概括：一项新的研究使用机器学习来指出与整个生命周期中认知表现最密切相关的生活方式和健康因素。在374名19至82岁的成年人中，年龄，血压和BMI是基于焦点和速度的注意测试成功的最佳预测指标。
尽管饮食和运动起着较小的作用，但它们仍然与更好的结果相关，尤其是在抵消高BMI或血压方面。这种数据驱动的方法强调了如何将多种因素组合在一起，以更清晰地了解如何随着年龄的增长而支持大脑健康。
关键事实：
- 顶级预测因素：年龄，舒张压和BMI最强烈影响认知表现。
- 饮食 +运动：健康的饮食和体育锻炼对聚焦和反应速度造成了适度但积极的贡献。
- 机器学习优势：先进的算法揭示了细微的关系传统统计可能会错过。
来源：伊利诺伊大学
一项新的研究可深入了解健康和生活方式指标，包括饮食，体育锻炼和体重 - 与整个生命周期中健康的大脑功能最紧密相吻合。
该研究使用机器学习来确定哪些变量最好预测一个人快速完成任务而不会分心的能力。
报道了 营养杂志该研究发现，年龄，血压和体重指数是一项名为“侧翼任务”的测试中成功的最强预测指标，该测试要求参与者专注于中心物体，而不会因侧翼信息而分心。
该小组发现，饮食和运动在测试中的性能中也起着较小但相关的作用，有时似乎抵消了高BMI或其他潜在有害因素的不良影响。
``这项研究使用机器学习一次评估了许多变量，以帮助确定那些与认知表现最紧密保持一致的变量。学生Shreya Verma。
标准的统计方法不能一次接受这种复杂性。
为了建立模型，该团队使用了从19至82岁的374名成年人收集的数据。数据包括参与者的人口统计数据，例如年龄，BMI，血压和体育活动水平，以及饮食模式和侧翼测试的性能，这些模式测量了其处理速度和准确性，以确定中央箭头的方向，而中央箭头的方向则是指向同一或相反方向的其他箭头的方向。
Khan说，这是评估注意力和抑制性控制的认知功能的良好量度。”
Khan说，先前的研究发现，几个因素与整个生命周期的认知功能有关。
他说，遵守健康饮食指数，这是对饮食质量的一种度量，与老年人的卓越执行功能和加工速度有关。”其他研究发现，富含抗氧化剂，omega-3脂肪酸和维生素的饮食与更好的认知功能有关。
研究人员写道，饮食方法是停止高血压，或达什饮食，地中海饮食，以及将两者（称为“思维饮食”）结合起来的饮食方法，所有这些都与抵抗认知下降和痴呆症的保护作用有关。”诸如BMI和血压等身体因素以及体育锻炼的增加也是认知健康或衰老衰老下降的有力预测指标。
显然，认知健康是由许多因素驱动的，但是哪些是最重要的？” Verma说。我们想评估每个因素与其他因素的相对强度。
研究人员写道，机器学习提供了一种有希望的途径，用于分析具有多个变量的大型数据集，并识别通过常规统计方法不明显的模式。”
该团队测试了各种机器学习算法，以查看哪种最能权衡各种因素，以预测侧翼测试中准确响应的速度。研究人员使用多种方法来验证那些表现最好的方法，测试了每种算法的预测能力。
他们发现，年龄是测试中表现最有影响力的预测指标，其次是舒张压，BMI和收缩压。与血压或BMI相比，遵守健康饮食指数对认知性能的预测较少，但与测试中的性能更好。
``体育活动成为反应时间的中等预测指标，结果表明它可能与其他生活方式因素（例如饮食和体重）相互作用，以影响认知表现。”
他说，这项研究揭示了机器学习如何为营养神经科学领域带来精度和细微差别。
`通过超越传统方法，机器学习可以帮助定制人口老龄化的策略，具有代谢风险的人或试图通过生活方式改变来增强认知功能的人。”
美国的个性化营养计划和国家超级计算应用中心。
可汗是营养学科学系，神经科学计划和伊利诺伊州贝克曼高级科学技术学院的营养师和会员教师。
关于这个AI和大脑健康研究新闻
作者：戴安娜·耶茨（Diana Yates）
来源：伊利诺伊大学
接触：戴安娜·耶茨大学伊利诺伊大学
图像：图像被认为是神经科学新闻
原始研究：开放访问。
使用监督的机器学习通过营养和健康标记来预测认知结果Naiman Khan等人。营养杂志
抽象的
使用监督的机器学习通过营养和健康标记来预测认知结果
背景
机器学习（ML）在健康研究中的使用正在增长，但其用于预测使用多种健康指标的认知结果的应用不足。
目标
我们使用ML模型根据一组健康和行为因素来预测认知绩效，旨在确定认知功能的关键因素，以了解对潜在的个性化干预措施的见解。
方法
374名年龄在82岁（227名女性）的成年人的数据用于开发ML模型，以预测经过改进的Eriksen侧翼任务上的认知性能（反应时间为毫秒）。
特征包括人口统计学，人体测量指标，饮食指数（健康饮食指数，停止高血压的饮食方法，地中海和地中海饮食方法，以阻止高血压干预神经退行性延迟），自我报告的体育活动以及主题和分解血压。将数据集分开（80:20）进行培训和测试。
预测模型（决策树，随机森林，adaboost，Xgboost，梯度提升，线性，山脊和套索回归）用于超参数调谐和交叉验证。特征重要性是使用置换重要性计算的，而使用平均绝对误差（MAE）和平均误差的性能。
结果
随机森林回归剂表现出最佳性能，最低的MAE（训练：0.66 ms；测试：0.78 ms）和平方误差（训练：0.70毫秒：0.70毫秒2;测试：1.05 ms2）。年龄是最重要的特征（得分：0.208），其次是舒张压（0.169），BMI（0.079），收缩压（0.069）和健康饮食指数（0.048）。种族（0.005）和性别（0.003）具有最小的预测作用。
结论
年龄，血压和BMI表现出与认知表现的密切相关性，而饮食质量具有微妙的效果。这些发现凸显了ML模型开发个性化干预措施和预防性下降策略的潜力。