AI揭示了使人们致力于运动的原因 - 神经科学新闻

概括：一项新的研究使用机器学习来识别体育锻炼依从性的关键预测指标，分析来自近12,000名个人的数据。研究发现，坐着，性别和教育水平花费的时间是某人是否符合每周锻炼指南的最有力指标。

通过有关生活方式，人口和健康调查数据的培训模型，研究人员可以比传统方法更灵活地预测运动习惯。这些见解可以为更有效的健身建议和针对个人需求量身定制的公共卫生策略提供信息。

关键事实：

• 顶级预测因素：久坐的时间，性别和教育水平是遵守运动的最一致的预测指标。
• 研究范围：研究人员在一项国家健康调查中使用了来自11,683名参与者的数据的机器学习。
• 潜在影响：调查结果可以改善个性化的锻炼计划并为健康政策提供信息。

来源：密西西比大学

坚持锻炼程序是许多人面临的挑战。但是，密西西比大学的一支研究团队正在使用机器学习来揭示使个人致力于锻炼的因素。

团队“体育博士学位的学生seungbak Lee和Ju-pil Choe”以及卫生，运动科学和娱乐管理部运动分析学教授Minsoo Kang希望能够根据其身体测量，人口统计学，生活方式和生活方式来预测一个人是否正在遵守体育活动指南。

他们检查了大约30,000次调查的数据。为了快速浏览如此庞大的数据集，它们转向机器学习，这是一种使用计算机来识别模式并根据信息做出预测的方式。

该组的结果，发表在《自然投资组合杂志》上科学报告康说，是及时的

他说，遵守指南的遵守是公共卫生的关注，因为它与疾病预防和整体健康模式有关。”

我们想使用高级数据分析技术（例如机器学习）来预测这种行为。

美国卫生与公共服务部的一部分，疾病预防与健康促进办公室表明，成年人应至少进行150分钟的适度运动，或者每周进行75分钟的剧烈运动，这是健康生活方式的一部分。

研究表明，美国人平均每周仅花费两个小时进行体育活动 - 疾病控制和预防中心建议的四个小时的一半。

Lee，Choe和Kang使用了《国家健康与营养考试调查》中的公共数据，这是一项由政府赞助的调查，涉及2009-18。

该研究的主要作者Choe说，我们旨在使用机器学习来预测人们是否遵循基于问卷数据的身体活动指南，并找到最佳的变量组合以进行准确的预测。”

人们考虑了人口统计学变量，例如性别，年龄，种族，教育地位，婚姻状况和收入以及人体测量指标，例如BMI和腰围。

他说，研究人员还考虑了生活方式因素，包括饮酒，吸烟，就业，睡眠方式和久坐行为，以了解其对人体育锻炼的影响。

结果表明，三个关键因素 - 某人坐着的时间，性别和教育水平的时间始终如一地在所有预测运动习惯的最佳模型中始终如一地表现出来，即使每个模型都确定了不同的变量很重要。

``根据崔的说法，这些因素对于了解谁更有可能保持活跃和社会联系尤为重要，它们可以帮助指导未来的健康建议。

我期望性别，BMI，种族或年龄等因素对我们的预测模型很重要，但我对教育地位的重要性感到惊讶。”虽然性别，BMI和年龄等因素对身体更为天生，但教育地位是外部因素。”

在分析过程中，研究人员将数据排除在某些疾病和反应的人中，缺少身体活动数据。这将相关数据收到11,683名参与者。

研究人员说，机器学习为他们提供了更多研究数据的自由。较旧的方法期望事情遵循直线模式，当某些信息太相似时，它们的效果就不会很好。

机器学习没有这些限制，因此可以找到具有更大灵活性的模式。

Choe说：“我们研究的一个局限性是使用主观测量的体育活动数据，参与者回想起他们的活动。”

人们在使用问卷时倾向于高估自己的体育锻炼，因此更准确，客观的数据将提高研究的可靠性。

因此，研究人员说，他们可以使用类似的方法在这一领域进行研究，但探索包括饮食补充剂使用，使用更多机器学习算法或依靠客观数据而不是自我报告的信息的不同因素。

这可以帮助培训师和健身顾问生产锻炼方案，人们实际上可以坚持使用这些锻炼方案。

关于这个AI和锻炼研究新闻

作者：克拉拉转折
来源：密西西比大学
接触：Clara Turnage - 密西西比大学
图像：图像被认为是神经科学新闻

原始研究：开放访问。
用于预测遵守体育活动指南的机器学习建模Seungbak Lee等人。科学报告

抽象的

用于预测遵守体育活动指南的机器学习建模

这项研究旨在通过使用ML来创建PA指南的预测模型，并检查影响遵守PA指南的关键决定因素。分析了国家健康和营养检查调查中的11,638个条目。

变量分为人口统计学，人体测量和生活方式类别。通过6毫升算法创建了18个预测模型，并通过曲线（AUC）下的精度，F1分数和面积进行评估。

此外，我们采用了置换特征重要性（PFI）来评估每个模型中的可变意义。

使用所有变量的决策树是PA指南预测中最有效的方法（准确性= 0.705，F1分数= 0.819和AUC = 0.542）。

基于PFI，久坐行为，年龄，性别和教育地位是最重要的变量。

这些结果突出了在PA研究中使用ML使用数据驱动方法的可能性。

我们的分析还确定了关键变量，为有针对性的干预措施提供了宝贵的见解，旨在增强个人遵守PA指南。