基于功能性近红外光谱（fNIRS）与人工智能的模拟磨牙症血流动力学监测：一项区分磨牙样下颌运动的初步研究

本推荐语归纳：本研究创新性地采用功能性近红外光谱（fNIRS）技术，结合机器学习算法，成功实现对模拟磨牙症（bruxism）及相关下颌运动（如咀嚼、说话）的精确区分，准确率达92%。该技术为无创、抗干扰的磨牙症早期识别与监测提供了新思路，具有重要临床转化潜力。

　　

ABSTRACT

睡眠相关及神经肌肉疾病通过影响个体的生理与认知健康，干扰其日常生活。磨牙症（bruxism）虽未被归为疾病，却已成为一种普遍现象，其特征为睡眠或清醒状态下无意识的牙齿磨动和颌部紧咬。这种无意识行为常被忽视，却可能导致严重牙体损伤、面部肌肉疲劳及颞下颌关节紊乱，需早期发现与干预以避免长期并发症。传统多导睡眠监测（PSG）虽能提供多模态生理数据，但缺乏对磨牙症相关节律性咀嚼肌活动（RMMA）所涉及神经区域的直接空间定位。

Methodology

本研究引入功能性近红外光谱（fNIRS）作为神经成像工具，监测与RMMA相关的皮层活动，以区分磨牙症与其他咀嚼活动。数据通过放置于运动皮层区域的20通道fNIRS光极设置，在受控模拟范式下从10名受试者的3次试验中采集。采用特征选择、特征重要性及特征降维技术，优化出12个时域与频域特征。进一步比较了合成少数过采样技术（SMOTE）、名义特征合成少数过采样技术（SMOTEN）和自适应合成采样（ADASYN）三种合成数据增强方法，并评估了k近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、决策树（DT）和随机森林（RF）五种机器学习分类器。

Results

kNN在检测模拟磨牙症及其他下颌关节运动中表现最佳，准确率达92%。

Conclusion

研究结果凸显了fNIRS作为一种工具在识别和区分磨牙症样运动活动与其他颌部运动方面的潜力，有助于未来研究中磨牙症的及时管理与检测。

1 Introduction

根据2024年一项荟萃分析，全球约五分之一的人经历磨牙症，其总患病率（睡眠与清醒）估计为22.22%，其中睡眠磨牙症约21%，清醒磨牙症约23%。磨牙症是一种与睡眠或清醒期咀嚼肌活动相关的行为，以重复性、持续性牙齿接触和/或颌部支撑或推力为特征。患病率受年龄、评估方法（可能、 probable或明确诊断）及其他人口变量影响，并随年龄增长而减少，在老年人中观察到患病率为3%。尽管常被低估，频繁或强烈的节律性咀嚼肌活动可导致牙体磨损、颌肌或颞下颌关节疼痛及口颌功能紊乱。

近年来，随着对磨牙症认识的加深，研究者兴趣已从单纯视其为病理现象转向关注其 underlying 运动活动引起的无意识牙齿磨动与颌部紧咬。越来越多文献表明，磨牙症（睡眠与清醒）受神经递质调节、遗传因素及生理状态等机制影响，而非仅与颞下颌关节相关运动活动。磨牙症严重程度与血清素水平降低及自主神经功能改变相关。磨牙症与睡眠呼吸暂停的遗传关联研究显示多态性具有相似神经遗传基础。磨牙症还与炎症标志物变化及激素紊乱相关，并与疼痛感知和一般健康状况相关，强化了其多因素性质。2024年，标准化磨牙症评估工具（STAB）发布，用于评估磨牙症的潜在后果、相关风险因素、病因及合并症。

研究者探索了多种创新技术以理解磨牙症的患病率、原因及潜在后果，从而加强针对磨牙症患者口腔及整体健康的管理策略。当前治疗范围从行为技巧、药物到口内装置。磨牙症管理侧重于生活方式、习惯、睡眠卫生及饮食以最小化风险因素，而非单纯预防其后果。行为治疗包括放松练习和带有生物反馈的压力管理，但因需患者依从和持续努力而不提供长期疗效。药物常在疼痛及肌肉松弛方面提供短期缓解，但因潜在副作用及结果不一致而使发现可靠性受损。鉴于这些方法的无效性，口内装置被设计用于提供更全面的治疗 approach。牙合垫、护口器及生物反馈装置管理并减少磨牙症的潜在长期后果。临时使用条件性电刺激已作为一种非侵入性方法用于减少磨牙症并保护此类装置。此外，一系列 probable 和明确技术，如肌电图（EMG）、脑电图（EEG）、视频/音频睡眠记录及心电图（ECG），被用于睡眠研究中的多导睡眠图（PSG）以探索磨牙症全貌及其干预策略。

根据国际睡眠障碍分类ICSD-3，PSG代表睡眠磨牙症研究的参考标准。除PSG外，单独记录EMG或EEG结合ECG和眼电图（EOG）以评估磨牙症。EMG记录咀嚼肌活动以分析睡眠磨牙症期间的RMMA。Gul等人比较了来自两块咀嚼肌（颞肌和咬肌）在三个睡眠相关解剖位置的EMG以检测磨牙症。Cid-Verdejo等人进行了一项多导睡眠研究，同时用EMG-EKG设备Brux-off记录以研究睡眠磨牙症发作。Ishtiaq等人设计了一种基于EMG的设备“Bruxi-alert”以检测磨牙症 among 其他咀嚼活动并警示患者。尽管EMG被发现是研究磨牙症相关肌肉激活模式的有效评估工具，但其仅提供局部信息，缺乏跨更广区域肌肉活动的空间信息。此外，EEG识别快速眼动（REM）与非快速眼动（NREM）睡眠阶段中的觉醒以 pinpoint 磨牙症发生时间。Michalek-Zrabkowska等人采用国际10–20系统，使用八通道系统记录EEG和EOG。使用EEG在视频PSG期间研究不同睡眠阶段磨牙症活动表型的影响，结果表明SB对睡眠持续时间、效率、潜伏期及导致觉醒的睡眠 disturbance 无特定影响。由于EEG是复杂系统，Wang等人提出了在C4P4位置的单通道EEG磨牙症检测系统。EEG与EOG记录用于观察睡眠磨牙症发作期间REM和NREM阶段的眼动。EEG提供高时间分辨率以记录大脑皮层表面的电活动，但提供有限空间分辨率以准确局部化特定区域的大脑活动。此外，EMG和EEG高度易受运动伪迹及外部电源电噪声影响，从而影响信号质量。而且，这些当前诊断方法依赖外周标志或 labor-intensive 协议如多导睡眠图。与提及的主观肌肉和大脑评估技术相比，功能性近红外光谱（fNIRS）提供优异空间分辨率且对运动伪迹和电噪声敏感性最小化，尚未被探索用于研究磨牙症相关大脑和肌肉活动。

近年来，fNIRS已成为大脑研究的有效非侵入性工具，聚焦于与认知、感觉及运动任务相关的皮层活动。fNIRS不仅用于大脑激活响应，还用于肌肉激活。研究者显示EMG与fNIRS在动态活动中相关。它提供关于大脑如何响应不同肌肉收缩的 insights。fNIRS可识别精确运动皮层区域及其他相关区域在特定运动活动中活跃。磨牙症的神经学基础涉及咀嚼肌、颞肌和咬肌，并源于初级运动皮层（M1）。与此对应，颌部紧咬和咀嚼活动已分别使用fNIRS和NIRS检测。一旦运动活动使用fNIRS监测，机器学习算法被用于检测相应运动。鉴于磨牙症涉及睡眠期间无意识颌部紧咬，fNIRS提供独特机会以探索大脑如何通过血流动力学变化调节这些行动，提供其他方法较少可及的 insights。

本研究中，功能性近红外光谱（fNIRS）被用于研究与模拟磨牙症相关咀嚼肌及颌部运动的运动活动相关皮层活动。本研究新颖性在于探索fNIRS作为 proof-of-concept 工具用于评估运动皮层中磨牙症样颌部运动的血流动力学模式的可行性。研究旨在采用fNIRS区分颌部运动活动，通过在其他常见颌部运动中模拟磨牙症，使用健康参与者作为受控模拟范式。一旦与运动皮层皮层活动相关的fNIRS数据被收集，进行血流动力学评估。最后，使用机器学习分类器对与磨牙症相关的颌部紧咬/牙齿磨动 among 其他咀嚼肌活动（咀嚼和说话）进行分类。如此，磨牙症的神经生理学基础被探索用于进一步治疗和干预，通过客观、可扩展及血流动力学评估工具用于磨牙症。

2 Methodology

研究总体方法学如图1所示。使用NIRSport2采集系统从执行咀嚼肌活动的受试者记录fNIRS数据。一旦感兴趣信号被获取并预处理，提取相关特征。然后对不同咀嚼肌相关运动活动进行分类以分类磨牙症。研究详细方法学及获得结果在剩余章节详细讨论。

2.1 Data Acquisition

数据从十名健康受试者获取。受试者选择标准意在平衡性别，因此，5名男性和5名女性被训练执行牙齿磨动/颌部紧咬活动。每名受试者数据在3次试验中记录。受试者纳入和排除标准基于健康状况及血压、心率变异性和氧饱和度等生理变量定义。纳入和排除标准如表1所述。

受试者为18–25岁年轻成人，平均年龄21.5±2.45岁。受试者无睡眠或清醒磨牙症诊断既往史。文献支持在健康个体中使用模拟或受控运动范式以在转向临床人群前建立新方法可行性。该选择故意设计作为我们研究探索性 nature 的第一步以调查fNIRS在检测磨牙症相关颌模式 among 其他涉及颌部运动的日常活动（说话和咀嚼）中的可行性。进一步，确保所有受试者无神经生理或心血管疾病史，因两者 tend 改变神经激活模式及相关血流动力学变化 during fNIRS数据采集。根据赫尔辛基宣言获得受试者知情同意。受试者被指导 regarding 运动活动，随后其书面同意参与实验。受试者坐于暗室并有适当支撑以避免任何不必要运动，从而避免数据中运动伪迹。实验在暗室记录以最小化外部光学干扰，因外部光源（日光、室灯）发射与fNIRS所用红外光重叠的波长。这些杂散光可能进入检测器并引入伪迹，降低信噪比。实验经航空大学生物医学工程系机构审查委员会批准。

2.2 Experiment Configuration and Paradigm

首先确定大脑感兴趣区域（ROI）以在受控模拟条件下捕获磨牙症相关数据。由于磨牙症与节律性咀嚼肌活动（RMMA）相关，选择运动皮层作为感兴趣区域。RMMA涉及与颌部运动相关的重复收缩，通常为牙齿磨动（左右运动）和颌部紧咬（上下运动）。这些运动与额叶运动皮层区域的大脑活动相关。因此，使用功能性近红外光谱获取来自运动皮层的磨牙症数据，如图2A所示。

所用采集系统为NIRx Medical Technologies（德国）的连续波NIRSport2 fNIRS系统，如图2B所示。本实验所用NIRSport2操作于两个波长，760和850 nm，采样频率10.1725 Hz。实验蒙太奇设计共16个光极，双侧放置于运动皮层区域，左右半球各8个光极。这8个光极中，4个为近红外（IR）光源，4个为近IR光检测器。光极放置根据10–20 EEG系统进行ROI定位。通道距离保持每光极3 cm。通过定义蒙太奇在NIRSport2系统运动皮层上建立共20个通道，左右半球各10个通道，如图3所示。

使用NIRx Technologies的Aurora数据采集软件，其提供全套工具用于NIRSport2数据采集。通过Wi-Fi连接至NIRSport2系统。使用NIRx Technologies的Aurora软件通过黄线显示源与检测器间优异通道建立通道。NIRSport2系统中源与检测器间通道建立借助Aurora软件自动化信号优化算法完成，确保数据采集开始前最优信号质量。将指定蒙太奇的fNIRS帽放置于受试者，并运行测试以检查源与检测器间通道建立为优异或差，分别由黄线或红线显示。然后记录来自运动皮层区域的20通道对应数据，其显示20通道fNIRS数据浓度变化实时情况，如图4所示。

数据获取遵循图2C所示实验范式。范式在2023.2.3软件中设计。参与者被指示执行磨牙症样颌部紧咬和牙齿磨动活动及其他咀嚼肌活动。实验在110 s内 performed。要求受试者仰卧。fNIRS帽放置以通过帽上光极覆盖运动皮层区域。将 opaque 黑色柔性帽覆盖于fNIRS帽上以阻挡任何环境光。指示受试者避免故意运动，这可能添加运动伪迹至来自运动皮层的采集数据。范式设计有初始和最终休息各30 s，带运动活动和中间休息，各10 s。包含初始和最终休息以建立稳定血流动力学响应的基线条件。另一方面，中间休息在每个运动活动后重新建立基线条件，并通过连续不同类型运动（咀嚼、说话、牙齿磨动）避免大脑活动饱和。包含运动活动以区分说话、咀嚼和牙齿磨动等咀嚼肌运动。每名10受试者执行该实验3次试验，导致10×3=30数据文件用于所有受试者的每次试验。

一旦数据被获取，在基于MATLAB的NirsLab软件中进行预处理。

2.3 Data Pre-Processing in NirsLab

从Aurora软件的原始数据以.nirs格式导入至NirsLabv2019.04。NirsLab软件用于信号预处理、分析及可视化实验相关血流动力学响应。从为实验范式创建的PsychoPy文件添加事件标记。使用软件数据质量特征检查好和坏通道以使通道选择过程方便。然后应用频率滤波器以滤波所有十名受试者每次试验的fNIRS数据。选择带10%滚降宽度、低截止频率0.01 Hz和高截止频率0.1 Hz的带通滤波器。这有助于通过低通滤波器滤波来自心跳、呼吸信号和仪器噪声的高频生理噪声，并通过高通滤波器滤波基线漂移的低频噪声。信号进一步分析任何显著偏离正常fNIRS信号的尖峰。除频率滤波器外，使用NIRSlab中尖峰伪迹检测特征。其通过使用基于导数阈值算法工作并移除伪迹——通常由面部运动或光极位移引起。尖峰伪迹检测用于说话、咀嚼和磨动运动段以保持连续性而不引入偏差。

滤波后，使用修正Beer–Lambert定律（MBLL）进行光学预处理。使用预定义Beer–Lambert定律血流动力学参数计算氧合血红蛋白HbO和脱氧血红蛋白HbR变化。选择软件中预定义差分路径因子，波长1为7.25，波长2为6.38。吸收光量受氧合和脱氧状态血红蛋白浓度影响。使用方程(1)，测量ΔHbO和ΔHbR浓度变化：

然后绘制吸收光谱遵循W.B. Gratzer。该血流动力学响应如图5所示。

一旦预处理完成，计算空间激活图。地形图提供 pictorial 表示实验期间跨运动皮层的皮层激活，用于氧合血红蛋白HbO在休息、说话、咀嚼和牙齿磨动段的变化。这允许比较分析运动皮层激活大脑区域在不同运动活动中。与颞肌肌电图EMG相应的大脑激活图如图6所示。与fNIRS同时记录来自颞肌的肌电图以识别和验证说话、咀嚼和磨动运动活动。选择颞肌因其记录咀嚼活动并有助于识别这些活动发生。fNIRS与颞肌EMG有助于跟踪肌肉激活持续时间和强度。其有助于正确验证咀嚼活动发生。所示肌电图说明肌肉激活，在说话中最少，咀嚼中中等，牙齿磨动和颌部紧咬期间最大。由于受试者为非磨牙症患者，其被训练通过紧咬颌部和牙齿磨动执行磨牙症活动；EMG提供磨动段中肌肉力和激活模式的评估。

处理后的HbO数据以.csv格式导出用于预处理和特征提取，随后基于机器学习的磨牙症分类。

2.4 Feature Extraction

从NirsLab预处理的20通道数据导入Google Colaboratory用于特征提取和机器学习，其提供免费计算资源用于机器学习任务。20通道数据在特征提取过程前进行空间平均。光极放置分布跨运动皮层；因此，获取空间平均以代表整个ROI以捕获氧合水平总体趋势。这也简化分析而不丢失数据中 essential 信息。空间平均使用方程(2)所述公式获取：其中N=20。

平均数据根据不同运动活动分段，包括初始休息、说话、中间休息、说话、中间休息、咀嚼、中间休息、说话和最终休息。分段数据标记为四类，即Label 0用于休息，Label 1用于磨牙症（牙齿磨动），Label 2用于说话，Label 4用于咀嚼。该 approach 有助于最小化通道间变异性并增强信号可靠性，符合优化fNIRS数据质量和可重复性的最近推荐。

在分段数据上提取统计特征遵循滑动窗口方法，带大小10的重叠窗口。共提取12个特征，包括均值、均方根、峰值、曲线下面积、标准差、峰度、偏度、低频振荡、极低频振荡、心脏频率带、呼吸频率带和主导频率。这些特征中，提取统计特征均值、均方根、标准差、峰度和偏度以提供关于信号分布和变异性的信息。此外，血流动力学特征如曲线下面积和峰值描述HbO和HbR中血流和氧合动力学。最后，频域特征分析振荡模式和生理影响。所得提取特征文件包含2369样本，进一步用于机器学习分类。该流程如图7所示。

2.5 Machine-Learning Based Classification

本研究机器学习管道如图6所示。一旦特征集被提取，其被分析并预处理以查找任何缺失值和归一化。代替单一训练-测试分割，应用k折交叉验证以确保模型不学习特定于单一训练-测试分割的模式，导致训练机器学习分类器过拟合。k值设为10。归一化和交叉验证后，通过选择最相关特征以增加机器学习模型效率用于指定磨牙症分类任务优化特征集。在特征优化多种方法中，采用三种特征优化技术，即特征选择、特征降维和特征重要性。每种技术工作不同但共享构建高效机器学习模型与更少计算时间的共同目标。特征选择是通过采用包括封装和过滤方法选择最相关特征并移除冗余特征的技术。封装方法中，采用递归特征消除（RFE）技术。选择估计器为梯度提升XGBoost分类器，其识别相关特征并迭代移除最不重要特征。互信息（MI），一种过滤方法，用于特征选择通过选择携带关于预测变量最高信息的特征。一旦计算所有特征的互信息分数，定义阈值以包含高MI分数特征。为使用特征重要性技术优化特征，采用基于树的方法。使用梯度提升XGBoost分类器计算特征重要性分数，其工作基于特征在分类中使用频率分配特征重要性。最后，为特征降维，进行主成分分析（PCA），其将数据转换为较低维度同时保留特征中包含的信息。进行主成分分析以保留数据最大方差95%。类似PCA，也执行线性判别分析（LDA）因其聚焦于分类问题中类可分离性而非保留方差。

一旦机器学习模型为计算效率被管道化，处理运动活动段中类不平衡。设计范式包含多个休息段导致80 s休息类 compared to 每个运动活动10 s，这可能 lead to 分类结果偏差。为克服该问题，比较机器学习模型在不同合成过采样技术上以确保每个类对模型学习同等贡献，改进泛化。使用合成少数过采样技术（SMOTE）、名义特征合成少数过采样技术（SMOTEN）和自适应合成采样（ADASYN）技术生成少数类合成样本，改进所有四类类平衡。评估指标以评估机器学习模型包括准确率、精确率、召回率和F1分数。采用机器学习模型为k近邻、逻辑回归、朴素贝叶斯、决策树和随机森林。比较模型，并选择最有效模型用于使用fNIRS数据分类磨牙症。机器学习管道如图8所示。

3 Results

本节呈现基于机器学习的模拟磨牙症相关节律性咀嚼肌活动检测结果。

3.1 Assessment of Hemodynamic States

通过大脑激活图的血流动力学评估通过NirsLab软件完成如方法学章节2.3讨论。血流动力学评估允许我们可视化跨运动皮层区域和划分的氧合血红蛋白浓度变化。由于实验执行说话、咀嚼和磨动咀嚼活动，其全部源于运动皮层。为区分这些运动活动，绘制血流动力学激活图在2 s间隔用于休息、说话、咀嚼和磨动，如图9所示。

3.2 Features Optimization

来自特征优化的所有受试者总平均结果制表于表2。评估机器学习模型训练和测试准确率、精确率、召回率和F1分数在特征优化技术前后。应用特征优化技术包括互信息、递归特征消除、基于树的特征重要性、主成分分析和线性判别分析。计算训练和测试准确率以检查机器学习模型过拟合在特征优化技术前后。

一旦应用特征优化技术，计算所有分类器差异在特征优化技术前后，包括主成分分析、互信息、递归特征消除、特征重要性和线性判别分析。计算差异制表于表3。

应用特征优化技术后机器学习分类器准确率差异百分比说明于图10条形图。

3.3 Class Imbalance Handling

一旦特征被优化，处理数据集中磨牙症和非磨牙症间类不平衡。初始类分布为休息（Class 0）有2369样本而仅330样本在Class 1、Class 2和Class 3用于磨牙症、说话和咀嚼。该不平衡通过过采样少数类寻址，即磨牙症（Class 1）、说话（Class 2）和咀嚼（Class 3）。采用并比较不同过采样方法以选择具有有效结果检测磨牙症相关RMMA的方法。三种方法为合成少数过采样技术（SMOTE）、名义特征合成少数过采样技术（SMOTEN）和自适应合成采样（ADASYN）。少数类过采样至有2369样本在应用SMOTE和SMOTEN后，和2396样本在应用ADASYN后于磨牙症类，如图11所示。使用每种技术后，获得所有受试者机器学习分类器总平均准确率，如表3所示。

进行三种过采样技术比较分析显示k近邻当使用SMOTEN时表现最佳。此外，绘制SMOTEN训练和测试准确率条形图用于不同分类器 since SMOTEN在生成合成样本中优于SMOTE和ADASYN。计算训练和测试准确率以查找任何过拟合在机器学习分类器中。由于测试和训练准确率差异小，其显示训练模型不过拟合训练数据并在测试数据表现良好。

计算混淆矩阵和10折交叉验证准确率用于k近邻（kNN）、决策树（DT）和随机森林（RF）因其表现相当，达到准确率92.07%、90.97%和91.46%。kNN、DT和RF的混淆矩阵和交叉验证准确率曲线如图12所示。

3.4 Inter-Subject Accuracy Evaluation

除总平均准确率外，在特征选择和过采样技术后，还计算每名受试者准确率因其提供分类器鲁棒性和个体间变异性更好理解。每名个体准确率跨每次三次试验如图13所示。

4 Discussion

使用功能性近红外光谱在受控实验范式下记录模拟磨牙症相关运动皮层皮层活动，作为 proof-of-concept 研究及时检测磨牙症预防 further 并发症 associated with 磨牙症患者生理健康。为此，记录节律性咀嚼肌活动并区分其他相关咀嚼肌活动，即咀嚼和说话，其为非 so 节律性活动。使用NIRSport2采集系统通过Aurora软件记录数据首先在NirsLab软件预处理。在预处理数据上计算血流动力学状态用于休息、说话、咀嚼和磨动状态在2 s间隔，如图9所示。观察到受试者左半球激活更多 compared to 右半球 due to 大脑功能偏侧化。运动皮层激活在不同运动活动期间变化。在休息段期间，人仰卧，其最小化肌肉活动并 anatomically 支持肌肉放松。该段期间显示运动皮层活动区域的血流动力学图显示低活动。一些显示活动区域 due to 一些细微肌肉活动，如眼动、姿势调整或无意识抽动，因受试者清醒躺着。此情况，运动皮层可能仍发送低水平信号以维持肌肉张力，如休息段血流动力学图所示。而且，受试者被给音频刺激以执行运动活动，运动皮层可能显示瞬态激活响应潜在运动准备。所有这些考虑 kept，休息段显示运动皮层可忽略活动 compared to 说话、咀嚼和磨动运动活动。对于说话段，大脑语言中心（Broca区、Wernicke区）和初级运动皮层被激活。运动皮层在说话段角色为控制负责指定颌、舌和唇运动控制的口颌肌肉以产生言语。说话段主要贡献 by 大脑语言中心，因此血流动力学评估显示运动皮层特定区域最大活动。该增加活动 due to 涉及说话过程的口颌肌肉。另一方面，咀嚼和磨动段显示运动皮层最大化激活 compared to 说话和休息段。咀嚼和磨动期间大脑激活区域为初级运动皮层（M1）、前运动皮层和辅助运动区（SMA）。如观察，两段激活区域相同，尽管磨牙症（磨动）无意识发生，但因该实验在受控环境发生，磨动通过给受试者训练自愿执行。仍然，磨动通过用力颌部紧咬执行 compared to 咀嚼，其不需力；激活通道显示磨动段更多活动 compared to 咀嚼。该比较分析说明不同运动活动和休息段期间HbO浓度变化通过运动皮层激活区域 illustration，牙齿磨动和颌部紧咬期间最大激活，而休息段无运动活动显示运动皮层可忽略激活。

然后，使用MATLAB提取十二个特征，并优化特征集以训练机器学习分类器。在训练机器学习模型前优化特征集。使用10折交叉验证评估特征优化器使用总平均训练准确率、测试准确率、精确率、召回率和F1分数用于五个机器学习分类器。这些模型首先评估无特征优化，带12完整特征集。这给总平均测试准确率71.87%带k-NN、72.33%带LR、64.39%带NB、73.17%带DT和74.84%带RF，制表于表2。使用特征降维、选择和重要性方法优化特征。为特征降维，使用PCA和LDA优化特征。训练模型用于降维特征以保持最大方差95%当进行主成分分析。在LDA情况，最大类可分离性 between 四类 for 12特征被保留通过降维特征带类和特征集数量限制。实现最大测试准确率发现为77.57% for k-NN和83.04% for k-NN for PCA和LDA respectively。接下来，进行特征选择以优化特征使用递归特征消除（RFE）和互信息（MI）。为RFE，选择基模型为梯度提升分类器以评估特征通过学习率0.