基于深度学习的年轻成年肥胖识别系统使用智能手机惯性测量
Gou-Sung Degbey1, Eunmin Hwang2, Jinyoung Park3
1Division of Computer Science and Engineering, Sunmoon University, Asan 31460, Republic of Korea.
International journal of environmental research and public health
|September 28, 2024
概括
这项研究引入了使用智能手机传感器的深度学习框架,以从步态模式中识别青少年肥胖症. 混合CNN-LSTM模型实现了97%的准确性,为早期发现肥胖提供了有前途的工具.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 青少年肥胖是一个重要的公共卫生问题,需要创新的检测方法.
- 目前用于肥胖识别的方法可能缺乏可访问性或可扩展性.
- 智能手机技术为广泛的健康监测提供了一个潜在的平台.
研究的目的:
- 开发和评估一个深度学习框架,用智能手机惯性测量来识别青少年肥胖症.
- 为了比较卷积神经网络 (CNN),长期短期记忆 (LSTM) 网络和肥胖识别的混合CNN-LSTM模型的性能.
- 评估使用移动健康应用程序进行基于步态的肥胖查的可行性.
主要方法:
- 通过移动健康应用程序从138名受试者收集智能手机惯性数据 (加速计,陀螺仪,旋转向量).
- 分析了步态模式,以提取表明肥胖的特征.
- 训练并测试了三个深度学习模型:CNN,LSTM和混合CNN-LSTM架构.
- 基于准确区分正常体重和肥胖青少年的模型性能进行评估.
主要成果:
- 混合CNN-LSTM模型在肥胖识别方面表现出最高准确率的97%.
- LSTM模型的准确率达到96.31%,CNN模型的准确率达到95.81%.
- 该框架成功地利用智能手机传感器的步态分析来检测青少年的肥胖.
结论:
- 深度学习模型,特别是混合CNN-LSTM,在使用智能手机步态数据识别青少年肥胖时显示出高效率.
- 基于智能手机的步态分析为肥胖查和早期干预提供了一种可行的非侵入性方法.
- 未来的研究应该专注于扩大模型的通用性到不同的步态模式和临床群体.
