論文の概要: OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI

• arxiv url: http://arxiv.org/abs/2308.02796v1
• Date: Sat, 5 Aug 2023 06:02:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 18:38:14.755671
• Title: OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI
• Title（参考訳）: OBESEYE: 機械学習と説明可能なAIを用いた肥満管理のための解釈可能なダイエットレコメンダ
• Authors: Mrinmoy Roy, Srabonti Das, Anica Tasnim Protity
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obesity, the leading cause of many non-communicable diseases, occurs mainly for eating more than our body requirements and lack of proper activity. So, being healthy requires heathy diet plans, especially for patients with comorbidities. But it is difficult to figure out the exact quantity of each nutrient because nutrients requirement varies based on physical and disease conditions. In our study we proposed a novel machine learning based system to predict the amount of nutrients one individual requires for being healthy. We applied different machine learning algorithms: linear regression, support vector machine (SVM), decision tree, random forest, XGBoost, LightGBM on fluid and 3 other major micronutrients: carbohydrate, protein, fat consumption prediction. We achieved high accuracy with low root mean square error (RMSE) by using linear regression in fluid prediction, random forest in carbohydrate prediction and LightGBM in protein and fat prediction. We believe our diet recommender system, OBESEYE, is the only of its kind which recommends diet with the consideration of comorbidities and physical conditions and promote encouragement to get rid of obesity.
• Abstract（参考訳）: 多くの非感染性疾患の主要な原因である肥満は、主に身体の要求以上の摂食と適切な活動の欠如のために起こる。 したがって、健康であるためには、特に共生の患者にとって、温かい食事計画が必要となる。 しかし、栄養素の要求は物理的および疾患の状態によって異なるため、栄養素の正確な量の把握は困難である。 本研究では,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する。 我々は, 線形回帰, サポートベクターマシン (SVM), 決定木, ランダムフォレスト, XGBoost, LightGBM, その他の3種類の微量栄養素, 炭水化物, タンパク質, 脂肪消費予測などの機械学習アルゴリズムを適用した。 流体予測における線形回帰,炭水化物予測におけるランダムフォレスト,タンパク質および脂肪予測におけるLightGBMを用いて,低根平均二乗誤差(RMSE)を高い精度で達成した。 我々は,我々のダイエットレコメンデーターシステムであるOBESEYEが,コンコビデンスや体調を考慮してダイエットを推奨し,肥満の解消を促進する唯一の方法であると考えている。

関連論文リスト

• MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
  Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。 我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
  論文  参考訳（メタデータ） (2024-12-12T01:02:09Z)
• NutriBench: A Dataset for Evaluating Large Language Models on Nutrition Estimation from Meal Descriptions [6.223619389512576]
  NutriBenchは、初めて公開された自然言語による食事記述栄養ベンチマークである。 世界の食事摂取データから生成された11,857件の食事記述から成っている。 データは人間によって検証され、炭水化物、タンパク質、脂肪、カロリーを含むマクロ栄養ラベルで注釈付けされている。
  論文  参考訳（メタデータ） (2024-07-04T15:10:51Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  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)
• 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)
• 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)
• 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)
• MOFit: A Framework to reduce Obesity using Machine learning and IoT [0.0]
  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。
  論文  参考訳（メタデータ） (2021-08-19T18:26:51Z)
• 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)

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。