Geyilə bilən cihazlar qaçış məsafəsi, müddət, temp, ürək döyüntüsü və təxmini kalori sərfi kimi böyük həcmdə davranış məlumatı yarada bilər. Lakin bu məlumatların çoxu fitnes tətbiqlərində keçmiş fəaliyyətin xülasəsini vermək üçün istifadə olunur. Bu tədqiqat eyni məlumatlardan istifadə edərək istifadəçinin qarşıdakı 30 gündə bədən çəkisindəki dəyişikliyi və ən azı 1 kg-lıq qısamüddətli çəki artımı riskini proqnozlaşdırmağa çalışan maşın öyrənməsi çərçivəsi təklif edir.

Tədqiqatın əsas yanaşması çəki dəyişikliyini birbaşa proqnozlaşdırmaq əvəzinə hər bir istifadəçi üçün əvvəlcə şəxsi uzunmüddətli çəki meylini hesablamaq, sonra isə maşın öyrənməsi modelinə yalnız bu baza meylindən sapmanı proqnozlaşdırmaqdır. Müəlliflər bu üsulu residual personalization adlandırırlar.

Mənbə verilənlər toplusunda təxminən 3.000 istifadəçi və 90.000 etibarlı qaçış sessiyası var. Lakin verilənlər toplusunun təxminən %60-ı real geyilə bilən cihaz qeydlərindən, təxminən %40-ı isə seyrək davranış və rebound nümunələrini artırmaq məqsədilə sintetik şəkildə yaradılmış istifadəçi trayektoriyalarından ibarətdir.

İstifadəçi davranışı 7, 14 və 28 günlük geriyə baxan pəncərələrdə xülasələndirilmiş; yaş, boy və çəki əsasında BodyCluster, qaçış davranışı əsasında isə RunCluster dəyişənləri yaradılmışdır. Linear Regression, SVR, Random Forest, BP–MLP və LSTM modelləri müqayisə edilmişdir.

Mənbənin əsas performans cədvəlində Random Forest üçün MAE = 0,90 kg və R² = 0,72; LSTM üçün MAE = 0,94 kg və R² = 0,71 bildirilir. Rebound təsnifatında Random Forest accuracy = 0,991 və F1 = 0,728 kimi göstərilmişdir.

Lakin məqalədə mühüm bir ədədi hesabat problemi var. Başqa bir cədvəldə eyni 30 günlük proqnoz problemi üçün residual Random Forest MAE dəyəri 0,143 kg kimi verilir. Tədqiqat bu təxminən altıqat fərqi izah etmir. Buna görə performans göstəriciləri müstəqil xarici doğrulama aparılmadan məhsulun dəqiq doğruluğu kimi qiymətləndirilməməlidir.

Niyə hamı üçün vahid çəki proqnozu modeli kifayət etməyə bilər?

İnsanların çəki dəyişikliyi eyni məşqə eyni cür cavab vermir. Başlanğıc çəkisi, bədən quruluşu, adi fəaliyyət səviyyəsi, enerji balansı və çoxsaylı fizioloji amillər insanlar arasında fərqlənir.

Buna görə eyni miqdarda qaçan iki şəxsin 30 günlük çəki meyli fərqli ola bilər.

Tədqiqatın təklif etdiyi residual-personalization yanaşması bu fərqi modelin proqnozlaşdırmalı olduğu ümumi siqnaldan ayırmağa çalışır.

Şəxsi baza xətti necə hesablandı?

Hər bir istifadəçi üçün zaman üzrə çəki məlumatlarına xətti OLS meyli tətbiq edilmişdir:

\[ \hat w_{u,t}=\alpha_u t+\beta_u. \]

Burada \(\alpha_u\), istifadəçinin gündəlik orta çəki dəyişikliyi meylini təmsil edir.

30 günlük gözlənilən baza dəyişikliyi:

\[ 30\alpha_u \]

kimi hesablanır.

Modelin öyrənməyə çalışdığı residual hədəf:

\[ \Delta w'_{u,t} = (w_{u,t+30}-w_{u,t}) - 30\alpha_u. \]

Bu əməliyyat modelin şəxsdən şəxsə dəyişən uzunmüddətli trend əvəzinə qısamüddətli davranış dəyişikliklərinə fokuslanmasını məqsəd qoyur.

Qaçış davranışı modelə necə ötürüldü?

Hər bir istifadəçi üçün keçmiş qaçış qeydləri 7, 14 və 28 günlük geriyə baxan zaman pəncərələrində xülasələndirilmişdir.

Əsas xüsusiyyətlər:

• ümumi qaçış məsafəsi,
• ümumi qaçış müddəti,
• ümumi kalori sərfi,
• orta temp,
• orta ürək döyüntüsü.

Bundan əlavə, sürət, kilometr başına enerji sərfi və çəki/boy nisbəti kimi törəmə göstəricilərdən istifadə edilmişdir.

Bu çoxmiqyaslı quruluş yalnız son bir neçə qaçışı deyil, qısa və orta müddətli məşq rejimini də eyni modeldə təmsil etməyi məqsəd qoyur.

BodyCluster və RunCluster nədir?

Tədqiqat istifadəçi xüsusiyyətlərini iki fərqli klasterləşmə sahəsinə ayırmışdır.

BodyCluster, yaş, boy və çəki kimi daha sabit antropometrik xüsusiyyətlərdən törədilmişdir.

RunCluster, qaçış məsafəsi, müddət, temp və enerji sərfi kimi davranış xüsusiyyətlərindən törədilmişdir.

K-Means analizində həm Body, həm də Run sahəsində iki klaster ən yüksək silhouette dəyərini vermişdir.

Body üçün k=2 silhouette dəyəri 0,3088, Run üçün isə 0,3149-dur.

Ward iyerarxik klasterləşməsi də iki dominant klaster quruluşunu dəstəkləmişdir.

Bu klasterlər sağlamlıq diaqnozu deyil. Bunlar yalnız modelin xüsusiyyət fəzasında müəyyən etdiyi istifadəçi qruplarıdır.

30 Günlük Çəki Dəyişikliyi və Rebound Riski Necə Tərif Edildi?

Əsas reqressiya hədəfi:

\[ \Delta W_{30}=W_{t+30}-W_t \]

kimi tərif edilmişdir.

Mənfi nəticə çəki itkisinin, müsbət nəticə isə çəki artımının göstəricisidir.

Tədqiqatdakı rebound-risk etiketi:

\[ \Delta W_{30}\ge1,0\text{ kg} \]

olduqda 1 olaraq təyin edilmişdir.

Beləliklə, burada “rebound” uzunmüddətli klinik çəkinin geri qazanılmasının geniş tərifi deyil; yalnız 30 gün ərzində ən azı 1 kg çəki artımını ifadə edən model etiketidir.

Sintetik Məlumat Niyə İstifadə Edildi?

Real geyilə bilən cihaz istifadəçilərində qısa müddətdə nəzərəçarpacaq çəkinin geri qazanılması kimi bəzi hadisələr seyrək baş verə bilər. Müəlliflər buna görə məlumat müxtəlifliyini artırmaq və rebound sinfinin təmsilini gücləndirmək məqsədilə sintetik istifadəçi trayektoriyaları yaratmışdır.

Sintetik çəki:

\[ W_{t+1}=W_t+\beta_u+\epsilon_t \]

stokastik modeli ilə yaradılmışdır.

Qaçış xüsusiyyətləri isə real verilənlər toplusundan hesablanan çoxdəyişənli orta və kovariasiya quruluşundan nümunələnmişdir.

Müəlliflər real və sintetik xüsusiyyət paylanmaları üçün KS testləri tətbiq etmiş və bir çox xüsusiyyətdə α=0,05 səviyyəsində əhəmiyyətli fərq tapmadıqlarını bildirmişdir.

Bununla belə, sintetik məlumatın real məlumata bənzər marjinal paylanma göstərməsi real insan davranışının bütün zaman, metabolik və ya səbəb-nəticə quruluşunun yenidən yaradıldığı demək deyil.

Tədqiqatın Metodu və Nəticələri

Verilənlər toplusu

Təxminən 3.000 istifadəçi və 90.000 etibarlı qaçış sessiyası təhlil edilmişdir. İstifadəçilərin təxminən %60-ı real geyilə bilən cihaz qeydlərindən, qalan təxminən %40-lıq məlumat isə sintetik trayektoriyalardan ibarətdir.

Təlim / doğrulama / test bölgüsü

Məlumat istifadəçi səviyyəsində %70 təlim, %15 doğrulama və %15 test olaraq bölünmüşdür.

Bir istifadəçinin bütün sessiyaları yalnız bir bölmədə saxlanmış; beləliklə eyni şəxsin qeydlərinin həm təlim, həm də test dəstində olmasının qarşısını almağa çalışılmışdır.

Sürüşən pəncərələr

7, 14 və 28 günlük geriyə baxan xüsusiyyət pəncərələri yaradılmışdır.

Modellər

• Linear Regression,
• Support Vector Regressor,
• Random Forest,
• BP–MLP,
• LSTM.

Məqalənin əsas reqressiya cədvəli

Bu cədvələ görə Random Forest ən yaxşı nəticəni vermişdir.

Təsnifat

Body × Run çarpaz xüsusiyyəti

BodyCluster və RunCluster-ın birlikdə təmsil edilməsi MAE-ni təxminən 0,05 kg azaltmış, R²-ni təxminən 0,03 artırmışdır.

Hədəf paylanması

Mənbədaxili performans uyğunsuzluğu

Məqalənin Table 9-unda Linear Regression üçün raw ΔW30 MAE dəyəri 0,144 kg, residual Random Forest üçün 0,143 kg kimi bildirilir. Eyni məqalənin Table 10-unda isə Linear Regression MAE = 1,35 kg və Random Forest MAE = 0,90 kg kimi verilir.

Mənbə bu iki miqyası necə uzlaşdırdığını izah etmir. Buna görə performans dəyərləri yekun məhsul dəqiqliyi kimi istifadə edilməzdən əvvəl müəlliflər tərəfindən izah edilməli və ya müstəqil şəkildə yenidən əldə olunmalıdır.

Cramér's V hesabat qeydi

Məqalə BodyCluster ilə RunCluster arasında V = 0,30 səviyyəsində orta əlaqə bildirir. Lakin yayımlanmış sətir-normalizə olunmuş kontingensiya cədvəlində iki BodyCluster-ın Run paylanmaları təxminən 53/47 nisbətində və demək olar ki, eynidir. Xam saylar təqdim edilmədiyi üçün bu əmsal Verianla tərəfindən müstəqil şəkildə doğrulana bilmir.

Tədqiqatın dəstəklədiyi nəticələr

• Şəxsi baza xətti meylini ayıraraq residual proqnozdan istifadə etmək tətbiq oluna bilən fərdiləşdirmə yanaşmasıdır.
• Qaçış davranışı müxtəlif zaman pəncərələrində birləşdirilərək qısamüddətli proqnoz xüsusiyyətləri yaradıla bilər.
• Mənbənin əsas performans cədvəlində nonlinear və ensemble modellər linear regression-dan daha yüksək performans göstərir.
• Body və Run məlumatlarını birləşdirən çarpaz xüsusiyyət kiçik, lakin ardıcıl performans artımı göstərmişdir.
• Random Forest, mənbə cədvəllərində sınaqdan keçirilmiş modellər arasında ən güclü nəticələrdən birini vermişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Sistem klinik olaraq doğrulanmış çəki idarəetmə vasitəsi deyil.
• Modelin real dünyada hər bir istifadəçidə təxminən 0,9 kg xəta verdiyi qəti şəkildə doğrulanmamışdır.
• %99 rebound accuracy təkbaşına %99 etibarlı klinik risk proqnozu demək deyil.
• Qaçış davranışının müşahidə olunan çəki dəyişikliyinin səbəbi olduğu bu tədqiqatla sübut edilməmişdir.
• Sintetik məlumat real insan metabolizmasının tam simulyasiyası deyil.
• BodyCluster və ya RunCluster sağlamlıq diaqnozu və ya klinik kateqoriya deyil.
• Prospektiv, müstəqil və uzunmüddətli klinik validasiya aparılmamışdır.

Mənbə və Metod Qeydi

Orijinal tədqiqat:Residual-Personalized Ensemble Learning for Short-Term Weight Change and Rebound Risk Prediction in Mobile Health Systems

Müəlliflər: Khasherdene Baasankhuu; Yanpeng Qu.

Qurum: Dalian Maritime University.

Mənbə: SSRN preprint.

30 səhifəlik versiyanın SSRN nəşr tarixi: 19 iyun 2026.

SSRN DOI: 10.2139/ssrn.6958925

Rəy statusu: Preprint; mənbə PDF açıq şəkildə “not peer reviewed” kimi işarələnmişdir.

Lisenziya: All rights reserved; no reuse allowed without permission.

Maraqların toqquşması: SSRN qeydində müəlliflər rəqabət yaradan maliyyə və ya şəxsi maraq bildirməmişdir.

Maliyyələşdirmə: SSRN qeydi xarici maliyyələşdirmə alınmadığını bildirir.

Məlumat quruluşu: Təxminən 3.000 istifadəçi, təxminən 90.000 qaçış sessiyası; təxminən %60 real geyilə bilən cihaz məlumatı və %40 sintetik augmentation.

Əsas metodoloji məhdudiyyətlər: Məlumat mənbəyinin mühüm hissəsi sintetikdir; müstəqil xarici kohort doğrulaması göstərilməmişdir; pəhriz, dərman, xəstəlik, yuxu və digər mühüm çəki determinantları modeldə hərtərəfli təmsil olunmur; performans cədvəlləri arasında izah olunmayan ədədi uyğunsuzluq var; cluster-association cədvəli ilə bildirilən Cramér's V dəyəri arasında görünən uyğunluq problemi mövcuddur; rebound sinfi tədqiqata xas ≥1 kg / 30 gün həddidir.

Verianla təqdimat prinsipi: Bu məzmun mənbə preprintin tam mətn tərcüməsi deyil. Model dizaynı, məlumat quruluşu, sintetik augmentation, performans nəticələri və mənbədaxili qeyri-müəyyənliklər qorunmuş; tədqiqat müstəqil və tənqidi tədris strukturu daxilində yenidən təqdim edilmişdir. Akademik istifadədə və model performansının yenidən qiymətləndirilməsində orijinal preprint ilə, mümkünsə, kod/məlumat çıxışları birlikdə nəzərdən keçirilməlidir.