用于个性化活动的人工智能和语义本体论健康生活方式建议中的电子辅导：元启发式方法,BMC Medical Informatics and Decision Making

'Decision making'用'decision-making'阐述 #生活技巧# #职场沟通技巧# #商务英语口语#

自动教练 (eCoach) 可以通过人工智能 (AI) 持续监测健康状况并生成个性化建议，帮助人们过上健康的生活方式（例如，减少久坐）。语义本体在知识表示、数据集成和信息检索中发挥着至关重要的作用。本研究提出了一种语义本体模型来注释人工智能预测、预测结果和个人偏好，以混合方法概念化个性化推荐生成模型。本研究考虑了一种混合活动投影方法，该方法从单变量时间序列预测和集合多类分类方法中获取个体活动见解。我们引入了一种通过残差最小化（REM）技术来改进预测结果的方法，并通过基于朴素的区间预测方法使其在推荐呈现中有意义。我们将活动预测结果集成到语义解释的本体中。 SPARQL 查询协议和 RDF 查询语言 (SPARQL) 以易于理解的格式生成个性化推荐。此外，我们还根据不平衡和平衡的公共 PMData 和私有 MOX2-5 活动数据集的标准指标评估了时间序列预测和分类模型的性能。我们使用自适应合成 (ADASYN) 从少数类别生成合成数据以避免偏差。活动数据集是从健康成年人那里收集的（公共数据集 n = 16；私人数据集 n = 15）。 标准集成算法已用于研究将日常身体活动水平分类为以下活动类别的可能性：久坐 (0)、低度活动 (1)、活动 (2)、高度活动 (3) 和严格活动 (4) ）。每日步数、低体力活动 (LPA)、中等体力活动 (MPA) 和剧烈体力活动 (VPA) 作为分类模型的输入。随后，我们在私有 MOX2-5 数据集上重新验证分类器。本体的性能已通过推理和 SPARQL 查询执行时间进行了评估。此外，我们还验证了有效推荐生成的本体。我们测试了几种标准的人工智能算法，并通过实证测试为我们的用例选择了性能最佳、配置优化的模型。我们发现，对于两个数据集，使用 REM 方法的自回归模型都优于不使用 REM 方法的自回归模型。 Gradient Boost (GB) 分类器优于其他分类器，对于不平衡的 PMData 和 MOX2-5 数据集，平均准确度分别为 98.00% 和 99.00%，对于平衡的 PMData 和 MOX2-5 数据集，平均准确度分别为 98.30% 和 99.80%。在定义的设置下，隐士推理器比其他本体推理器表现更好。我们提出的算法展示了将人工智能预测结果结合到本体中以在 eCoaching 中生成个性化活动建议的方向。所提出的方法将步骤预测、活动级别分类技术以及个人偏好信息与语义规则相结合，是生成个性化推荐的资产。

"点击查看英文标题和摘要"

网址：用于个性化活动的人工智能和语义本体论健康生活方式建议中的电子辅导：元启发式方法,BMC Medical Informatics and Decision Making https://www.yuejiaxmz.com/news/view/865359

相关内容

'正常高值血压人群生活方式决策支持系统的构建及应用
基于生活信息学模型的个人健康信息管理研究
人工智能辅助下的心理健康新型测评
Construction and preliminary application of a lifestyle decision support system for population with high
Decision Making Helper下载
Research progress on the application of clinical nursing decision
计算机辅助决策：改变我们的生活方式
人工智能如何帮助个人进行智能化的健康管理和生活方式优化？ – AISCK
Decision Making Helper(决策助手) V1.36 官方版下载
智能家居：数字化生活的新纪元

随便看看