論文の概要: MATURE-HEALTH: HEALTH Recommender System for MAndatory FeaTURE choices
- arxiv url: http://arxiv.org/abs/2304.09099v2
- Date: Thu, 20 Apr 2023 19:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 17:15:37.271209
- Title: MATURE-HEALTH: HEALTH Recommender System for MAndatory FeaTURE choices
- Title(参考訳): Mature-Health:MAndatory Feature choiceのためのHealth Recommender System
- Authors: Ritu Shandilya, Sugam Sharma, Johnny Wong
- Abstract要約: MATURE Healthは、血液中の必須電解質やその他の物質の不均衡を予測する機械学習モデルを実装する、新しい健康勧告システムである。
提案モデルでは、電解質の不均衡を予測するために、最近の実験結果と毎日の食品摂取量を考慮に入れている。
- 参考スコア(独自算出の注目度): 0.4793901438965438
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Balancing electrolytes is utmost important and essential for appropriate
functioning of organs in human body as electrolytes imbalance can be an
indication of the development of underlying pathophysiology. Efficient
monitoring of electrolytes imbalance not only can increase the chances of early
detection of disease, but also prevents the further deterioration of the health
by strictly following nutrient controlled diet for balancing the electrolytes
post disease detection. In this research, a recommender system MATURE Health is
proposed and implemented, which predicts the imbalance of mandatory
electrolytes and other substances presented in blood and recommends the food
items with the balanced nutrients to avoid occurrence of the electrolytes
imbalance. The proposed model takes user most recent laboratory results and
daily food intake into account to predict the electrolytes imbalance. MATURE
Health relies on MATURE Food algorithm to recommend food items as latter
recommends only those food items that satisfy all mandatory nutrient
requirements while also considering user past food preferences. To validate the
proposed method, particularly sodium, potassium, and BUN levels have been
predicted with prediction algorithm, Random Forest, for dialysis patients using
their laboratory reports history and daily food intake. And, the proposed model
demonstrates 99.53 percent, 96.94 percent and 95.35 percent accuracy for
Sodium, Potassium, and BUN respectively. MATURE Health is a novel health
recommender system that implements machine learning models to predict the
imbalance of mandatory electrolytes and other substances in the blood and
recommends the food items which contain the required amount of the nutrients
that prevent or at least reduce the risk of the electrolytes imbalance.
- Abstract(参考訳): 電解質のバランスは、人体の臓器の適切な機能に必要不可欠であり、電解質の不均衡は根底にある病態の発達の兆候である。
電解質の効率的なモニタリングは、疾患の早期発見の可能性を高めるだけでなく、病気検出後の電解質のバランスをとるために栄養管理食を厳密に追従することで、健康のさらなる悪化を防ぐことができる。
本研究では,血液中の必須電解質および他の物質の不均衡を予測し,バランスの取れた栄養素を有する食品を推奨し,電解質の不均衡を回避し,成熟した健康状態のレコメンダシステムを提案する。
提案モデルでは, 電解質の不均衡を予測するために, 最新の実験結果と, 毎日の食品について検討する。
成熟した健康状態は、食品を推奨する成熟した食品アルゴリズムに依存している。
この方法, 特にナトリウム, カリウム, BUNの濃度を, 実験室報告と毎日の食事摂取量を用いて, 透析患者の予測アルゴリズムであるランダムフォレストを用いて予測した。
そして、提案されたモデルは、それぞれナトリウム、カリウム、BUNの99.53パーセント、96.94パーセント、95.35パーセントの精度を示す。
MATURE Healthは、血液中の必須電解質やその他の物質の不均衡を予測するための機械学習モデルを実装し、電解質の不均衡を予防または少なくとも軽減する栄養素の量を含む食品を推奨する、新しい健康勧告システムである。
関連論文リスト
- NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳(メタデータ) (2023-11-20T11:05:20Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳(メタデータ) (2023-09-14T13:29:41Z) - 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) - Advancing Smart Malnutrition Monitoring: A Multi-Modal Learning Approach
for Vital Health Parameter Estimation [0.0]
本研究は, 画期的な, スケーラブルで, 堅牢な栄養失調モニタリングシステムを提案する。
身長、体重、その他の重要な健康パラメータを推定するために、個人の1つのフルボディ画像を使用する。
本モデルでは, 平均絶対誤差 (MAE) が4.7cm, 5.3kg, 平均誤差 (MAE) は5.3kgと推定される。
論文 参考訳(メタデータ) (2023-07-31T15:08:02Z) - A Food Recommender System in Academic Environments Based on Machine
Learning Models [3.42658286826597]
Decision Tree, k-Nearest Neighbors (kNN), AdaBoost, Baggingなどの機械学習モデルについて, 食品レコメンデーションシステムの分野で検討した。
AdaBoostモデルは73.70%の精度で最高性能である。
論文 参考訳(メタデータ) (2023-06-26T11:43:37Z) - Diffusion Theory as a Scalpel: Detecting and Purifying Poisonous
Dimensions in Pre-trained Language Models Caused by Backdoor or Bias [64.81358555107788]
事前訓練された言語モデル(PLM)は、微調整プロセス中に疑わしい攻撃者が注入したバックドアやバイアスによって有毒である可能性がある。
本研究では, 拡散理論を応用し, 微調整の動的過程を解明し, 潜在的有毒な次元を見つけるための微細浄化法を提案する。
我々の知識を最大限に活用するために、我々は安全・防衛目的の拡散理論によって導かれる力学を初めて研究する。
論文 参考訳(メタデータ) (2023-05-08T08:40:30Z) - NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake
Estimation [65.47310907481042]
高齢者の4人に1人は栄養不良です。
機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。
NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
論文 参考訳(メタデータ) (2023-04-12T05:27:30Z) - Enhancing Food Intake Tracking in Long-Term Care with Automated Food
Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。
本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
論文 参考訳(メタデータ) (2021-12-08T22:25:52Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳(メタデータ) (2021-08-06T05:46:01Z) - A Review of the Vision-based Approaches for Dietary Assessment [4.347952928399708]
肥満などの食生活にまつわる問題は現代社会ではますます懸念されている。
コンピュータによる食品認識は、食事摂取量を評価するための視覚に基づく自動手法を提供する。
論文 参考訳(メタデータ) (2021-06-21T06:30:06Z) - An Artificial Intelligence-Based System to Assess Nutrient Intake for
Hospitalised Patients [4.048427587958764]
入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。
本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
論文 参考訳(メタデータ) (2020-03-18T15:28:51Z)
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。