
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于体动记录数据区分精神分裂症谱系障碍患者与健康对照的机器学习模型跨数据集泛化研究
《Scientific Reports》:Identifying activity patterns from different actigraphy devices in people with schizophrenia spectrum disorders: a comparative study
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要体动记录法是评估运动活动及疾病如何影响患者日常活动的一种可靠且无创的方法。应用于体动记录数据的机器学习模型已被用于识别患有重度抑郁症或精神分裂症谱系障碍(SSDs)患者的活动模式。然而,不同数据集之间异质的采集方案严重阻碍了模型的泛化能力,使得直接比较变得困难。在本研究中
体动记录法是评估运动活动及疾病如何影响患者日常活动的一种可靠且无创的方法。应用于体动记录数据的机器学习模型已被用于识别患有重度抑郁症或精神分裂症谱系障碍(SSDs)患者的活动模式。然而,不同数据集之间异质的采集方案严重阻碍了模型的泛化能力,使得直接比较变得困难。在本研究中,我们利用体动记录数据来训练一个能够区分健康对照组(HC)与SSD患者活动模式的机器学习模型。研究共使用了来自DiAPASon和PSYKOSE两个数据集的258名受试者(126名HC和132名SSD患者)的体动记录数据,每名受试者的记录跨度为一周。通过主成分分析(PCA)结合在DiAPASon数据上训练的支持向量机(SVM)分类器来对体动记录模式进行分类。在对PSYKOSE独立数据进行重新缩放以匹配DiAPASon的采集设备参数后,该模型经过了验证。重新缩放后,DiAPASon与PSYKOSE之间的一致率为99.9%(重新缩放前为30.7%)。最佳表现模型在DiAPASon数据上达到了0.860的分类准确率,在PSYKOSE数据上达到了0.80,证明了模型的泛化能力。利用Shapley分析,我们检测到了驱动分类结果趋向HC或SSD类别的特征活动模式。我们的结果作为概念验证表明,能够识别活动模式的机器学习模型可以泛化到其他体动记录设备上,但仍需在更多样化的数据集和设备上进行进一步测试。