数字人体组成评估的进步:神经网络算法预测尾瘦质量的预测

科学领域:

• 生物医学工程 生物医学工程
• 人类测量学 人类测量学.
• 机器学习在健康中的应用

背景情况:

• 现有的人类测量预测方程通常使用有限的数据和传统的回归方法.
• 机器学习 (ML) 为开发具有大,复杂数据集的预测算法提供了优势.
• 准确的身体组成预测对于各种健康和性能应用至关重要.

研究的目的:

• 评估使用神经网络 (NN) 算法来预测DXA测量的尾瘦质量 (ALM) 的可行性.
• 开发和测试一个NN模型,使用来自3D光学扫描仪的广泛的人口和人体数据.

主要方法:

• 在576名参与者的数据集上开发了一个神经网络 (NN) 算法.
• 从3D光学扫描仪中利用了10个人口统计变量 (性别,年龄,种族) 和43个人类测量维度.
• 验证了NN模型的预测准确性与DXA测量的ALM在单独的样本中.

主要成果:

• 预测NN的ALM与DXA测量的ALM有很高的相关性 (R2 = 0.95,p < 0.001).
• 该模型表现出小误差的非显著偏差 (平均绝对误差:1.28 ± 1.04 公斤).
• 证明了NN算法的成功应用到大型,复杂的数字人体测量数据集.

结论:

• 神经网络算法对于使用3D光学扫描仪数据预测尾瘦质量 (ALM) 是有效的.
• 这种ML方法为传统的身体成分分析方法提供了可行的替代方案.
• 突出了NN在研究和临床环境中分析大规模,复杂的人类测量数据的潜力.