Fugu-MT 論文翻訳(概要): Personalized Weight Loss Management through Wearable Devices and Artificial Intelligence

論文の概要: Personalized Weight Loss Management through Wearable Devices and Artificial Intelligence

arxiv url: http://arxiv.org/abs/2409.08700v1
Date: Fri, 13 Sep 2024 10:39:36 GMT
ステータス: 処理完了
システム内更新日: 2024-09-16 16:58:47.427774
Title: Personalized Weight Loss Management through Wearable Devices and Artificial Intelligence
Title（参考訳）: ウェアラブルデバイスと人工知能による個人化体重管理
Authors: Sergio Romero-Tapiador, Ruben Tolosana, Aythami Morales, Blanca Lacruz-Pleguezuelos, Sofia Bosch Pastor, Laura Judith Marcos-Zambrano, Guadalupe X. Bazán, Gala Freixer, Ruben Vera-Rodriguez, Julian Fierrez, Javier Ortega-Garcia, Isabel Espinosa-Salinas, Enrique Carrillo de Santa Pau,
Abstract要約: 慢性・非免疫性疾患 (NCD) の早期発見は, 初期治療に不可欠である。本研究では,過体重および肥満者の体重減少変化を予測するために,ウェアラブルデバイスと人工知能(AI)の適用について検討する。
参考スコア（独自算出の注目度）: 13.449791191128734
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Early detection of chronic and Non-Communicable Diseases (NCDs) is crucial for effective treatment during the initial stages. This study explores the application of wearable devices and Artificial Intelligence (AI) in order to predict weight loss changes in overweight and obese individuals. Using wearable data from a 1-month trial involving around 100 subjects from the AI4FoodDB database, including biomarkers, vital signs, and behavioral data, we identify key differences between those achieving weight loss (>= 2% of their initial weight) and those who do not. Feature selection techniques and classification algorithms reveal promising results, with the Gradient Boosting classifier achieving 84.44% Area Under the Curve (AUC). The integration of multiple data sources (e.g., vital signs, physical and sleep activity, etc.) enhances performance, suggesting the potential of wearable devices and AI in personalized healthcare.
Abstract（参考訳）: 慢性および非免疫性疾患(NCD)の早期発見は、初期治療において極めて重要である。本研究では,過体重および肥満者の体重減少変化を予測するために,ウェアラブルデバイスと人工知能(AI)の適用について検討する。バイオマーカー,バイタルサイン,行動データを含む,AI4FoodDBデータベースから約100名の被験者を対象とする1ヶ月のトライアルから得られたウェアラブルデータを用いて,体重減少(初期体重の>=2%)を達成した人と,そうでない人の重要な違いを同定する。特徴選択技術と分類アルゴリズムは有望な結果を示し、グラディエントブースティング分類器は84.44%のエリア・アンダー・ザ・カーブ(AUC)を達成した。複数のデータソース(例えば、バイタルサイン、身体的および睡眠活動など)を統合することで、パフォーマンスが向上し、パーソナライズされたヘルスケアにおけるウェアラブルデバイスとAIの可能性が示唆される。

関連論文リスト

From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。今後4年間の健康状態も予測できる。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文参考訳（メタデータ） (2024-04-16T07:42:55Z)
Explainable AI and Machine Learning Towards Human Gait Deterioration Analysis [0.0]
歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。 physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
論文参考訳（メタデータ） (2023-06-12T14:53:00Z)
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)
Machine Learning Performance Analysis to Predict Stroke Based on Imbalanced Medical Dataset [0.0]
脳卒中は、世界で2番目に重大な死因であり、ここ数年で主要な公衆衛生上の問題となっている。医療データセットは、しばしばクラスラベルで不均衡であり、少数クラスの予測が不十分な傾向にある。本稿では,脳卒中リスク要因について検討する。不均衡脳卒中データセットにおけるマイノリティクラスの分類を改善するために, 4つの特徴的アプローチを適用した。
論文参考訳（メタデータ） (2022-11-14T17:36:46Z)
Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。実世界の医療データセットにおけるモデルの性能向上を実証する。
論文参考訳（メタデータ） (2022-07-23T00:39:53Z)
Classification of Stress via Ambulatory ECG and GSR Data [0.0]
本研究は, 自己申告されたストレスアノテーションを用いた実験室で記録された生理的データを用いて, ストレスを検出するためのいくつかのアプローチを実験的に評価する。最適応力検出法は90.77%の分類精度、91.24 F1-サブミッション、90.42感度、91.08特異性を達成する。
論文参考訳（メタデータ） (2022-07-19T15:57:14Z)
Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns [1.0705399532413615]
小児科における重度管理プログラムは,肥満と重度肥満の小児の標準治療であると考えられる。高い落差率(トリクションと呼ばれる)は、介入を成功させる上で大きなハードルとなる。 a) 体重管理プログラムに参加した後, 子どもの身体質量指数(BMI)のパーセンタイルの変化を予測するための機械学習モデルを提案する。
論文参考訳（メタデータ） (2022-02-03T18:41:36Z)
Identifying Stroke Indicators Using Rough Sets [0.7340017786387767]
そこで本研究では,脳卒中検出における各種EMHレコードの重要性をランキングする手法を提案する。年齢, 平均血糖値, 心疾患, 高血圧が脳卒中検出の最も重要な要因であった。
論文参考訳（メタデータ） (2021-10-19T06:04:48Z)
Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
論文参考訳（メタデータ） (2021-10-12T16:25:50Z)
Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。