基于机器学习从运动活动时间序列中提取的客观特征用于食物成瘾分析——一项试点研究
机器学习
2025-10-10 v3 人工智能
信号处理
医学物理
摘要
可穿戴传感器和 IoT/IoMT 平台实现了持续、实时的监测，但客观的数字标记用于饮食障碍仍有限。本研究检验了活动计量学和机器学习 (ML) 是否能为食物成瘾 (FA) 和症状计数 (SC) 提供客观标准。在 78 名受试者（平均年龄 22.1 岁，女性占 73.1%）中，收集了一周非支配手腕活动计量学数据和心理测量数据（YFAS、DEBQ、ZSDS）。将时间序列分为白天活动和夜间休息，计算统计特征和熵特征描述符（FuzzyEn、DistEn、SVDEn、PermEn、PhaseEn；共 256 个特征）。以 Matthews相关系数 (MCC) 作为 KNN 流水线中的主要指标，使用五折分层交叉验证（一百次重复；500 次评估）；采用 SHAP 辅助解释。对于二分类 FA，活动段特征表现最佳（MCC = 0.78 ± 0.02；准确率 ~ 95.3% ± 0.5%；灵敏度 ~ 0.77 ± 0.03；特异度 ~ 0.98 ± 0.004），超过 OaS（客观与主观特征，MCC = 0.69 ± 0.03）和仅休息数据（MCC = 0.50 ± 0.03）。对于 SC（四分类），OaS 略胜于活动计量学（MCC = 0.40 ± 0.01 vs 0.38 ± 0.01；准确率 ~ 58.1% vs 56.9%）。情绪饮食和克制饮食与活动计量学特征相关。这些发现支持手腕佩戴式活动计量学作为 FA 的数字生物标志物，补充问卷并可能有助于实现隐私保护的临床转化。
引用
@article{arxiv.2409.00310,
title = {Objective Features Extracted from Motor Activity Time Series for Food Addiction Analysis Using Machine Learning -- A Pilot Study},
author = {Mikhail Borisenkov and Maksim Belyaev and Nithya Rekha Sivakumar and Murugappan Murugappan and Andrei Velichko and Dmitry Korzun and Tatyana Tserne and Larisa Bakutova and Denis Gubin},
journal= {arXiv preprint arXiv:2409.00310},
year = {2025}
}
备注
25 pages, 4 figures, 14 tables