通过机器学习算法，我们提出了一种新颖的系统 OBESEYE，可以根据个人的体质和疾病情况预测其所需的营养物质的摄入量，从而提供健康饮食建议，推动减肥。

Aug, 2023

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

该研究强调了早期识别和预防与肥胖相关的健康问题的重要性。通过收集来自 321 名青少年的健康数据集，我们提出了一个青少年肥胖预测系统，能够提供个性化预测，并帮助个人作出明智的健康决策。我们的提出的深度学习框架 DeepHealthNet 通过数据增强技术有效地训练模型，即使每日健康数据有限，也能提高预测准确性（准确度：0.8842）。此外，研究揭示了男孩（准确度：0.9320）和女孩（准确度：0.9163）之间肥胖率预测的差异，从而允许确定提供反馈的最佳时间。该提议的系统显示出有效解决儿童和青少年肥胖的显著潜力。

Aug, 2023

该论文提出了一种基于智能健康护理系统的、用于预测 2 型糖尿病的机器学习模型 HealthEdge，并使用真实数据集进行了两种机器学习算法（随机森林和逻辑回归）之间的比较分析，结果表明 RF 预测糖尿病的准确率比 LR 平均高 6％。

Jan, 2023

本文描述了一种基于深度学习的预测儿童肥胖症的模型，使用了大型未经修正的电子健康记录数据集，采用长短时记忆网络 (LSTM) 架构，并通过注意层来增加模型的可解释性，预测儿童肥胖症的时间段是从 2 岁到 20 岁，相比其他忽略了时间性的机器学习方法，模型的表现更好。

Dec, 2019

提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

Nov, 2022

该研究提出了一种创新、可扩展且稳健的智能营养不良监测系统，通过对个体的全身图像进行多模态学习，在重建精确度极高的三维点云的基础上，通过 512 维特征嵌入和可学习参数的应用，精确估计身高和体重，并计算基础代谢率、体脂百分比和体质指数以进行全面的健康分析，从而为个体提供个性化的营养计划。

Jul, 2023

该研究旨在利用物联网与区块链技术，自动检测低血糖并进行自动注射糖来拯救患者生命。在使用 Random Forest 算法判断低血糖事件时，系统将通过手机应用程序和自动注射装置发送通知，提高患者生存率。

Jul, 2022

利用 RNN 算法和可穿戴设备数据，我们开发了一种时序数据分析模型，其可针对记录不规则的病人健康数据进行模式挖掘，以预测和改善肥胖症状态，并在真实数据的评估中取得了 77-86% 的预测准确率。

Sep, 2018

我们提出了一种机器学习方法来预测活跃健康老龄化应用程序的早期退出，并通过处理给定的数据库、生成七个数据集并使用预处理技术构建分类模型来预测用户的依从性，提交 11 次正式运行并展示机器学习算法能够提供高质量的依从性预测。

Aug, 2023