論文の概要: Precision Physical Activity Prescription via Reinforcement Learning for Functional Actions
- arxiv url: http://arxiv.org/abs/2605.19208v1
- Date: Tue, 19 May 2026 00:17:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.039043
- Title: Precision Physical Activity Prescription via Reinforcement Learning for Functional Actions
- Title（参考訳）: 機能行動のための強化学習による精密身体活動処方
- Authors: Gefei Lin, Rui Miao, Jennifer Sacheck, Xiaoke Zhang,
- Abstract要約: 身体活動(PA)は健康維持と改善に重要な役割を果たしている。
心臓メタボリックリスクに関連するパーソナライズされた最適なPA分布を学習するための新しいオフライン強化学習(RL)アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 1.4434243251536358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical activity (PA) plays an important role in maintaining and improving health. Daily steps have been a key PA measure that is easily accessible with common wearable devices. However, methods are lacking to recommend a personalized optimal distribution of daily steps over a period of time for the best of certain health biomarkers. In this paper, we fill this void based on the data from the All of Us Research Program which includes months of step counts as well as repeated measurements of key health biomarkers. We develop a new offline reinforcement learning (RL) algorithm to learn personalized and optimal PA distributions associated with cardiometabolic risk, where the action is a function representing the daily step distribution over a period of time. Simulation studies demonstrate the advantage of the proposed approach over existing continuous-action RL methods. The learned optimal policy from the All of Us data generally suggests people take more daily steps and also follow a more consistent pattern of PA over time while offering tailored recommendations for subgroups in blood glucose level, body mass index, blood pressure, age, and sex.
- Abstract（参考訳）: 身体活動(PA)は健康維持と改善に重要な役割を果たしている。
日常的なステップは、一般的なウェアラブルデバイスで容易にアクセス可能な、重要なPA指標でした。
しかし、特定の健康バイオマーカーを最大限に活用するためには、日々のステップをパーソナライズするパーソナライズされた最適な分布を一定時間にわたって推奨する手法が欠如している。
本稿では、この空白を、数ヶ月の歩数と重要な健康バイオマーカーの反復測定を含むAll of Us Research Programのデータに基づいて埋める。
心代謝リスクに関連するパーソナライズされた最適なPA分布を学習するための新しいオフライン強化学習(RL)アルゴリズムを開発した。
シミュレーション研究は、既存の連続反応RL法に対する提案手法の利点を実証している。
また、血糖値、体重指数、血圧、年齢、性別などのサブグループに対して、適切な推奨事項を提供する。
関連論文リスト
- CoPeP: Benchmarking Continual Pretraining for Protein Language Models [16.835651059100595]
本稿では,タンパク質言語モデルベンチマークの継続事前学習について紹介する。
我々は31のタンパク質理解タスクにおけるpLM性能を評価するための指標を定義した。
我々は,リプレイ,未学習,可塑性に基づく手法など,連続的な学習文献からいくつかの手法を評価する。
論文 参考訳（メタデータ） (2026-02-27T19:04:32Z) - NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。
多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。
DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
論文 参考訳（メタデータ） (2024-06-16T08:23:21Z) - An Improved Strategy for Blood Glucose Control Using Multi-Step Deep Reinforcement Learning [3.5757761767474876]
血糖コントロール(BG)は、体外インスリン注入によって、個人のBGを健康な範囲に保持する。
最近の研究は、個別化および自動化されたBG制御アプローチの探索に費やされている。
深層強化学習(DRL)は新たなアプローチとしての可能性を示している。
論文 参考訳（メタデータ） (2024-03-12T11:53:00Z) - Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。
本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
論文 参考訳（メタデータ） (2023-06-13T18:02:57Z) - Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。
本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。
ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
論文 参考訳（メタデータ） (2020-12-13T03:41:52Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z)
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。