Dinlenme durumu fNIRS ve makine öğrenimi tabanlı zindelik değerlendirmesi

Abstract

Amaç: İyilik hali, kendini gerçekleştirme potansiyeli ve stresle başa çıkma yeteneğidir. Zindelik, kişinin zihinsel ve fiziksel aktivite için erişilebilir enerjisini ölçen bir iyilik hali konseptidir. Özbildirime dayalı testler kullanan iyilik hali tahmini üzerine çalışmalar olmasına rağmen, öznel yaklaşımlar olmaları nedeniyle güvenilirlikleri tartışmalıdır. Zindeliği temsil eden mekanizmayı anlamak için zindelik belirteçleri gereklidir. Zindelik biyobelirteçlerini ortaya çıkarmak için İşlevsel Yakın Kızılaltı Spektroskopisi (fNIRS) ve Makine Öğrenmesi kullanıldı. Gereç ve Yöntem: Goldback tarafından 2019’da hazırlanan bir fNIRS veri seti kullandık. Bu veri setinde, bir anket ile yüksek ve normal zindelik olarak iki gruba ayrılmış 43 katılımcı bulunmaktadır. Mayer dalgaları, soluk ve kalp atışı gibi artifaktlar, bant geçiren filtreler yardımı ile giderilmiştir. Hareket artifaktı ve taban kayması, dalgacık temelli bir algoritma ile kaldırılmıştır. Pearson Korelasyonu (CC) ve Dinamik Zaman Bükülmesi (DTW) kullanılarak Makine Öğrenmesinde kullanılacak bağlantısallık matriksleri elde edilmiştir. Lineer Kernel Desstek Vektör Makinesi (SVM) kullanılarak öznitelik seçimi yapılmıştır. Nearest Neighbors, Lineer SVM, Radyal Temelli Fonksiyon (RBF) SVM, Gradyan Artırma, Naïve Bayes, Lineer Diskriminant Analizi ve İkinci Dereceden Diskriminant Analizi gibi Makine Öğrenmesi modelleri eğitilmiş ve test edilmiştir. Bulgular: CC-Birleşim (HbO ve Hb birleştirilmiş) için en yüksek doğruluk seviyesini Lineer SVM ile bulduk (ortalama ± std: 0,82 ± 0,04). DTW-Birleşim için ise Naïve Bayes kullanılarak en yüksek doğruluk seviyesi elde edildi (ortalama ± std: 0,80 ± 0,02). Bu kesinlik değerleri

Supramarjinal Girus - Birincil Somatosensoriyel Korteks, Somatosensoriyel Asosiasyon Korteks - Birincil Somatosensoriyel Korteks ve Somatosensoriyel Asosiasyon Korteks - Supramarjinal Girus arasındaki bağlantılar ile elde edilmiştir. Sonuç: Dinlenme hali fNIRS (rs-fNIRS) verilerinin, bireyleri zindelik seviyelerine göre sınıflandırmak için Makine Öğrenmesi ile birlikte kullanılabileceğini bulduk. Ayrıca, Parietal Lobun zindelik için potansiyel biyobelirteçler içerebileceğini ve fNIRS’ın, biyobelirteç bulma konusunda İşlevsel Manyetik Rezonans Görüntüleme'ye (fMRI) kıyasla daha ucuz ve tanışabilir olduğunu bulduk.