論文の概要: Inferring the Spatial Distribution of Physical Activity in Children
Population from Characteristics of the Environment
- arxiv url: http://arxiv.org/abs/2005.03957v1
- Date: Fri, 8 May 2020 11:07:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-20 20:19:00.521666
- Title: Inferring the Spatial Distribution of Physical Activity in Children
Population from Characteristics of the Environment
- Title（参考訳）: 環境特性からみた子どもの身体活動の空間分布の推定
- Authors: Ioannis Sarafis, Christos Diou, Vasileios Papapanagiotou, Leonidas
Alagialoglou, Anastasios Delopoulos
- Abstract要約: 本研究では,地域環境の機能として期待される人口行動をモデル化するための新しい分析手法を提案する。
小地域における身体活動の予測において,本手法を実験的に評価した。
具体的には、ある地域の身体活動レベルを予測するモデルを訓練し、81%のアウトアウト精度を達成した。
- 参考スコア（独自算出の注目度）: 5.16880858963093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Obesity affects a rising percentage of the children and adolescent
population, contributing to decreased quality of life and increased risk for
comorbidities. Although the major causes of obesity are known, the obesogenic
behaviors manifest as a result of complex interactions of the individual with
the living environment. For this reason, addressing childhood obesity remains a
challenging problem for public health authorities. The BigO project
(https://bigoprogram.eu) relies on large-scale behavioral and environmental
data collection to create tools that support policy making and intervention
design. In this work, we propose a novel analysis approach for modeling the
expected population behavior as a function of the local environment. We
experimentally evaluate this approach in predicting the expected physical
activity level in small geographic regions using urban environment
characteristics. Experiments on data collected from 156 children and
adolescents verify the potential of the proposed approach. Specifically, we
train models that predict the physical activity level in a region, achieving
81% leave-one-out accuracy. In addition, we exploit the model predictions to
automatically visualize heatmaps of the expected population behavior in areas
of interest, from which we draw useful insights. Overall, the predictive models
and the automatic heatmaps are promising tools in gaining direct perception for
the spatial distribution of the population's behavior, with potential uses by
public health authorities.
- Abstract（参考訳）: 肥満は、子供と青年人口の増加率に影響し、生活の質が低下し、共生のリスクが高まる。
肥満の主な原因は知られているが、肥満行動は個人の生活環境との複雑な相互作用の結果である。
このため、小児肥満への対処は公衆衛生当局にとって課題となっている。
bigoプロジェクト(https://bigoprogram.eu)は、ポリシー作成と介入設計をサポートするツールを作成するために、大規模な行動および環境データ収集に依存している。
本研究では,地域環境の機能として期待される人口動態をモデル化する新しい分析手法を提案する。
都市環境特性を用いた小地域における身体活動量の予測手法を実験的に評価した。
156人の子どもと青年から収集したデータを用いた実験により,提案手法の可能性を検証した。
具体的には、ある地域の身体活動レベルを予測するモデルを訓練し、81%のアウトアウト精度を達成する。
さらに,本モデルを用いて,関心領域における予測された人口行動のヒートマップを自動的に可視化し,有用な洞察を得る。
全体として、予測モデルと自動ヒートマップは、市民の行動の空間的分布を直接認識するツールであり、公衆衛生当局が潜在的に利用している。
関連論文リスト
- Countrywide natural experiment reveals impact of built environment on physical activity [55.93314719065985]
より歩行可能な建築環境は、人口全体の活動を増加させる可能性を秘めている。
歩行性の増加は、移動後の身体活動の著しい増加と関連している。
MVPA(Modrate-to-vigorous physical activity)は、様々な健康上の利益と結びついている。
論文 参考訳（メタデータ） (2024-06-07T00:11:17Z) - Impact on Public Health Decision Making by Utilizing Big Data Without
Domain Knowledge [17.73578632982445]
新たなデータソースと人工知能(AI)の手法は、多くの社会的応用における意思決定と関係がある。
この研究は、新しいデータソースを用いた効果的な介入の割り当てを示すためのロバストネスとモデル仕様の重要な問題を示す。
論文 参考訳（メタデータ） (2024-02-08T21:03:34Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - DeepHealthNet: Adolescent Obesity Prediction System Based on a Deep
Learning Framework [27.82565790353953]
小児および青年期の肥満率は、肥満が慢性疾患や長期の健康リスクと関連しているため、世界的な懸念である。
本研究は,肥満関連健康問題の早期発見と予防の重要性を強調した。
肥満率予測のための堅牢なアルゴリズムを開発するためには、身長、体重、腰回り、カロリー摂取量、身体活動量、その他の健康情報などの要因を考慮する必要がある。
論文 参考訳（メタデータ） (2023-08-28T15:40:31Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳（メタデータ） (2022-11-16T20:00:38Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳（メタデータ） (2021-10-19T11:45:01Z) - Exposure Density and Neighborhood Disparities in COVID-19 Infection
Risk: Using Large-scale Geolocation Data to Understand Burdens on Vulnerable
Communities [1.2526963688768453]
本研究では,高空間・時間分解能の近傍活動レベルを定量化する手法を開発した。
本研究では, 露光密度を, 特定地域における局所的な活動量と非居住地および屋外土地利用における活動量の比率の尺度として定義する。
論文 参考訳（メタデータ） (2020-08-04T15:41:24Z) - Collecting big behavioral data for measuring behavior against obesity [4.879286072217533]
個人レベルの行動情報を客観的かつ自動的に抽出・収集するシステムを提案する。
行動情報は、身体活動、訪問場所の種類、それらの間の移動モードに関連している。
このシステムは、若年層の肥満を防ぐことを目的として、EUが出資するBigOプロジェクト(英語版)の文脈で開発され、統合されている。
論文 参考訳（メタデータ） (2020-05-11T08:51:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。