新机器学习程序助力精准预测锻炼计划坚持者

保持活跃是对健康最重要的事情之一。定期锻炼有助于延长寿命，降低疾病风险，改善情绪，并提升能量水平。但实际上，只有一小部分人符合锻炼建议。那么，是什么让人们坚持锻炼呢？

一组研究人员开始寻找答案。在密西西比大学，科学家们利用机器学习分析国家健康数据，以找出哪些人符合身体活动（PA）指南以及他们的原因。这种方法可以帮助医生和教练更好地支持你的健康，了解像你这样的人的保持活跃的动机。

这项研究发表在期刊《科学报告》上，研究了2009年至2018年间从国家健康与营养调查收集的数据，这是一项大型的美国调查，专门跟踪人们的健康和饮食习惯。研究团队由博士生Seungbak Lee、Ju-Pil Choe和教授Minsoo Kang组成。他们使用了一种名为机器学习的工具，筛选了超过30,000份调查回复。

机器学习帮助计算机在大量数据中找到模式。与旧的统计工具不同，后者通常要求数据是干净且线性的，机器学习即使在数据混乱或复杂时也能很好地工作。它可以筛选出在预测行为（比如谁能坚持锻炼）时最重要的信息。

研究人员过滤数据，仅包括年龄在18岁及以上且没有可能限制锻炼的疾病（如癌症、糖尿病或关节炎）的人。在去掉缺失答案的条目后，最终的数据集包含了11,638名参与者。

每个人的回答被分为三个主要领域：人口统计（年龄、性别、种族、收入等）、身体测量（如体重指数和腰围）和生活方式习惯（如饮酒、吸烟、睡眠和久坐时间）。目标是建立模型，预测某人是否达到每周活动指南。

根据美国卫生官员的说法，成年人每周应至少进行150分钟的中等强度锻炼或75分钟的高强度活动。可惜的是，平均每位美国人每周只有大约两个小时的活动时间——这仅为推荐量的一半。

研究人员使用六种不同的机器学习算法，建立了18个预测模型，测试不同因素的组合。这些模型的评估标准包括准确性、识别模式的能力和预测的平衡性。

相关内容

・“瓶中运动”药物帮助身体燃烧更多脂肪，更有效地利用能量

・Omega-3、维生素D和锻炼被证实能减缓衰老

・机器学习可以通过视网膜扫描识别轻度认知障碍症

表现最好的模型是一个使用所有可用变量的决策树。它的准确率约为70.5%，F1分数（精确率和召回率之间的平衡）为0.819。这意味着它大多数情况下能够正确预测哪些人符合锻炼指南。

但除了性能之外，团队还想知道哪些具体因素在做出预测时最有用。使用一种叫做置换特征重要性（PFI）的方法，他们发现久坐行为、年龄、性别和教育水平是最重要的预测因素。虽然一些模型的结果略有不同，但这些因素却一次又一次地出现。

崔珠弼说：“我本以为性别、BMI、种族或年龄等因素对我们的预测模型很重要，但我对教育水平竟然如此重要感到惊讶。虽然性别、BMI和年龄等因素更内在于身体，但教育水平是一个外部因素。”

团队指出，长时间坐着、教育水平较低或属于某一性别的人更不可能符合活动指南。这有助于解释哪些人更可能坚持进行身体活动，以及原因是什么。这些见解可以为未来帮助人们养成更健康习惯的项目提供指导。

尽管结果令人鼓舞，但研究人员确实注意到他们的方法存在一些局限性。一个关键问题是调查数据依赖于自我报告的 活动水平。人们在被要求回忆时，往往会高估自己锻炼的频率。

“我们研究的一个局限性是使用了主观测量的身体活动数据，”Choe说。“如果能使用更准确、客观的数据，研究的可靠性就会提高。”

未来的研究可以考虑用 可穿戴健身追踪器 或自动记录身体活动的应用程序来解决这个问题。机器学习可以利用这些客观数据找到更强大和更详细的模式。

尽管存在这一局限性，研究表明机器学习在研究健康行为方面具有巨大的潜力。它不仅告诉我们趋势是什么，还能帮助我们揭示这些趋势背后的原因。

这一切为什么重要？因为了解一个人 锻炼习惯 背后的原因，可以帮助健康专业人士制定更好、更个性化的健康计划。医生可以利用数据驱动的模型来了解每个人的动机，而不是给每个人都提供一样的建议。

例如，如果某人有一份久坐的工作和低教育水平，他们可能需要更多的支持或不同类型的激励来保持活跃。了解这些因素的重要性使专家能够为每个个体制定有效的方案。

这对训练师、教练甚至健康 应用程序开发者 尤为有帮助。他们可以创建更容易实现的锻炼计划，并根据你的生活方式、年龄和日常习惯进行量身定制，这样坚持锻炼计划就更简单、更实际了。

康教授总结了这项研究的目的：“遵循身体活动指南的情况是一个公共卫生问题，因为它与疾病预防和整体健康模式有关。我们希望利用先进的数据分析技术，如机器学习，来预测这种行为。”

其他研究已经以相关方式使用了机器学习。例如，一些研究人员利用运动传感器对儿童的身体活动进行分类。还有一些人使用神经网络根据身体运动来分类活动水平。但这项研究是首批仅用自我报告数据和多种人口统计、身体、生活方式因素来预测活动指南遵循情况的研究之一。

结果表明，机器学习可以成为公共健康中的一种强大工具。它揭示了传统方法可能无法发现的模式，并且它为研究人员提供了一种新的方式，帮助人们过上更健康、更长寿的生活。