用生物电阻分析得出的人类指数对肥胖程度进行分类的监督机器学习算法
Rodrigo Yáñez-Sepúlveda1, Aldo Vásquez-Bonilla2, Rodrigo Olivares3
1Faculty Education and Social Sciences, Universidad Andres Bello, Viña del Mar, Chile.
Scientific reports
|August 21, 2025
概括
机器学习使用人体成分数据准确地分类肥胖. 使用脂肪质量指数和BMI的随机森林模型为公共卫生查提供了卓越的性能.
科学领域:
- 生物医学工程
- 数据科学
- 公共卫生
背景情况:
- 准确的肥胖分类对于公共卫生和临床决策至关重要.
- 传统的测量方法,比如体重指数 (BMI), 无法区分脂肪和瘦肉.
- 生物电阻分析 (BIA) 提供了详细的身体组成指标.
研究的目的:
- 评估和比较用于肥胖分类的监督机器学习算法.
- 利用BIA的人类指数进行更好的肥胖评估.
- 确定影响肥胖分类的关键特征.
主要方法:
- 在5372名成年人中使用BIA衍生的人类测量数据进行横截面研究.
- 训练和评估了六种机器学习模型:随机森林,梯度提升,KNN,物流回归,SVM和决策树.
- 使用精度,F1分数,AUC-ROC和SHapley添加式扩展 (SHAP) 评估模型性能.
主要成果:
- 随机森林获得了最高的精度 (84.2%),F1得分 (83.7%) 和AUC-ROC (0.947).
- 脂肪质量指数 (FMI),无脂肪质量指数 (FFMI) 和BMI是最有影响力的预测指标.
- 性行为对预测表现的影响很小.
结论:
- 监督机器学习, 特别是随机森林, 在分类肥胖方面表现出高准确性和可解释性.
- 通过BIA获得的人类测量数据,可以比传统的BMI更好地分类肥胖.
- 这些模型对改善临床和社区环境中的肥胖查具有重大潜力.
