Aug, 2023

DeepHealthNet: 基于深度学习框架的青少年肥胖预测系统

PDF
TL;DR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。
发现论文，激发创造
  • 利用电子病历数据预测肥胖：一种带可解释元素的深度学习方法

    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

  • 基于循环神经网络的运动数据预测肥胖状况

    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

  • 使用机器学习和物联网技术减少肥胖的框架 ——MOFit

    研究使用一系列机器学习算法及各种参数进行分类和回归来预测肥胖级别，体重和脂肪含量，并应用遗传算法、随机查找、网格搜索和 Optuna 等多种超参数优化算法来提高模型准确度。

    Aug, 2021

  • DeepFood: 基于深度学习的食品图像识别用于计算机辅助膳食评估

    本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

    Jun, 2016

  • 肥胖管理的可解释饮食推荐系统：基于机器学习和可解释人工智能

    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

  • 基于人口普查调查和普遍生活问题的青少年抑郁风险预测探索

    通过使用青少年调查数据来预测抑郁风险，本研究提出了一种处理不平衡医学数据的方法和适应性预测方法，并提出了基于云的在线学习和数据更新的架构解决方案。

    Jan, 2024

  • 利用计算机视觉推断社交媒体上的身体质量指数

    本文介绍利用计算机视觉技术从社交媒体图片中推测人体质量指数（BMI）的方法，希望这一工具能够推动与体重相关的社会方面的研究。

    Mar, 2017

  • 预测一个积极健康老龄化应用程序的早期退出

    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

  • 预测肥胖手术后 5 年体重变化轨迹的可解释机器学习计算器的开发和验证：一项多国回顾性队列研究

    通过机器学习开发了一个应用于三种常见肥胖手术前预测个人 5 年体重减轻轨迹的国际验证模型。

    Aug, 2023

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018