Az elhízás gépi tanulásának áttekintése

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Case Western Reserve University, Cleveland, OH, USA

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Case Western Reserve University, Cleveland, OH, USA

Pennington Biomedical Research Center, Baton Rouge, LA, USA

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Levelezési cím: DM Thomas, Matematikai Tudományok Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY 10996, USA.

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Case Western Reserve University, Cleveland, OH, USA

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Case Western Reserve University, Cleveland, OH, USA

Pennington Biomedical Research Center, Baton Rouge, LA, USA

Matematikatudományi Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY, USA

Levelezési cím: DM Thomas, Matematikai Tudományok Tanszék, Amerikai Egyesült Államok Katonai Akadémia, West Point, NY 10996, USA.

Összegzés

A szenzorokból, okostelefonos alkalmazásokból, elektronikus egészségügyi nyilvántartásokból és biztosítási adatokból származó, az elhízással kapcsolatos adatok gazdag forrásai új betekintést nyújthatnak az elhízás megértéséhez, megelőzéséhez és kezeléséhez. Ilyen nagy adatkészletek esetén a gépi tanulás kifinomult és elegáns eszközöket kínál az elhízással kapcsolatos kockázatok és eredmények leírására, osztályozására és előrejelzésére.

Itt áttekintjük a gépi tanulási módszereket, amelyek megjósolják és/vagy osztályozzák, például a lineáris és logisztikai regressziót, a mesterséges ideghálózatokat, a mély tanulást és a döntési fa elemzését. Áttekintjük azokat az módszereket is, amelyek leírják és jellemzik az adatokat, például a klaszteranalízist, a főkomponens-elemzést, a hálózati tudományt és a topológiai adatok elemzését. Az egyes módszereket magas szintű áttekintéssel mutatjuk be, majd a sikeres alkalmazások példáival. Az algoritmusokat ezután alkalmazták a Nemzeti Egészségügyi és Táplálkozási Vizsgálatban, hogy bemutassák a módszertant, a hasznosságot és az eredményeket. Kiértékeltük az egyes módszerek erősségeit és korlátait is.

A gépi tanulási algoritmusok ezen összefoglalása egyedülálló áttekintést nyújt a kifejezetten az elhízásra alkalmazott adatelemzés állapotáról.

A CrossRef szerint idézett alkalmak száma: 20

Peter Jaeho Cho, Karnika Singh, Jessilyn Dunn, A mesterséges intelligencia szerepei a wellnessben, az egészséges életmódban és az egészséges állapot érzékelésében, a mesterséges intelligencia az orvostudományban, 10.1016/B978-0-12-821259-2.00009-0, (151-172), (2021).

S1. Ábra: Az NHANES hat klaszterének 400 megfigyelésének 3D-s vizualizálása, az életkor, a BMI és a derék kerülete változóra vetítve. Minden szín egy fürtöt képvisel, amely látásból megfigyelhető.

S1. Táblázat: A 2. ábra kiegészítő anyagának létrehozásához használt fantomadatok.

S2. Ábra: Az 1. táblázat Kiegészítő anyag fantomadataiból az oktatási kapcsolatokat ábrázoló vázlatos ábra.

Kérjük, vegye figyelembe: A kiadó nem felelős a szerzők által szolgáltatott bármilyen kiegészítő információ tartalmáért vagy működéséért. Bármilyen kérdést (a hiányzó tartalom kivételével) a cikk megfelelő szerzőjéhez kell irányítani.