利用深度神经网络在稀疏数据中改进认知表现预测
机器学习
2021-12-30 v1
摘要
中年期的认知是年龄相关精神衰退的重要预测因子，预测认知表现的统计模型可用于预测衰退。然而，现有模型难以捕捉影响认知的身体、社会人口学、心理和心理健康因素之间的复杂关系。利用一项观察性队列研究“美国中年人研究”（MIDUS）的数据，我们对大量变量建模以预测执行功能与情景记忆指标。我们使用了具有不同稀疏度（即缺失数据量）的横向与纵向结果。深度神经网络（DNN）模型在所有认知表现预测任务中 consistently 排名最高，以样本外数据的均方根误差（RMSE）评估。DNN 与其他模型类型的 RMSE 差异具有统计显著性（T(8) = -3.70；p < 0.05）。模型类型与稀疏度之间的交互效应显著（F(9)=59.20；p < 0.01），表明 DNN 的成功部分归因于其鲁棒性及建模健康相关因素间层次关系的能力。我们的发现强调了神经网络建模临床数据集的潜力，并有助于更好地理解导致认知衰退的因素。
引用
@article{arxiv.2112.14314,
title = {Improving Prediction of Cognitive Performance using Deep Neural Networks in Sparse Data},
author = {Sharath Koorathota and Arunesh Mittal and Richard P. Sloan and Paul Sajda},
journal= {arXiv preprint arXiv:2112.14314},
year = {2021}
}