शोधकर्ता व्यायाम पालन की भविष्यवाणी करने के लिए मशीन सीखने का उपयोग करते हैं

टीम-सेउंगबक ली और जू-पिल चोए, शारीरिक शिक्षा में डॉक्टरेट छात्रों, और मिनसो कांग, स्वास्थ्य विभाग, व्यायाम विज्ञान और मनोरंजन प्रबंधन में खेल विश्लेषिकी के प्रोफेसर-यह अनुमान लगाने की उम्मीद है कि क्या कोई व्यक्ति अपने शरीर के माप, जनसांख्यिकी और जीवन शैली के आधार पर शारीरिक गतिविधि दिशानिर्देशों को पूरा कर रहा है।

उन्होंने लगभग 30,000 सर्वेक्षणों से डेटा की जांच की है। इतने बड़े डेटा सेट के माध्यम से जल्दी से सॉर्ट करने के लिए, उन्होंने मशीन लर्निंग की ओर रुख किया है, पैटर्न की पहचान करने और सूचना के आधार पर भविष्यवाणियों को बनाने के लिए कंप्यूटर का उपयोग करने का एक तरीका है।

द नेचर पोर्टफोलियो जर्नल में प्रकाशित समूह के परिणाम वैज्ञानिक रिपोर्ट समय पर हैं, कांग ने कहा

उन्होंने कहा, “दिशानिर्देशों का शारीरिक गतिविधि एक सार्वजनिक स्वास्थ्य चिंता है क्योंकि रोग की रोकथाम और समग्र स्वास्थ्य पैटर्न के संबंध के संबंध में,” उन्होंने कहा। “हम इस व्यवहार की भविष्यवाणी करने के लिए मशीन लर्निंग की तरह उन्नत डेटा विश्लेषणात्मक तकनीकों का उपयोग करना चाहते थे।”

यूएस डिपार्टमेंट ऑफ हेल्थ एंड ह्यूमन सर्विसेज का हिस्सा, रोग की रोकथाम और स्वास्थ्य संवर्धन, यह सुझाव देता है कि वयस्कों को कम से कम 150 मिनट के मध्यम व्यायाम, या 75 मिनट के जोरदार व्यायाम, प्रत्येक सप्ताह एक स्वस्थ जीवन शैली के हिस्से के रूप में लक्ष्य करना चाहिए।

अनुसंधान से पता चलता है कि औसत अमेरिकी शारीरिक गतिविधि पर प्रति सप्ताह सिर्फ दो घंटे खर्च करता है – रोग नियंत्रण और रोकथाम केंद्र द्वारा अनुशंसित चार घंटे का आधा।

ली, चो और कांग ने 2009-18 को कवर करते हुए, एक सरकार द्वारा प्रायोजित सर्वेक्षण, राष्ट्रीय स्वास्थ्य और पोषण परीक्षा सर्वेक्षण से सार्वजनिक डेटा का उपयोग किया।

अध्ययन के प्रमुख लेखक चोए ने कहा, “हमने मशीन लर्निंग का उपयोग करने का लक्ष्य रखा है कि क्या लोग प्रश्नावली डेटा के आधार पर शारीरिक गतिविधि दिशानिर्देशों का पालन करते हैं, और सटीक भविष्यवाणियों के लिए चर का सबसे अच्छा संयोजन पाते हैं।” “लिंग, आयु, नस्ल, शैक्षिक स्थिति, वैवाहिक स्थिति और आय जैसे जनसांख्यिकीय चर, बीएमआई और कमर परिधि जैसे मानवशास्त्रीय उपायों के साथ, माना जाता था।”

शोधकर्ताओं ने भी जीवनशैली कारकों पर विचार किया, जिसमें शराब की खपत, धूम्रपान, रोजगार, नींद के पैटर्न और किसी व्यक्ति की शारीरिक गतिविधि पर उनके प्रभाव को समझने के लिए गतिहीन व्यवहार शामिल हैं, उन्होंने कहा।

परिणामों से पता चला कि तीन प्रमुख कारक-कोई व्यक्ति बैठने, उनके लिंग और उनके शिक्षा स्तर में कितना समय बिताता है-सभी शीर्ष प्रदर्शन करने वाले मॉडल में लगातार दिखाया गया है जो व्यायाम की आदतों की भविष्यवाणी करते हैं, भले ही प्रत्येक मॉडल ने विभिन्न चर को महत्वपूर्ण माना।

चो के अनुसार, ये कारक यह समझने के लिए विशेष रूप से महत्वपूर्ण हैं कि सक्रिय और सामाजिक रूप से जुड़े रहने की अधिक संभावना है, और वे भविष्य की स्वास्थ्य सिफारिशों को निर्देशित करने में मदद कर सकते हैं।

“मुझे उम्मीद थी कि लिंग, बीएमआई, नस्ल या उम्र जैसे कारक हमारे भविष्यवाणी मॉडल के लिए महत्वपूर्ण होंगे, लेकिन मुझे आश्चर्य हुआ कि शैक्षिक स्थिति कितनी महत्वपूर्ण थी,” उन्होंने कहा। “जबकि लिंग, बीएमआई और उम्र जैसे कारक शरीर के लिए अधिक सहज हैं, शैक्षिक स्थिति एक बाहरी कारक है।”

विश्लेषण के दौरान, शोधकर्ताओं ने कुछ बीमारियों और प्रतिक्रियाओं वाले लोगों से डेटा को बाहर रखा, जो शारीरिक गतिविधि डेटा को याद कर रहे थे। इसने प्रासंगिक डेटा को 11,683 प्रतिभागियों को दिया।

शोधकर्ताओं का कहना है कि मशीन लर्निंग उन्हें डेटा का अध्ययन करने के लिए अधिक स्वतंत्रता देती है। पुराने तरीके चीजों को एक सीधी-रेखा पैटर्न का पालन करने की उम्मीद करते हैं, और वे अच्छी तरह से काम नहीं करते हैं जब जानकारी के कुछ टुकड़े बहुत समान होते हैं।

मशीन लर्निंग में वे सीमाएं नहीं हैं, इसलिए यह अधिक लचीलेपन के साथ पैटर्न पा सकता है।

“हमारे अध्ययन की एक सीमा विषयगत रूप से मापा शारीरिक गतिविधि डेटा का उपयोग कर रही थी, जहां प्रतिभागियों ने स्मृति से अपनी गतिविधि को याद किया,” चो ने कहा। “लोग प्रश्नावली का उपयोग करते समय अपनी शारीरिक गतिविधि को कम कर देते हैं, इसलिए अधिक सटीक, उद्देश्य डेटा अध्ययन की विश्वसनीयता में सुधार करेगा।”

इस वजह से, शोधकर्ताओं का कहना है कि वे इस क्षेत्र में भविष्य के अनुसंधान के लिए एक समान विधि का उपयोग कर सकते हैं, लेकिन विभिन्न कारकों का पता लगा सकते हैं, जिसमें आहार की खुराक का उपयोग शामिल है, अधिक मशीन लर्निंग एल्गोरिदम का उपयोग करना या स्व-रिपोर्ट की गई जानकारी के बजाय उद्देश्य डेटा पर भरोसा करना।

यह प्रशिक्षकों और फिटनेस सलाहकारों को वर्कआउट रेजिमेंस का उत्पादन करने में मदद कर सकता है जो लोग वास्तव में लंबी दौड़ के लिए साथ रह सकते हैं।