基于循环神经网络的利用活动数据的肥胖状态预测
机器学习
2018-09-24 v1 机器学习
摘要
肥胖是全球范围内一个严重的公共卫生问题，它增加了包括高血压、中风和2型糖尿病在内的许多疾病的风险。为应对该问题，健康生态系统中的研究人员正在收集包括生物医学、行为和活动在内的多种类型数据，并利用机器学习技术挖掘隐藏模式以预测肥胖状态改善情况。尽管现有的机器学习方法如循环神经网络（RNNs）能提供卓越的结果，但由于观测时间实例的不规则性，发现序列数据中的隐藏模式具有挑战性。同时，缺乏对那些学习模型为何有效的理解也限制了对其架构的进一步改进。因此，在这项工作中，我们开发了一种基于RNN的时间感知架构，以解决处理纵向患者记录中不规则观测时间及相关特征提取用于肥胖状态改善预测的难题。为提升预测性能，我们使用两个数据源训练模型：（i）包含实验室检查、诊断和人口统计学信息的电子病历；（ii）从流行可穿戴设备收集的连续活动数据。对真实世界数据的评估表明，我们提出的方法能够捕捉用户具有不规则性的时间序列中的底层结构，并在预测肥胖状态改善方面达到77-86%的准确率。
引用
@article{arxiv.1809.07828,
title = {Recurrent Neural Networks based Obesity Status Prediction Using Activity Data},
author = {Qinghan Xue and Xiaoran Wang and Samuel Meehan and Jilong Kuang and Alex Gao and Mooi Choo Chuah},
journal= {arXiv preprint arXiv:1809.07828},
year = {2018}
}
备注
8 pages, 6 figures, ICMLA 2018 conference