共计 976 个字符，预计需要花费 3 分钟才能阅读完成。
伊利诺伊大学厄巴纳 - 香槟分校的研究团队近日在《营养学杂志》上发表了一项突破性研究，通过机器学习技术深入探讨了与健康大脑功能密切相关的多种健康和生活方式指标，包括饮食、身体活动和体重等。这项研究揭示了哪些变量最能预测一个人在不分心的情况下快速完成任务的能力。
研究团队利用从 374 名 19 至 82 岁成年人中收集的数据，构建了一个复杂的机器学习模型。数据涵盖了参与者的人口统计信息、体重指数、血压、身体活动水平、饮食习惯以及在侧翼任务测试中的表现。侧翼任务测试要求参与者专注于中心对象，而不被侧翼信息分散注意力，是评估注意力和抑制控制认知功能的成熟测量方法。
- 
- 
- 
- 
- 
- 
研究结果显示，年龄、血压和体重指数是成功完成侧翼任务测试的最强预测因素。此外，饮食和运动在测试表现中也发挥了较小但相关的作用，有时甚至能够抵消高体重指数或其他潜在有害因素的不良影响。
伊利诺伊大学健康与运动机能学教授 Naiman Khan 表示：“这项研究使用机器学习同时评估了大量变量，以帮助识别与认知表现最密切相关的那些变量。标准的统计方法无法一次性处理这种复杂性。”
Khan 教授进一步指出，先前的研究已经发现，多个因素与终身保持认知功能有关。例如，坚持健康饮食指数（一种衡量饮食质量的指标）与老年人的执行功能和处理速度优越相关。富含抗氧化剂、Omega- 3 脂肪酸和维生素的饮食也被发现与更好的认知功能相关。
研究团队还测试了各种机器学习算法，以确定哪种算法最能权衡各种因素来预测侧翼测试中准确反应的速度。他们发现，年龄是测试表现的最强预测因素，其次是舒张压、体重指数和收缩压。虽然坚持健康饮食指数对认知表现的预测能力不如血压或体重指数，但也与测试中更好的表现相关。
“身体活动作为反应时间的中等预测因素出现，结果表明它可能与其他生活方式因素，如饮食和体重，相互作用以影响认知表现，”Khan 说。
这项研究不仅揭示了机器学习在营养神经科学领域的潜力，还为老年人群、具有代谢风险的个体或那些希望通过生活方式改变增强认知功能的人提供了量身定制的策略。
伊利诺伊大学的个性化营养倡议和国家超级计算应用中心支持了这项研究。Khan 教授是伊利诺伊大学营养科学系、神经科学项目和贝克曼高级科学与技术研究所的附属教员。
通过这项研究，机器学习技术在认知健康领域的应用展现了其独特的优势，为未来的研究和个性化健康策略提供了新的方向。
