运动期间白细胞计数的预测:独立和混合智能算法之间的比较

科学领域:

• 运动免疫学 运动免疫学
• 计算生物学 计算生物学
• 生物统计学 生物统计学

背景情况:

• 运动显著影响免疫反应和疾病易感性.
• 在运动期间准确预测白细胞 (WBC) 对于优化训练和预防免疫抑制至关重要.
• 现有的预测运动期间白血细胞的方法可能缺乏效率或易用性.

研究的目的:

• 开发一种易于使用和高效的机器学习工具,用于预测运动期间白细胞 (WBC) 计数.
• 为了评估各种独立和混合机器学习模型对WBCs计算的预测性能.
• 为了确定影响运动期间白细胞计数的关键因素.

主要方法:

• 评估了12个机器学习模型:六个独立模型 (M5P,RF,AMT,REPT,LWL,SVR) 和六个混合模型 (基于背包).
• 利用了200个人的数据库,WBC被计算为输出和七个输入参数 (运动强度/持续时间,运动前WBC,年龄,身体脂肪,有氧能力,肌肉质量).
• 通过使用标准统计指标,将模型预测与观察到的运动后WBC计数进行比较.

主要成果:

• 混合包装M5 prime (BA-M5P) 模型在预测白血细胞,包括淋巴细胞,中性粒细胞和单细胞方面表现出最高的准确性.
• 确定了白血细胞计数的关键预测因素,即运动前的白血细胞计数,运动强度和持续时间,以及身体脂肪百分比.
• 开发的BA-M5P模型显示了强大的潜力,可以预测运动诱导的白细胞变化.

结论:

• BA-M5P模型提供了一种可靠和有效的工具,用于预测运动期间的白细胞计数,从而推进运动免疫学.
• 了解关键预测因素可以为个性化训练策略提供信息,以保持免疫健康.
• 这项研究支持制定与运动和免疫相关的基于证据的公共卫生指南.