度分级(优秀/良好/一般)的非线性特征，为认知健康监测提供了高精度无创检测新范式。

　　

在当代高压学术环境下，大学生认知功能下降问题日益凸显。传统认知评估多依赖主观量表或侵入式检测，而体成分失衡与认知障碍的关联机制尚未明确。生物阻抗谱(BIS)虽能无创获取体成分参数，但现有研究存在三大局限：一是Tara等仅聚焦应激反应未涉及心智分级，二是Rahman等依赖行为数据忽视生理指标，三是多数机器学习模型未挖掘阻抗谱的时空特征。

针对这些瓶颈，来自拉杰沙希工程技术大学(RUET)的研究团队开创性地将BIS检测频段扩展至5kHz-1000kHz，通过MobileNetV2深度学习架构解析二维阻抗谱图像，同时构建特征随机森林(RF)模型对比体成分参数。关键技术包括：1) 采用多频BIS采集50名大学生的体成分(BMR/BCM/TBW/SMM)和阻抗特征(BI/PA)；2) 将阻抗谱转换为Nyquist图进行图像建模；3) 开发轻量化MobileNetV2网络提取频谱特征。

数据采集与工作流程
研究通过八电极BIS设备获取六类体成分参数，经标准化处理后，特征工程筛选出BMR、BCM等核心指标输入RF模型，同时将复阻抗谱转化为包含实部虚部的二维图像供NN模型训练。

体成分与生物阻抗特征比较
优秀组展现"四高一低"特征：BMR(1.15)、BCM(1.12)、TBW(1.10)、PA(1.08)显著高于良好组(BMR 0.92)和一般组(BMR 0.72)，而生物阻抗(BI)呈现优秀组(0.62)<良好组(0.77)<一般组(0.91)的梯度变化，证实体细胞活性与认知功能的正相关性。

检测精度分析
图像NN模型以98.39%准确率远超RF模型(88.26%)，F1-score提升12.94%，证实频谱图像蕴含更丰富的分类特征。Nyquist图显示优秀组半圆直径最小(低阻抗)，与体成分参数相互验证。

这项研究突破性地证实：1) 高频BIS(1000kHz)可捕获认知相关生理标记；2) MobileNetV2对频谱时空特征的提取能力显著优于传统特征工程；3) 建立的"优秀-良好-一般"三级判别体系为校园认知健康筛查提供标准化工具。该成果不仅为"健康体魄孕育健康心智"的古老命题提供量化证据，更开创了无创认知评估的新技术路径，对早期发现认知障碍风险具有重要临床价值。