相关实验视频
Updated: May 6, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
机器学习和深度神经视觉特征的应用,用于预测密苏里州成人肥胖患病率
Butros M Dahu1,2, Carlos I Martinez-Villar3, Imad Eddine Toubal3
1Institute for Data Science and Informatics, University of Missouri, Columbia, MO 65211, USA.
International journal of environmental research and public health
|November 27, 2024
概括
这项研究使用卫星图像和深度学习来预测密苏里州人口普查地区的肥胖率. 在图像中可见的环境因素与肥胖患病率有关,有助于公共卫生洞察.
科学领域:
- 环境健康 环境健康
- 地理空间分析是什么
- 机器学习在公共卫生中的应用
背景情况:
- 肥胖患病率仍然是一个重要的公共卫生挑战,具有复杂的决定因素.
- 了解肥胖的空间分布和环境相关性对于有针对性的干预至关重要.
- 卫星图像提供了一个新的数据源,用于在颗粒级别评估环境因素.
研究的目的:
- 为了调查和预测密苏里州人口普查区的肥胖率.
- 探索从卫星图像和肥胖率深度神经视觉特征 (DNVF) 之间的关联.
- 评估深层卷积神经网络 (DCNNs) 在预测公共卫生结果方面的有效性.
主要方法:
- 利用 Sentinel-2 中等分辨率卫星图像对1052个密苏里州的人口普查区域进行调查.
- 使用ResNet-50 DCNN提取深度神经视觉特征 (DNVF).
- 集成DNVF与CDC的肥胖流行率估计 (2022) 用于机器学习模型开发.
主要成果:
- 在人口普查区域内,DNVF和肥胖率之间发现了显著的关联.
- 预测模型在估计和预测肥胖率方面取得了适度的成功.
- 来自卫星的视觉特征显示出潜在的肥胖率的指标.
结论:
- 卫星图像与DCNNs相结合,为公共卫生研究和肥胖预测提供了一个有希望的方法.
- 通过卫星数据可辨认的环境因素是肥胖的重要决定因素.
- 这些发现支持了有针对性的公共卫生干预措施的需要,这些干预措施由地理空间分析和机器学习提供信息.
