PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Abel, L.* ; Richer, R.* ; Burkhardt, F.* ; Kurz, M.* ; Ringgold, V.* ; Schindler-Gmelch, L.* ; Eskofier, B.M. ; Rohleder, N.*

Body movements as biomarkers: Machine Learning-based prediction of HPA axis reactivity to stress.

Psychoneuroendocrinology 179:107528 (2025)
Verlagsversion Forschungsdaten DOI PMC
Open Access Hybrid
Creative Commons Lizenzvertrag
Body movements and posture provide valuable insights into stress responses, yet their relationship with endocrine biomarkers of the stress response remains underexplored. This study investigates whether movement patterns during the Trier Social Stress Test (TSST) and the friendly-TSST (f-TSST) can predict cortisol reactivity. Using motion capturing, movement data from 41 participants were analyzed alongside salivary cortisol responses. Machine learning models achieved a classification accuracy of 65.2 % for distinguishing cortisol responders from non-responders and a regression mean absolute error of 2.94 nmol/l for predicting cortisol increase. Findings suggest that movement dynamics can serve as proxies of endocrine stress responses, contributing to objective, non-invasive stress assessment methods.
Impact Factor
Scopus SNIP
Altmetric
3.600
0.000
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Wissenschaftlicher Artikel
Schlagwörter Cortisol ; Machine Learning ; Movement ; Posture ; Stress ; Tsst; Psychosocial Stress; Salivary Cortisol; Responses; Law; Perception; Expression; Shame; Life
Sprache englisch
Veröffentlichungsjahr 2025
HGF-Berichtsjahr 2025
ISSN (print) / ISBN 0306-4530
e-ISSN 1873-3360
Zeitschrift Psychoneuroendocrinology
Quellenangaben Band: 179, Heft: , Seiten: , Artikelnummer: 107528 Supplement: ,
Verlag Elsevier
Verlagsort The Boulevard, Langford Lane, Kidlington, Oxford Ox5 1gb, England
Begutachtungsstatus Peer reviewed
Institut(e) Institute of AI for Health (AIH)
POF Topic(s) 30205 - Bioengineering and Digital Health
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-540008-001
Förderungen Deutsche Forschungsgemeinschaft (DFG, German Research foundation)
DOI 10.1016/j.psyneuen.2025.107528
WOS ID 001531305400001
Scopus ID 105009325184
PubMed ID 40592116
Erfassungsdatum 2025-07-03
[➜Korrektur melden]