論文の概要: MOFit: A Framework to reduce Obesity using Machine learning and IoT

• arxiv url: http://arxiv.org/abs/2108.08868v1
• Date: Thu, 19 Aug 2021 18:26:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:35:18.649455
• Title: MOFit: A Framework to reduce Obesity using Machine learning and IoT
• Title（参考訳）: mofit: マシンラーニングとiotを使用した肥満を軽減するフレームワーク
• Authors: Satvik Garg and Pradyumn Pundir
• Abstract要約: 都市部における鎮静式生活様式が最盛期を迎えており、早期に肥満を患う人が増えている。 本研究では,肥満度を予測できるモデルをトレーニングするために,機械学習アルゴリズムを用いたフレームワークの提供を目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: From the past few years, due to advancements in technologies, the sedentary living style in urban areas is at its peak. This results in individuals getting a victim of obesity at an early age. There are various health impacts of obesity like Diabetes, Heart disease, Blood pressure problems, and many more. Machine learning from the past few years is showing its implications in all expertise like forecasting, healthcare, medical imaging, sentiment analysis, etc. In this work, we aim to provide a framework that uses machine learning algorithms namely, Random Forest, Decision Tree, XGBoost, Extra Trees, and KNN to train models that would help predict obesity levels (Classification), Bodyweight, and fat percentage levels (Regression) using various parameters. We also applied and compared various hyperparameter optimization (HPO) algorithms such as Genetic algorithm, Random Search, Grid Search, Optuna to further improve the accuracy of the models. The website framework contains various other features like making customizable Diet plans, workout plans, and a dashboard to track the progress. The framework is built using the Python Flask. Furthermore, a weighing scale using the Internet of Things (IoT) is also integrated into the framework to track calories and macronutrients from food intake.
• Abstract（参考訳）: 近年では技術の進歩により、都市部における定住生活様式が最盛期を迎えている。 その結果、早期に肥満の被害者となる。 肥満には糖尿病、心臓病、血圧問題など様々な健康影響がある。 過去数年間の機械学習は、予測、医療、医療画像、感情分析など、あらゆる専門知識にその意味を示している。 本研究では、ランダムフォレスト、決定木、XGBoost、エクストラツリー、KNNといった機械学習アルゴリズムを用いて、肥満度(分類)、体重、脂肪比率(回帰)を様々なパラメータを用いて予測するモデルをトレーニングするフレームワークの提供を目的とする。 また,遺伝的アルゴリズム,ランダム探索,グリッド探索,オプトゥーナなどのハイパーパラメータ最適化(HPO)アルゴリズムを適用して,モデルの精度をさらに向上させた。 Webサイトフレームワークには、カスタマイズ可能なダイエット計画の作成、ワークアウト計画、進捗を追跡するダッシュボードなど、さまざまな機能が含まれている。 フレームワークはPython Flaskを使って構築されている。 さらに、IoT(Internet of Things)を用いた測定尺度もフレームワークに統合され、食物摂取量からカロリーやマクロ栄養素を追跡する。

関連論文リスト

• Scaling Laws and Compute-Optimal Training Beyond Fixed Training Durations [62.132347451049455]
  スケールは強力な機械学習モデルを得る上で重要な要素となっている。 本研究では,コサインのスケジュールに依存するため,スケールとトレーニングの研究は必然的に複雑である,と論じる。 その結果,重量平均化はトレーニングの軌道に沿って,異なるスケールでのトレーニングコストを伴わずに向上することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T17:33:54Z)
• Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
  深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用 我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。 そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:34:44Z)
• Learning to Compose SuperWeights for Neural Parameter Allocation Search [61.078949532440724]
  提案手法は,同じ重み集合を用いて多くのネットワークに対してパラメータを生成することができることを示す。 これにより、効率的なアンサンブルや、いつでも予測できるようなタスクをサポートできます。
  論文  参考訳（メタデータ） (2023-12-03T04:20:02Z)
• MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer Vision [119.29105800342779]
  MedShapeNetは、医療アプリケーションへのデータ駆動ビジョンアルゴリズムの翻訳を容易にするために開発された。 ユニークな特徴として、実際の患者の画像データに基づいて、形状の大部分を直接モデル化する。 私たちのデータは、WebインターフェースとPythonアプリケーションプログラミングインターフェース(API)を介して自由にアクセスでき、差別的、再構成的、変動的なベンチマークに使用できます。
  論文  参考訳（メタデータ） (2023-08-30T16:52:20Z)
• WUDI: A Human Involved Self-Adaptive Framework to Prevent Childhood Obesity in Internet of Things Environment [25.046936884407017]
  IoT環境からのライフログデータを使用することで、幼児の肥満を防止するための自己適応型フレームワークが提案されている。 このフレームワークは、アンサンブルベースの学習モデルを使用して、ライフログデータを用いて肥満を予測する。 提案フレームワークは、小児肥満の医療サービスに応用できる。
  論文  参考訳（メタデータ） (2023-08-30T10:52:00Z)
• 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)
• OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI [0.0]
  多くの非感染性疾患の主要な原因である肥満は、主に私たちの身体の要求よりも多くを食べるために起こります。 各栄養素の正確な量を知るのは難しいのは、栄養素の要求が物理的および疾患の状態によって異なるためである。 我々は,個人が健康に必要な栄養素量を予測するための,機械学習に基づく新しいシステムを提案した。
  論文  参考訳（メタデータ） (2023-08-05T06:02:28Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Machine Learning and Bioinformatics for Diagnosis Analysis of Obesity Spectrum Disorders [0.0]
  肥満患者の数は、摂食生活と不適切な食事が原因で倍増している。 肥満の人は異なる慢性疾患に苦しむため、平均寿命は80歳から75歳に低下した。 本報告では,肥満の原因を特徴付け,予測し,分析するためにMLデータセットを用いた小児・成人の肥満問題に対処する。
  論文  参考訳（メタデータ） (2022-08-05T13:07:27Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。