Alterazzjonijiet tal-Konnettività tal-Moħħ Waqt l-Irqad Permezz ta' Newrostimulazzjoni Transkranjali b'ċirku magħluq Tbassar Sensittività tal-Metamemorja Parti 2

Reġistrazzjonijiet Elettrofiżjoloġiċi u Stimulazzjoni Transkranjali

Inġabret dejta tal-EEG u l-istimulazzjoni ġiet applikata simultanjament ma 'prototip StarStim64minn Neuroelectrics, Inc., b'kappa tar-ras ta' neoprene 64-kanal li tinkludi 32 kanal EEG u 32 kanal ta 'stimulazzjoni.

L-iżvilupp kontinwu tax-xjenza u t-teknoloġija moderna għamel ir-riċerka tan-nies fuq il-moħħ aktar u aktar fil-fond. F'dawn l-aħħar snin, numru dejjem jikber ta 'studji wrew ir-relazzjoni mill-qrib bejn l-elettroenċefalografija (EEG) u l-memorja. EEG huwa metodu ta 'reġistrazzjoni ta' attività elettrika tal-moħħ. Tesprimi sinjali elettriċi tal-moħħ tal-bniedem fil-forma ta 'disinji tal-linja billi tiskopri s-sinjali bijoelettriku tal-moħħ. Il-memorja hija l-abbiltà tas-sistema tan-newroni tal-moħħ li takkwista, tipproċessa, taħżen, tagħraf, u tfakkar l-informazzjoni. Ir-relazzjoni bejn it-tnejn tista’ tgħid li hija relatata mill-qrib.

L-EEG jirreġistra l-moviment tal-ġisem, il-lingwaġġ, il-ħsieb u l-informazzjoni sensorja, u intuża ħafna f'oqsma bħall-mediċina, in-newroxjenza u l-psikoloġija. Fosthom, ir-riċerkaturi sabu li l-EEG għandu relazzjoni importanti mal-memorja. Ir-reġistrazzjonijiet tal-EEG jistgħu jgħinuna nifhmu aħjar il-proċess tal-istabbiliment u l-irkupru tal-memorja, u jipprovdu referenza siewja għat-trattament ta 'disturbi tal-memorja. Skont ir-riċerka, il-formazzjoni tal-memorja fit-tul hija akkumpanjata minn attività elettrika ta 'gradi u distribuzzjoni differenti, u meta n-nies ifakkru memorji, is-sinjali tal-EEG se jinbidlu wkoll, u jikkonfermaw aktar il-konnessjoni mill-qrib bejn l-EEG u l-memorja.

Barra minn hekk, l-EEG jista 'jgħin ukoll lir-riċerkaturi jifhmu tipi differenti ta' memorja, bħal memorja għal żmien qasir, memorja fit-tul, memorja spazjali u memorja emozzjonali. Fir-riċerka, l-analiżi EEG tista 'tindika attività elettrika minn żoni differenti tal-moħħ. Dawn l-attivitajiet elettriċi speċjali jistgħu jiżvelaw kif il-materjali tal-memorja huma trażmessi u pproċessati fil-moħħ u jiżvelaw ukoll il-kawżi ta 'indeboliment tal-memorja.

Jista 'jingħad li l-EEG għandu sinifikat pożittiv għat-titjib tal-kwalità tal-ħajja. In-nies moderni jużaw prodotti elettroniċi bħal kompjuters u telefowns ċellulari għal żmien twil u saħansitra jiddependu wisq fuq il-midja soċjali, li jagħmilha diffiċli għan-nies biex jikkonċentraw u jinsew l-affarijiet faċilment. Ir-riċerka turi li t-taħriġ fil-qosor ta 'feedback EEG jista' jtejjeb il-kapaċità tat-tagħlim u l-memorja tan-nies. Permezz ta 'terapija EEG individwali, anormalitajiet fil-funzjoni tal-moħħ jistgħu jissewwew, l-attività tal-moħħ titjieb, u l-abbiltajiet tal-memorja u tat-tagħlim imtejba.

Fil-qosor, it-teknoloġija EEG teħtieġ b'mod urġenti li tintuża ħafna fil-ħajja tagħna ta 'kuljum, u hija meħtieġa wkoll aktar riċerka biex tesplora aktar l-applikazzjonijiet u l-potenzjal tagħha. Fil-futur, it-titjib kontinwu tat-teknoloġija EEG se jġibna aktar opportunitajiet u sfidi, li jippermettilna li jkollna imħuħ aktar effiċjenti u aktar b'saħħithom. Wieħed jista 'jara li għandna bżonn intejbu l-memorja, u Cistanche deserticola jista' jtejjeb b'mod sinifikanti l-memorja, minħabba li Cistanche deserticola għandu effetti antiossidanti, anti-infjammatorji u kontra t-tixjiħ, li jistgħu jgħinu jnaqqsu l-ossidazzjoni u r-reazzjonijiet infjammatorji fil-moħħ, u b'hekk jipproteġu l- saħħa tas-sistema nervuża. Barra minn hekk, Cistanche deserticola tista 'wkoll tippromwovi t-tkabbir u t-tiswija taċ-ċelloli tan-nervituri, u b'hekk ittejjeb il-konnettività u l-funzjoni tan-netwerks newrali. Dawn l-effetti jistgħu jgħinu biex itejbu l-memorja, it-tagħlim u l-veloċità tal-ħsieb, u jistgħu wkoll jipprevjenu l-iżvilupp ta 'disfunzjoni konjittiva u mard newrodeġenerattiv.

ClickKnoww ittejjeb il-memorja għal żmien qasir

Il-kanali tal-EEG tpoġġew f'muntaġġ skont is-10-10sistema. Id-dejta tal-EEG inġabret minn 23 mit-32 sit meħuda bħala kampjun f'500 Hz u referenzjati għal kanal Fz. Id-9 elettrodi addizzjonali rreġistraw elettrookologramma, elettromijogramma, u elettrokardjogramma biex jippermettu l-iskoperta tal-istadji tal-irqad. L-ebda filtrazzjoni tal-ħardwer onlajn, minbarra l-filtrazzjoni tal-linja tal-ħoss (60 Hz), ma ġiet applikata waqt il-ġbir.

L-istimulazzjoni transkranjali attiva ġiet mogħtija fil-forma ta 'arrays uniċi ta' kurrent spatiotemporalcurrents madwar it-32 elettrodu ta 'stimulazzjoni. Il-kurrent elettriku pożittiv totali ġie stabbilit għal taħt 2.5 mA, bil-kurrent ta 'kull kanal taħt 1.5 mA u aktar minn 150 uA.

Il-mudelli ta 'stimulazzjoni nħolqu permezz ta' ottimizzazzjoni tal-inżul tal-gradjent biex timmassimizza l-ortogonalità tul il-kampi elettriċi indotti fil-volum 3-D ta 'mudell ta' ras uman adult billi tippenalizza korrelazzjonijiet u antikorrelazzjonijiet.

Matul l-esperiment, għall-kundizzjoni Attiva, kull waħda mill-14-il vignette kienet assoċjata b'mod każwali jew "immarkata" b'mudell ta 'stimulazzjoni differenti, u mudelli tad-dwana għal kull mudell ġew ipprogrammati fis-softwer ta' kontroll ta 'stimulazzjoni Neuroelettrika, CoreGUI. Nofs biss ta 'dawn il-mudelli tES ġew applikati mill-ġdid matul il-lejl għal riattivazzjoni tal-memorja tal-cue (Tag & Cue), u analiżi tal-imġieba ffukata fuq risponsi tat-test tal-memorja tal-memorja għall-vinjetti mmirati.

Il-mudelli uniċi kienu ddisinjati primarjament biex iġibu memorji speċifiċi, biex ma jbiddlux l-attività newrali b'modi speċifiċi; għalhekk, tweġibiet tal-moħħ u bidliet fil-konnettività għal STAMPs individwali ma ġewx analizzati u minflok ġew magħquda biex jiżdiedu l-għadd tal-provi.

Sejbien ta 'Oxxillazzjoni ta' Mewġa Slow

L-istimulazzjoni ingħatat awtomatikament imsakkar fil-ħin għal stati up-states ta 'SWOs b'algoritmu ta' skoperta ta 'ċirku magħluq, adattat minn algoritmu żviluppat qabel (Cox et al., 2014). Waqt l-irqad, id-dejta tal-EEG li dieħla minn 13-il kanal ċentrali-parietali ta' quddiem (Cz, FC1, FC2, CP1, CP2,Fz, C4, Pz, C3, F3, F4, P3, u P4) ġiet maħżuna f'run {{17} }s buffer li kien kontinwament aġġornat.

Biex tnaddaf id-dejta, ġie applikat tnaqqis medju li jiċċaqlaq b'tieqa 1-s, u kwalunkwe kanal li jaqbeż amplitudni min-to-max ta' 500 μV matul il-perjodu tal-buffer ġew rifjutati.

Il-kanali li fadal ġew medjati flimkien biex jinħoloq kanal virtwali għal SWOdetection robust. Il-qawwa fil-medda tal-mewġ bil-mod (0.5–1.2 Hz) kienet imqabbla mal-qawwa tal-broadband totali (0.1–25{0 Hz), u jekk dan il-proporzjon kien akbar minn 0.3, imbagħad il-quċċata preċiża tal-qawwa fil-medda tal-mewġ bil-mod (il-frekwenza taċ-ċentru) ġiet ikkalkulata.

Il-kanal virtwali mbagħad ġie ffiltrat b'filtru Butterworth bandpass tat-tieni ordni b'faxxa tal-frekwenza ta' 1-Hz madwar il-frekwenza ċentrali (b'qtugħ minimu aktar baxx ta' 0.1 Hz), u ġiet applikata trasformazzjoni Hilbert. Il-fażi ġiet mibdula lura 90 grad, u l-komponent immaġinarju ġie estratt, u wassal għall-fażi istantanja.

Imbagħad ġiet iġġenerata mewġa sine fil-frekwenza ċentrali b'fażi, offset u amplitudni ottimizzati tas-sinjal iffiltrat. Il-mewġa sine ġiet ipproġettata 'l quddiem fil-ħin biex tiddetermina l-punt li jmiss ta' fażi żero (jiġifieri, il-bidu tal-up-state), u l-istimulazzjoni bdiet f'dan il-punt ta 'żmien u damet għall-istat up previst b'rampa up u ramp-down ħinijiet ta’ 100 ms.

Matul iljieli Sham, ġew irreġistrati punti ta 'ħin ta' stimulazzjoni, iżda ma ngħatat ebda stimulazzjoni. Għalhekk, it-tqabbil ta 'ljieli Attivi u Sham kienu fl-istess ħin punti ta' theSWO, bl-unika differenza tkun it-twassil ta 'stimulazzjoni STAMP. Validazzjoni ta' skoperta ta 'stat up-twettqet fuq data minn iljieli Sham biex jiġu evitati artifactsproduced mill-iljieli STAMPsonn Active.

Markers ġew estratti mill-punti tal-ħin ta 'up-statespredicted mill-twaħħil tal-mewġ sine. F'xi każijiet, minħabba dewmien tal-ħardwer, stimulazzjoni bil-ħin wasmoved għall-up-state wara l-up-state immedjatament misjuba, li seta 'żieda fil-varjabbiltà tal-fażijiet sa ċertu punt. Epochs time-locked to stimulation onset markers (-5 sa +5 s) ġew estratti mid-dejta EEG mhux ipproċessata u bandpass iffiltrati fil-medda 0.5-1.2 Hz.

Il-valuri tal-fażi f'kull punt tal-ħin tal-markatur tal-bidu ġew ikkalkulati bl-użu tat-trasformazzjoni ta' Hilbert. Il-valuri medji tal-fażi bejn il-provi ġew ikkalkulati għal kull parteċipant, u dawn il-fażijiet medji ġew sottomessi għal ttestjar tal-v-test għal differenza minn 0 gradi (Berens, 2009). Iċ-ċifri u l-istatistika dwar il-validazzjoni tal-algoritmu ta' ċirku magħluq huma ppreżentati fl-Informazzjoni ta' Appoġġ.

Ipproċessar tad-Data EEG u Analiżi Teoretika tal-Grafiki

Is-sinjali EEG ġew analizzati off-line b'EEGLAB u skripts MATLAB tad-dwana. Biex tnaddaf id-dejta u s-sorsi separati tal-istorbju mis-sinjal tal-moħħ, ir-reġistrazzjonijiet tal-EEG ġew ikkampjunati 'l isfel sa 250 Hz, riferuti għall-medja tal-elettrodi kollha, u bandpass iffiltrat bl-użu ta' filtru Butterworth (0.1–70 Hz, 24 dB/ oct).

Artifacts okulari u mhux newrali ġew identifikati u mneħħija manwalment bl-użu tal-metodu ta 'analiżi tal-komponenti indipendenti (ICA) fl-EEGLAB u l-algoritmu infomax inkorporat tiegħu (Delorme & Makeig, 2004).

Id-dejta mingħajr artifact ġiet issegmentata f'epoki li fihom -6.4 sa -2.4 qabel il-bidu tal-istimulazzjoni bħala tieqa bażi, u 3 sa 7 s wara l-offset tal-istimulazzjoni bħala tieqa tal-analiżi. Għal kull epoca, l-ispettru tal-qawwa f'kull kanal ġie kkalkulat bl-applikazzjoni tal-metodu ta' stima spettrali Welch fuq segmenti 2048-ms b'koinċidenza ta' 1,024-ms (50%), b'kull segment imnaqqas minn tieqa Hamming.

Konnettività funzjonali u analiżi teoretiċi tal-graff twettqu bil-BioNeCtToolbox, kaxxa tal-għodda MATLAB apposta għall-analiżi tal-konnettività tal-moħħ (Casanova, El-Baz, & Suri, 2017). Il-konnettività funzjonali tal-moħħ bejn ir-reġjuni tal-moħħ hija stmata billi tikkalkula l-korrelazzjoni inkroċjata fid-dominju tal-frekwenza bejn is-sinjali EEG (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004).

Fost il-metriċi varji tal-konnettività funzjonali, il-koerenza immaġinarja (iCoh) tiskopri esklussivament interazzjonijiet "veru" bejn sinjali EEG li jseħħu f'ċertu dewmien ta' żmien, u b'hekk tinjora l-interazzjoni istantanja bejn elettrodi ġirien li x'aktarx tkun prodotta minn konduzzjoni tal-volum ta 'attività elettrika minn sors komuni tal-moħħ (Bullmore & Sporns, 2009; Fallani et al., 2014;Mohammad-Rezazadeh et al., 2016).

Il-valuri iCoh ġew ikkalkulati għall-elettrodepairs kollha possibbli fil-meded ta’ frekwenza li ġejjin: delta (1–4 Hz), theta (4–8 Hz), alfa (8–12 Hz), magħżel (12–15 Hz), beta (16–12 Hz), 30 Hz), u gamma baxxa (40-50 Hz).

Dawn l-analiżi twettqu kemm fuq id-dejta Attiva kif ukoll fuq dik ta' Falz. Barra minn hekk, il-valuri tal-iCoh ġew ikkalkulati kemm għat-twieqi tal-ħin ta 'wara l-istimulazzjoni kif ukoll għall-prestimulazzjoni, u l-valuri tat-tieqa ta' prestimulazzjoni ġew imnaqqsa mill-valuri tat-tieqa ta 'wara l-istimulazzjoni għall-korrezzjoni tal-linja bażi.

Il-metriċi teoretiċi tal-grafiċi jipprovdu informazzjoni dwar il-grad ta’ segregazzjoni tan-netwerk (jiġifieri, it-tendenza tar-reġjuni tal-moħħ li jiffurmaw raggruppamenti lokali b’interkonnessjonijiet funzjonali densi) u l-integrazzjoni u l-effiċjenza tan-netwerk (jiġifieri, il-kapaċità tan-netwerk li jsir interkonness u skambju effiċjenti ta’ informazzjoni bejn il-moħħ reġjuni; Bullmore & Sporns, 2009 Fallani et al., 2016;

Il-miżuri tal-graff użati b'mod komuni li ġejjin ġew ikkalkulati għall-meded ta 'frekwenza kollha msemmija hawn fuq fil-perjodi ta' qabel u ta 'wara l-istimulazzjoni: koeffiċjent medju ta' clustering (il-probabbiltà li nodi ġirien ikunu konnessi, li jirrifletti konnessjoni lokali); effiċjenza globali (kemm in-netwerk huwa effiċjenti fit-trasferiment tal-informazzjoni); tul tal-mogħdija karatteristika, raġġ, u dijametru (in-numru medju ta 'truf tul l-iqsar mogħdijiet, id-distanza minima possibbli, u l-akbar distanza possibbli, bejn il-pari kollha possibbli ta' nodi, rispettivament); modularità (il-grad li fih in-netwerk tal-moħħ huwa segregat f'subnetworks jew moduli);assortività (il-proporzjon ta' nodi li huma mwaħħla ma' nodi oħra bi gradi simili vs gradi differenti); densità (in-numru ta 'truf diviż bin-numru ta' nodi fil-graff); u koerenza medja (il-koerenza medja bejn il-pari kollha ta 'nodi).

Analiżi ta' Klassifikazzjoni u Rigressjoni

Id-dejta li rriżultat kienet tikkonsisti fi 48 karatteristiċi ta’ konnettività funzjonali (metriċi 8graph-teoretiċi × 6 meded ta’ frekwenza) kemm għall-kundizzjonijiet ta’ stimulazzjoni Attiva kif ukoll ta’ Sham għal kull parteċipant. B’mod aktar speċifiku, il-karatteristiċi ta’ konnettività ġew estratti wara stimulazzjoni fuq il-lejl Attiv f’liema stimulazzjoni STAMP seħħet, kif ukoll bħal matul iljieli Sham li fihom ma seħħet ebda stimulazzjoni.

Biex tinvestiga liema bidliet fil-konnettività huma tbassir tal-kundizzjoni ta 'stimulazzjoni, kif ukoll relatati mal-imġieba, implimentajna klassifikazzjoni fil-livell tal-parteċipant u analiżi ta' rigressjoni cross-validation, li fiha data minn subsett ta 'parteċipanti tħallew barra bħala data tat-test biex inbassru. Biex tnaqqas il-varjanza, għamilna 35 tinja li fihom wieħed sa tliet parteċipanti tħallew barra kull darba.

Dan il-metodu ta' teħid ta' kampjuni mqassam bl-addoċċ ripetut huwa preferut fuq il-metodu ta' "ħalli wieħed barra" implimentat b'mod komuni, li jista' jwassal għal stimi instabbli u preġudikati tal-varjanza (Scheinost et al., 2019; Varoquaux et al., 2017). Għażilna li nieħdu dan l-approċċ immexxi mid-dejta mhux biss minħabba l-ispazju kbir tal-karatteristiċi tad-dejta iżda wkoll minħabba n-novità tal-investigazzjoni.

Ftit studji s'issa eżaminaw ir-relazzjonijiet bejn il-metriċi graf-teoretiċi tal-konnettività tal-moħħ u s-sensittività tal-metamemorja, u ħadd ma eżamina kif dan jinbidel bl-istimulazzjoni tal-moħħ. Għalhekk, aħna potenzjalment nitilfu relazzjonijiet importanti bejn il-konnettività funzjonali u l-metamemorja billi neżaminaw biss ċerti meded ta 'frekwenza (eż., theta) jew miżuri (eż., koerenza medja) ibbażati fuq sejbiet preċedenti fil-letteratura. Dijagramma li tiddeskrivi l-pipeline tal-analiżi hija ppreżentata fil-Figura 2.

Għal kull tinja, tħaddem metodu ta 'għażla tal-karatteristiċi fuq id-dejta tat-taħriġ biex jinstabu karatteristiċi teoretiċi tal-graff (linja bażi ta' poststimulazzjoni kkoreġuta bi prestimulazzjoni) li ddiskriminaw bejn il-kundizzjonijiet tal-istimulazzjoni Attiva u Sham. Ħafna karatteristiċi kienu korrelatati ħafna ma 'xulxin, li jistgħu jidhru fil-Figura S2 ta' Informazzjoni ta 'Appoġġ.

Għalhekk, l-ewwel varjabbli kollineari ħafna tneħħew billi nstabu pari ta' karatteristiċi b'korrelazzjonijiet għoljin (valur r limitu ta' 0.8) u tneħħiet il-varjabbli b'korrelazzjoni medja assoluta ogħla mal-varjabbli l-oħra. Informazzjoni addizzjonali dwar varjabbli mneħħija minħabba kollinearità għolja tista' tinstab fl-Informazzjoni ta' Appoġġ.

Imbagħad, test dipendenti (peress li l-istudju kien disinn fi ħdan is-suġġetti) sar fuq kull karatteristika, li ttestja d-differenza bejn il-kundizzjonijiet Attivi u Sham. Varjabbli b'valuri t assoluti baxxi (limitu ta '1) tneħħew, bir-raġuni li d-differenza bejn dawn il-varjabbli kienet minima.

Boruta huwa metodu ta' għażla bbażat fuq il-permutazzjoni, li fih kull karatteristika, kif ukoll kopja tal-karatteristika bil-valuri tagħha, imqassma bejn il-parteċipanti (imsejħa "shadowfeature"), tiddaħħal fi klassifikatur tal-foresti każwali, u l-importanza ta 'kull karatteristika huwa determinat bħala punteġġ Z. L-importanza tal-karatteristiċi veri għandha tkun ogħla mill-punteġġ Z massimu tal-karatteristiċi tad-dell biex titqies importanti b'mod sinifikanti.

Din il-proċedura hija ripetuta diversi drabi b'permutazzjonijiet differenti tal-karatteristiċi ta 'dell biex tinkiseb distribuzzjoni ta' valuri li magħhom jistgħu jitqabblu l-valuri ta 'importanza tal-karatteristiċi attwali. Għalhekk, Boruta huwa metodu ta 'għażla ta' karatteristiċi rilevanti kollha - essenzjalment, il-varjabbli kollha jew l-ebda waħda jistgħu jintgħażlu mill-proċess. Intgħażlu biss karatteristiċi li kellhom punteġġi Z ogħla mill-karatteristiċi tad-dell.

Dan l-algoritmu intwera li jtejjeb il-prestazzjoni fit-tfittxija ta 'karatteristiċi sinifikanti meta mqabbla ma' algoritmi oħra ta 'għażla ta' karatteristiċi (Degenhardt et al., 2017; Kursa, 2017).Il-karatteristiċi magħżula minn Boruta mbagħad ġew imdaħħla f'mudell ta 'rigressjoni loġistika li tbassar il-kundizzjonijiet Attiva versus. Għaddejna wkoll rigressjoni loġistika regolarizzata b'regolarizzazzjoni L2 (rigressjoni tal-linja), li fiha l-aħjar parametru λ ġie determinat permezz ta 'validazzjoni inkroċjata fid-dejta tat-taħriġ.

Fl-aħħar nett, għamilna wkoll klassifikazzjoni ta 'rigressjoni loġistika billi użaw biss il-varjabbli l-aktar importanti magħżula mill-algoritmu Boruta. Wara li twaħħlu l-parametri tal-mudell fuq id-dejta tat-taħriġ, il-mudelli ntużaw biex ibassru d-dejta tat-test li ma tħallietx barra, u wasslu għal stimi tal-probabbiltà għal kull eżempju tat-test jew li jappartjenu għall-kundizzjoni Attiva jew Sham. Dawn il-probabbiltajiet wereconcatenated madwar jingħalaq u użati biex jikkalkulaw kurvi karatteristiċi relattivi operattivi, li minnhom aħna derivati ​​erja taħt il-valuri tal-kurva (AUC) (Fawcett, 2006).

L-AUC hija miżura aktar sensittiva tal-prestazzjoni tal-klassifikatur minn sempliċiment preċiżjoni mhux maħduma u għalhekk hija rrappurtata hawn. Fl-istess darba ta' validazzjoni inkroċjata, id-dejta tat-taħriġ intużat biex tbassar bidliet fis-sensittività tal-memorja għall-vinjetti mmirati (jiġifieri, Tag & Cue) mil-Lejl 2 qabel l-irqad għat-test ta' wara l-irqad fil-kundizzjoni Attiva.

Il-kejl tal-prestazzjoni tal-imġieba kien l-AUC tal-kurva karatteristika operattiva relattiva tat-tip-2, kejl mhux parametriku bla preġudizzju tas-sensittività metakognittiva, b'AUC akbar li jirrifletti sensittività akbar tal-memorja (Fleming & Lau, 2014; Galvin et al., 2003) . Hawnhekk, il-mudelli bassru l-bidla matul il-lejl fl-AUC biex jorbtu bidliet fil-konnettività ma 'bidliet fis-sensittività tal-memorja. Il-karatteristiċi kollha tal-konnettività ddaħħlu fi proċess ta' għażla ta' karatteristiċi simili bħall-analiżi tal-klassifikazzjoni. Il-karatteristiċi kollineari ħafna tneħħew bħal qabel.

Minflok at-test, ġiet ikkalkulata l-korrelazzjoni bejn kull karatteristika u l-bidla tal-AUC matul il-lejl u tneħħew karatteristiċi b'rvalues ​​assoluti baxxi (limitu ta' 0.1). Il-karatteristiċi li kien fadal tmexxew permezz tal-Borutaalgorithm, din id-darba tbassar bidliet fl-AUC matul il-lejl.

Dawn il-karatteristiċi, kif ukoll biss il-karatteristika ta 'fuq, iddaħħlu f'rigressjoni lineari u mudelli ta' rigressjoni regolarizzata L2 li jipprevedu d-dejta tat-test li ma tħallix barra. Ġew ikkalkolati l-valuri ta 'żball ta' l-għerq medju kwadrat (RMSE), u l-valuri medji ta 'RMSE madwar jingħalaq tqabblu ma' valuri RMSE minn tbassir minn rigressjoni lineari bl-interċettazzjoni biss.

Bħala analiżi finali, ħadna karatteristiċi magħżula minn Boruta mill-analiżi tal-klassifikazzjoni, kif ukoll il-karatteristiċi magħżula minn Boruta mill-analiżi tar-rigressjoni, u klassifikazzjoni mill-ġdid u rigressjoni bis-sett ta 'karatteristiċi magħquda, kif ukoll il-karatteristika ta' fuq minn kull sett. Il-valuri AUC minn analiżi ta' klassifikazzjoni u valuri RMSE minn analiżi ta' rigressjoni huma rrappurtati għal kull sett ta' karatteristiċi.

For more information:1950477648nn@gmail.com