На этот раз я более подробно рассмотрю одно конкретное исследование, в котором анализируются биомаркеры когнитивного функционирования у переживших травмы с использованием компьютерного зрения и машинного обучения. Я пытаюсь понять его суть и объяснить психологическую теорию, а также технологию, используемую в следующих ключевых моментах:

  1. Введение
  2. Объяснение психологических терминов
  3. Методология
  4. Приложение «Компьютерное зрение»
  5. Полученные результаты
  6. Заключение

Опубликованное в 2021 году исследование посвящено когнитивному функционированию людей, переживших травму. Используя модели машинного обучения, исследователи проанализировали выражения лица, движения и голос, чтобы измерить различные аспекты когнитивного функционирования. В этом исследовании я тщательно рассмотрю все аспекты исследования, уделяя особое внимание объяснению психологических терминов и применению компьютерного зрения.

Прежде чем продолжить, какие биомаркеры используются в этом исследовании?

Это измеримые индикаторы или сигналы, которые предоставляют информацию о когнитивных способностях и процессах человека. Эти биомаркеры действуют как объективные показатели, отражающие когнитивные функции, такие как память, внимание, решение проблем и принятие решений.

Для оценки когнитивных способностей исследователи использовали широко используемую и проверенную батарею WebNeuroTM. Эта батарея была разработана на основе стандартизированной международной базы данных Brain Resource и включает в себя различные задачи, которые проверяют следующие восемь факторов:

  • Координация движений
  • Скорость обработки
  • Эмоциональная предвзятость
  • Постоянное внимание
  • Контролируемое внимание
  • Когнитивная гибкость
  • Когнитивное торможение
  • Исполнительное функционирование

Батарея тестов включает в себя такие задачи, как набор цифр (проверка рабочей памяти), задача распознавания памяти (оценка припоминающей памяти), задача идентификации эмоций, задача эмоциональной предвзятости и задача «годен/нет» (оценка торможения реакции).

Люди, которые испытали травматические стрессоры, часто демонстрируют изменения в нескольких когнитивных областях. Эти домены могут дать ценную информацию для выявления лежащей в основе нейробиологической дисфункции, которая влияет на клиническую реакцию человека на травму. Однако традиционные оценки для этих доменов обременительны, дороги и требуют много времени. Чтобы преодолеть эти барьеры, исследователи начали использовать модели машинного обучения (МО) для анализа пассивных источников данных и измерения различных аспектов когнитивного функционирования.

Сделать психологические концепции доступными для всех

Уже во введении мы можем узнать много слов, которые может быть трудно понять тому, кто не знаком с психологической лексикой. Давайте объясним некоторые из основных концепций, показанных в статье, и почему они важны в контексте исследования травм.

Двигательная координация: одно задание включало оценку координации движений, которая относится к способности координировать и контролировать движения тела. Травма может повлиять на двигательные навыки и координацию из-за ее воздействия на области мозга, отвечающие за двигательный контроль.

Скорость обработки. Это относится к тому, насколько быстро человек может воспринимать и обрабатывать информацию. Травма потенциально может повлиять на скорость обработки, поскольку люди, пережившие травму, могут испытывать трудности с быстрой и эффективной обработкой информации.

Эмоциональная предвзятость. Эмоциональная предвзятость — это склонность интерпретировать или воспринимать информацию так, как зависит от вашего эмоционального состояния. Пережившие травму часто испытывают эмоциональную дисрегуляцию и могут проявлять предубеждения в восприятии и интерпретации эмоциональных стимулов.

Устойчивое внимание. Проверяет способность сохранять сосредоточенность и концентрацию на задаче в течение длительного периода времени. Травма может повлиять на процессы внимания, поскольку люди, пережившие травму, могут испытывать трудности с поддержанием внимания и могут легко отвлекаться.

Контролируемое внимание. Контролируемое внимание включает в себя способность выборочно обращать внимание на релевантную информацию, блокируя нерелевантную информацию. Травма может нарушить контролируемое внимание, поскольку люди могут испытывать навязчивые мысли или трудности с регулированием своего внимания.

Когнитивная гибкость. Когнитивная гибкость означает способность адаптироваться и переключаться между различными задачами, точками зрения или стратегиями. Травма может повлиять на когнитивную гибкость, поскольку люди могут испытывать жесткие модели мышления и трудности с адаптацией к новым ситуациям.

Когнитивное торможение. Когнитивное торможение включает способность подавлять неуместные или неуместные мысли, воспоминания или реакции. Травма может повлиять на когнитивное торможение, поскольку люди могут бороться с навязчивыми мыслями, воспоминаниями или трудностями в подавлении воспоминаний, связанных с травмой.

Исполнительное функционирование. Оно включает в себя набор когнитивных процессов, отвечающих за планирование, решение проблем, принятие решений и самоконтроль. Травма может повлиять на исполнительную функцию, что приведет к затруднениям в этих когнитивных процессах.

Оценивая эти различные когнитивные задачи, исследователи стремятся раскрыть конкретные когнитивные области, затронутые травмой, и получить более глубокое понимание когнитивных процессов, связанных с расстройствами, связанными с травмой.

Методология

В ходе исследования исследователи провели проспективное продольное когортное исследование с участием людей, которые пережили травматическое событие и были госпитализированы в отделение неотложной помощи травматологического центра 1-го уровня. Исследование, в котором участвовал 221 участник, было направлено на то, чтобы пролить свет на когнитивное влияние травмы и понять основные нейробиологические процессы, определяющие индивидуальные реакции. Для сбора данных исследователи использовали комплексный подход. Участники прошли серию лабораторных процедур, в том числе качественное интервью, в котором отразились их переживания до и после травматического события, а также их поездка в больницу. Интервью было записано с использованием аудио и видео, что позволило более детально проанализировать их ответы. Для оценки когнитивных функций исследователи использовали набор тестов WebNeuroTM. Эта батарея охватывает несколько доменов, о которых я упоминал в предыдущей части. Используя эту батарею, исследователи смогли получить стандартизированные показатели когнитивных способностей для каждого участника.

Клинические оценки симптомов посттравматического стрессового расстройства и уровней депрессии также проводились с использованием установленных шкал, что давало дополнительную информацию о состоянии психического здоровья участников. Электронная система медицинских карт использовалась для сбора информации о травмах головы и компьютерных томограммах, проведенных во время оказания неотложной помощи.

Для извлечения ценных цифровых биомаркеров использовались сложные методы анализа. Исследователи обработали видеозаписи с помощью библиотеки Python OpenFace, которая позволила извлечь черты лица и данные об активации мышц. Акустическая обработка необработанных аудиофайлов выполнялась с помощью Parselmouth, регистрируя интенсивность, вариабельность высоты тона и формантную частоту. Deep Speech, предварительно обученная модель глубокого обучения, использовалась для преобразования аудиоконтента в текст. Кроме того, с помощью пакета OpenFace из видеофайлов были извлечены особенности движения, включая движение головы, внимательность, скорость расширения зрачка и вращение головы.

Благодаря тщательным методам сбора и анализа данных исследователи смогли получить ценную информацию о когнитивном функционировании переживших травму. Исследование не только высветило разнообразные когнитивные проблемы, с которыми сталкиваются эти люди, но и обеспечило более глубокое понимание основных нейробиологических механизмов. Эти результаты открывают путь для более целенаправленных вмешательств и поддержки лиц, переживших травму, что в конечном итоге улучшает их общее самочувствие и качество жизни.

Приложение "Компьютерное зрение"

Модели компьютерного зрения, использованные в исследовании, были разработаны и оценены тщательным и систематическим образом. Сначала данные прошли необходимую подготовку. Категориальные переменные были преобразованы с использованием метода, называемого горячее кодирование, а числовые переменные были масштабированы до диапазона от 0 до 1. Пропущенные значения в данных были заполнены с использованием метода, называемого вменение медианы. , что помогло обеспечить полноту данных и их готовность к анализу.

Чтобы избежать потенциальных проблем, набор данных был разделен на две части: обучающую выборку и тестовую выборку. Тестовая выборка хранилась отдельно и не использовалась в процессе обучения модели. Затем применялись различные алгоритмы для выбора наиболее важных признаков из данных. Эти алгоритмы ранжировали функции на основе их актуальности и полезности для прогнозирования когнитивных результатов.

Затем был проведен тщательный поиск лучших настроек или гиперпараметров для моделей. В этом поиске использовался метод под названием перекрестная проверка, который помогает оценить эффективность моделей на обучающих данных. Тщательно оценивая результаты каждого этапа перекрестной проверки, мы обнаружили, что модель под названием Экстремальное повышение градиента (XGBoost) неизменно обеспечивает наилучшие результаты в различных когнитивных областях.

После определения оптимальных гиперпараметров модель XGBoost была обучена с использованием всех доступных обучающих данных. Затем эта обученная модель использовалась для прогнозирования тестовой выборки, что служило способом оценки того, насколько хорошо модель может обобщать новые данные.

Производительность моделей оценивалась с использованием общих показателей, таких как R2,средняя абсолютная ошибка (MAE), среднеквадратическая ошибка (RMSE) и средняя абсолютная ошибка в процентах (MAPE). Эти показатели помогают измерить, насколько точно модели предсказали когнитивные результаты. Цель состояла в том, чтобы найти модель, которая сводит к минимуму ошибки прогнозирования, но при этом остается простой и понятной.

В целом, этот тщательный и систематический подход позволил исследователям разработать надежные модели компьютерного зрения, которые точно предсказывали когнитивные переменные в различных областях. Эти модели могут быть ценными инструментами для понимания и изучения когнитивного функционирования в различных контекстах.

Полученные результаты

XGBoost смог точно предсказать когнитивные способности в различных областях, таких как распознавание лиц, анализ голоса, содержание речи и движение головы. Он достиг высокой точности в выявлении закономерностей и прогнозировании когнитивных способностей участников.

Исследователи также обнаружили, что все четыре домена — лицо, голос, содержание речи и движение головы — играют важную роль в прогнозировании когнитивных функций. Это означает, что различные аспекты того, как человек говорит, двигает головой и распознает лица, могут дать представление об его когнитивных способностях.

Поняв эти закономерности и особенности, исследователи смогли определить 15 основных характеристик, наиболее важных для прогнозирования нейрокогнитивных симптомов. Эти особенности предоставили ценную информацию о когнитивных способностях участников и помогли понять влияние травмы на их когнитивные функции.

В целом исследование показало, что передовые компьютерные модели, такие как XGBoost, могут быть мощными инструментами для понимания и прогнозирования когнитивных способностей. Эти знания могут помочь в разработке вмешательств и методов лечения, чтобы поддержать переживших травму на пути к выздоровлению.

Заключение

В заключение, это исследование подчеркивает важность внедрения новых технологий, таких как передовые компьютерные модели, в области психологии. Используя методы машинного обучения, исследователи смогли определить закономерности в голосе, распознавании лиц, содержании речи и движениях головы, которые способствуют прогнозированию когнитивных способностей у переживших травму.

Использование этих инновационных технологий дает ряд преимуществ. Это позволяет психологам одновременно анализировать несколько переменных, получая более полное представление о когнитивных функциях. Алгоритмы машинного обучения превосходно обнаруживают сложные закономерности и взаимосвязи в данных, что позволяет делать более точные прогнозы.

Используя эти достижения, психологи могут улучшить свое понимание влияния травмы на когнитивные функции и разработать целенаправленные вмешательства, помогающие в восстановлении. Интеграция компьютерного зрения и машинного обучения также способствует междисциплинарному сотрудничеству, способствуя разработке инновационных инструментов оценки и терапевтических подходов.

Включение передовых компьютерных моделей в психологию открывает новые возможности для исследований, оценки и лечения. Используя возможности технологий, психологи могут глубже проникнуть в человеческий разум и оказывать более эффективную поддержку людям, пострадавшим от травмы. Слияние психологии и технологий, несомненно, определит будущее психиатрической помощи.