一个成熟感知机器学习框架用于选青少年的营养状况
Hatem Ghouili1, Zouhaier Farhani1, Narimen Yousfi1
1Research Unit: Sports Science, Health and Movement, High Institute of Sport and Physical Education of Kef, University of Jendouba, El Kef 7100, Tunisia.
Nutrients
|February 27, 2026
概括
机器学习模型准确地对青少年的营养状况进行分类,改善了低体重个体的检测. 这种方法适用于学校公共卫生查.
科学领域:
- 公共卫生 公共卫生
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 青少年营养不良,包括营养不良和超重,是一个全球性的健康问题.
- 青少年的营养查是具有挑战性的,因为生物成熟的变化和阶级不平衡,特别是体重不足的个体.
研究的目的:
- 开发和验证青少年营养状况分类的机器学习模型.
- 在模型开发中考虑阶级不平衡和生物成熟.
- 在不同峰值高度速度 (PHV) 阶段评估模型稳定性和预测因素的重要性.
主要方法:
- 一项对4232名突尼斯青少年 (11-18岁) 的横截面研究,使用国际肥胖特别工作组 (IOTF) 的BMI值.
- 对十个人类测量,行为和成熟预测指标的分析.
- 评估六个监督的机器学习算法,分层分割和交叉验证,采用ROSE和成本敏感学习来解决类不平衡.
主要成果:
- 一个成本敏感的随机森林 (RF) 模型显示出卓越的性能 (精度为0.830,宏观F1为0.767,宏观AUC为0.921).
- 该模型在成熟阶段显示出稳定的性能,在PHV前和PHV后的时期有最佳的歧视.
- 体重和腰围是关键预测因素;在PHV后阶段,年龄的重要性在体重不足分类中显著增加.
结论:
- 具有ROSE的成本敏感的射频模型有效地对青少年的营养状况和成熟程度进行分类,提高了体重不足的检测.
- 这种机器学习方法适用于以学校为基础的公共卫生查作为初步评估.
- 这些模型促进了对青少年营养风险的成熟意识的解释.
