使用机器学习揭示社区老年人体育活动行为的数字现象
Anas Abdulghani1, Kim Daniels2,3, Bruno Bonnechère1,2,3
1Technology-Supported and Data-Driven Rehabiltitation, Data Sciences Institute, Hasselt University, 3590 Diepenbeek, Belgium.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
机器学习准确地预测了老年人的体力活动 (PA). 自我有效性和抑郁症得分是关键的横截面预测指标,而过去的步骤数据最能纵向预测未来的PA.
科学领域:
- 老年学是一门学科.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 身体活动 (PA) 对老年人的健康和福祉至关重要.
- 预测和理解社区老年人的PA模式对于有针对性的干预措施至关重要.
研究的目的:
- 应用机器学习 (ML) 来预测老年人的PA模式.
- 使用横截面和纵向数据识别影响PA行为的关键因素.
主要方法:
- 横截面分析使用了线性回归,物流回归,弹性网和光梯度增强机 (LightGBM).
- 纵向分析使用了14天的数据上的LightGBM,Gated Recurrent Unit (GRU) 和长短期记忆 (LSTM).
- 使用了可穿戴传感器数据 (步数) 和验证的问卷 (ESES,GDS,IPAQ).
主要成果:
- 横截面分析确定了运动自效量表 (ESES) 和老年抑郁量表 (GDS) 作为显著的预测因素.
- 纵向分析显示,七天的步数序列产生了最佳的每日PA预测.
- 轻GBM和LSTM模型表现出强大的预测能力.
结论:
- 将可穿戴传感器数据与ML/深度学习相结合,为老年人的PA提供了有价值的见解.
- 心理因素 (自我效能) 和过去的活动数据对于预测未来的身体活动水平至关重要.
