Тагылуучу түзмөктөр чуркоо аралыгы, узактыгы, темп, жүрөк кагышы жана болжолдуу калория сарпталышы сыяктуу көп көлөмдөгү жүрүм-турум маалыматтарын жарата алат. Бирок бул маалыматтардын көбү фитнес тиркемелеринде өткөн активдүүлүктү жыйынтыктоо үчүн колдонулат. Бул изилдөө ошол эле маалыматтарды колдонуп, колдонуучунун алдыдагы 30 күндөгү дене салмагынын өзгөрүшүн жана кеминде 1 kg кыска мөөнөттүү салмак кошуу коркунучун болжолдоого аракет кылган машиналык үйрөнүү алкагын сунуштайт.

Изилдөөнүн негизги ыкмасы салмактын өзгөрүшүн түздөн-түз болжолдоонун ордуна ар бир колдонуучу үчүн алгач жеке узак мөөнөттүү салмак тенденциясын эсептеп, андан кийин машиналык үйрөнүү моделине ушул базалык тенденциядан болгон четтөөнү гана болжолдатуу болуп саналат. Авторлор бул ыкманы residual personalization деп аташат.

Булак маалымат топтомунда болжол менен 3.000 колдонуучу жана 90.000 жарактуу чуркоо сессиясы бар. Бирок маалымат топтомунун болжол менен %60 бөлүгү чыныгы тагылуучу түзмөк жазууларынан, ал эми болжол менен %40 бөлүгү сейрек жүрүм-турум жана rebound үлгүлөрүн көбөйтүү максатында синтетикалык түрдө түзүлгөн колдонуучу траекторияларынан турат.

Колдонуучунун жүрүм-туруму 7, 14 жана 28 күндүк артка караган терезелерде жыйынтыкталып; жаш, бой жана салмак боюнча BodyCluster, чуркоо жүрүм-туруму боюнча RunCluster өзгөрмөлөрү түзүлгөн. Linear Regression, SVR, Random Forest, BP–MLP жана LSTM моделдери салыштырылган.

Булактын негизги натыйжалуулук таблицасында Random Forest үчүн MAE = 0,90 kg жана R² = 0,72; LSTM үчүн MAE = 0,94 kg жана R² = 0,71 деп билдирилет. Rebound классификациясында Random Forest accuracy = 0,991 жана F1 = 0,728 деп берилген.

Бирок макалада маанилүү сандык отчет берүү көйгөйү бар. Башка таблицада ошол эле 30 күндүк болжолдоо маселеси үчүн residual Random Forest MAE мааниси 0,143 kg деп көрсөтүлөт. Изилдөө бул болжол менен алты эсе айырманы түшүндүрбөйт. Ошондуктан натыйжалуулук көрсөткүчтөрү көз карандысыз тышкы текшерүүсүз продукттун тактыгынын анык көрсөткүчү катары бааланбашы керек.

Эмне үчүн баары үчүн бир эле салмак болжолдоо модели жетишсиз болушу мүмкүн?

Адамдардын салмак өзгөрүүсү бирдей көнүгүүгө бирдей жооп бербейт. Баштапкы салмак, дене түзүлүшү, көнүмүш активдүүлүк деңгээли, энергия балансы жана көптөгөн физиологиялык факторлор адамдар арасында айырмаланат.

Ошондуктан бирдей көлөмдө чуркаган эки адамдын 30 күндүк салмак тенденциясы ар башка болушу мүмкүн.

Изилдөө сунуштаган residual-personalization ыкмасы бул айырманы модель болжолдоого тийиш болгон жалпы сигналдан бөлүп алууга аракет кылат.

Жеке базалык деңгээл кантип эсептелди?

Ар бир колдонуучунун убакыт боюнча салмак маалыматтарына сызыктуу OLS тенденциясы колдонулган:

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

Бул жерде \(\alpha_u\) колдонуучунун күнүмдүк орточо салмак өзгөрүү тенденциясын билдирет.

30 күнгө күтүлгөн базалык өзгөрүү:

\[ 30\alpha_u \]

деп эсептелет.

Модель үйрөнүүгө аракет кылган residual максат:

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

Бул операция моделди адамдан адамга өзгөргөн узак мөөнөттүү трендге эмес, кыска мөөнөттүү жүрүм-турум өзгөрүүлөрүнө көңүл бурууга багыттайт.

Чуркоо жүрүм-туруму моделге кантип өткөрүлдү?

Ар бир колдонуучу үчүн мурунку чуркоо жазуулары 7, 14 жана 28 күндүк артка караган убакыт терезелеринде жыйынтыкталган.

Негизги өзгөчөлүктөр:

• жалпы чуркоо аралыгы,
• жалпы чуркоо убактысы,
• жалпы калория сарпталышы,
• орточо темп,
• орточо жүрөк кагышы.

Мындан тышкары, ылдамдык, километрге энергия сарпталышы жана салмак/бой катышы сыяктуу туунду көрсөткүчтөр колдонулган.

Бул көп масштабдуу түзүм акыркы бир нече чуркоону гана эмес, кыска жана орто мөөнөттүү көнүгүү тартибин да бир эле моделде көрсөтүүгө багытталган.

BodyCluster жана RunCluster деген эмне?

Изилдөө колдонуучунун өзгөчөлүктөрүн эки башка кластерлөө мейкиндигине бөлгөн.

BodyCluster, жаш, бой жана салмак сыяктуу салыштырмалуу туруктуу антропометриялык өзгөчөлүктөрдөн алынган.

RunCluster, чуркоо аралыгы, убактысы, темпи жана энергия сарпталышы сыяктуу жүрүм-турумдук өзгөчөлүктөрдөн алынган.

K-Means анализинде Body жана Run мейкиндиктеринин экөөндө тең эки кластер эң жогорку silhouette маанисин берген.

Body үчүн k=2 silhouette мааниси 0,3088, Run үчүн 0,3149.

Ward иерархиялык кластерлөөсү да эки басымдуу кластер түзүмүн колдогон.

Бул кластерлер ден соолук диагнозу эмес. Алар моделдин өзгөчөлүк мейкиндигинде тапкан колдонуучу топтору гана.

30 Күндүк Салмак Өзгөрүүсү жана Rebound Коркунучу Кантип Аныкталды?

Негизги регрессиялык максат:

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

деп аныкталган.

Терс натыйжа салмак жоготууну, оң натыйжа салмак кошууну билдирет.

Изилдөөдөгү rebound-risk белгиси:

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

болгондо 1 деп дайындалган.

Демек, бул жердеги “rebound” узак мөөнөттүү клиникалык салмакты кайра кошуунун кеңири аныктамасы эмес; ал 30 күндүн ичинде кеминде 1 kg салмак кошууну билдирген модель белгиси гана.

Эмне үчүн синтетикалык маалымат колдонулду?

Чыныгы тагылуучу түзмөк колдонуучуларында кыска убакыт ичинде байкаларлык салмакты кайра кошуу сыяктуу айрым окуялар сейрек кездешиши мүмкүн. Ошондуктан авторлор маалыматтын ар түрдүүлүгүн көбөйтүү жана rebound классынын өкүлчүлүгүн күчөтүү үчүн синтетикалык колдонуучу траекторияларын түзүшкөн.

Синтетикалык салмак:

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

стохастикалык модели менен түзүлгөн.

Ал эми чуркоо өзгөчөлүктөрү чыныгы маалымат топтомунан эсептелген көп өзгөрмөлүү орточо жана ковариация түзүмүнөн тандалып алынган.

Авторлор чыныгы жана синтетикалык өзгөчөлүк бөлүштүрүүлөрү үчүн KS тесттерин колдонуп, көптөгөн өзгөчөлүктөрдө α=0,05 деңгээлинде маанилүү айырма таппаганын билдиришкен.

Ошол эле учурда синтетикалык маалыматтын чыныгы маалыматка окшош маргиналдык бөлүштүрүү көрсөтүшү чыныгы адам жүрүм-турумунун бардык убакыттык, метаболизмдик же себептик түзүмү кайра жаратылды дегенди билдирбейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат топтому

Болжол менен 3.000 колдонуучу жана 90.000 жарактуу чуркоо сессиясы талданган. Колдонуучулардын болжол менен %60 бөлүгү чыныгы тагылуучу түзмөк жазууларынан, калган болжол менен %40 маалымат синтетикалык траекториялардан турат.

Окутуу / валидация / тест бөлүнүшү

Маалымат колдонуучу деңгээлинде %70 окутуу, %15 валидация жана %15 тест болуп бөлүнгөн.

Бир колдонуучунун бардык сессиялары бир гана бөлүктө сакталган; ушундайча ошол эле адамдын жазуулары окутуу жана тест топтомдорунда бирдей кездешип калбашына аракет кылынган.

Жылма терезелер

7, 14 жана 28 күндүк артка караган өзгөчөлүк терезелери түзүлгөн.

Моделдер

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

Макаланын негизги регрессия таблицасы

Бул таблицага ылайык Random Forest эң жакшы натыйжа берген.

Классификация

Body × Run кайчылаш өзгөчөлүгү

BodyCluster жана RunCluster бирге көрсөтүлгөндө MAE болжол менен 0,05 kg азайып, R² болжол менен 0,03 жогорулаган.

Максаттын бөлүштүрүлүшү

Булак ичиндеги натыйжалуулук дал келбестиги

Макаланын Table 9 бөлүмүндө Linear Regression үчүн raw ΔW30 MAE мааниси 0,144 kg, residual Random Forest үчүн 0,143 kg деп билдирилет. Ошол эле макаланын Table 10 бөлүмүндө болсо Linear Regression MAE = 1,35 kg жана Random Forest MAE = 0,90 kg деп берилет.

Булак бул эки масштабды кантип шайкеш келтирерин түшүндүрбөйт. Ошондуктан натыйжалуулук маанилерин акыркы продукттун тактыгы катары колдонуудан мурда авторлор түшүндүрүшү же алар көз карандысыз түрдө кайра өндүрүлүшү керек.

Cramér's V боюнча отчеттук эскертүү

Макала BodyCluster менен RunCluster ортосунда V = 0,30 деңгээлинде орточо байланыш бар экенин билдирет. Бирок жарыяланган сап-нормалдаштырылган контингенттик таблицада эки BodyCluster үчүн Run бөлүштүрүүлөрү болжол менен 53/47 катышында жана дээрлик бирдей. Чийки эсептер берилбегендиктен, бул коэффициентти Verianla көз карандысыз түрдө текшере албайт.

Изилдөө колдогон жыйынтыктар

• Жеке базалык тенденцияны бөлүп, residual болжолдоону колдонуу ишке ашырууга боло турган жекелештирүү ыкмасы болуп саналат.
• Чуркоо жүрүм-турумун ар башка убакыт терезелеринде бириктирүү аркылуу кыска мөөнөттүү болжолдоо өзгөчөлүктөрүн түзүүгө болот.
• Булактын негизги натыйжалуулук таблицасында nonlinear жана ensemble моделдер linear regression моделине караганда жогорку натыйжалуулук көрсөтөт.
• Body жана Run маалыматтарын бириктирген кайчылаш өзгөчөлүк чакан, бирок туруктуу натыйжалуулук өсүшүн көрсөткөн.
• Random Forest булак таблицаларында сыналган моделдердин арасында эң күчтүү натыйжалардын бирин берген.

Изилдөө колдобогон жыйынтыктар

• Система клиникалык жактан тастыкталган салмак башкаруу куралы эмес.
• Модель чыныгы дүйнөдөгү ар бир колдонуучуда болжол менен 0,9 kg ката кетирери так тастыкталган эмес.
• %99 rebound accuracy өзүнчө эле %99 ишенимдүү клиникалык коркунуч болжолун билдирбейт.
• Чуркоо жүрүм-туруму байкалган салмак өзгөрүүсүнүн себеби экени бул изилдөө менен далилденген эмес.
• Синтетикалык маалымат чыныгы адам метаболизминин толук симуляциясы эмес.
• BodyCluster же RunCluster ден соолук диагнозу же клиникалык категория эмес.
• Проспективдүү, көз карандысыз жана узак мөөнөттүү клиникалык валидация жүргүзүлгөн эмес.

Булак жана Ыкма Жөнүндө Эскертүү

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

Авторлор: Khasherdene Baasankhuu; Yanpeng Qu.

Мекеме: Dalian Maritime University.

Булак: SSRN preprint.

30 беттик версиянын SSRN жарыяланган күнү: 19-июнь 2026.

SSRN DOI: 10.2139/ssrn.6958925

Рецензиялоо абалы: Preprint; булак PDF ачык түрдө “not peer reviewed” деп белгиленген.

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

Кызыкчылыктардын кагылышы: SSRN жазуусунда авторлор атаандаш финансылык же жеке кызыкчылыктарын билдиришкен эмес.

Каржылоо: SSRN жазуусу тышкы каржылоо алынбаганын билдирет.

Маалымат түзүмү: Болжол менен 3.000 колдонуучу, болжол менен 90.000 чуркоо сессиясы; болжол менен %60 чыныгы тагылуучу түзмөк маалыматы жана %40 синтетикалык augmentation.

Негизги методологиялык чектөөлөр: Маалымат булагынын олуттуу бөлүгү синтетикалык; көз карандысыз тышкы когорт текшерүүсү көрсөтүлгөн эмес; диета, дары-дармек, оору, уйку жана салмакка таасир этүүчү башка маанилүү факторлор моделде кеңири көрсөтүлгөн эмес; натыйжалуулук таблицаларынын ортосунда түшүндүрүлбөгөн сандык дал келбестик бар; cluster-association таблицасы менен билдирилген Cramér's V маанисинин ортосунда көрүнүктүү шайкештик көйгөйү бар; rebound классы изилдөөгө мүнөздүү ≥1 kg / 30 күн чегине негизделет.

Verianla баяндоо принциби: Бул мазмун булак preprintинин толук тексттик котормосу эмес. Модель дизайны, маалымат түзүмү, синтетикалык augmentation, натыйжалуулук жыйынтыктары жана булак ичиндеги белгисиздиктер сакталган; изилдөө көз карандысыз жана сынчыл окутуучу түзүмдө кайра баяндалган. Академиялык колдонууда жана моделдин натыйжалуулугун кайра баалоодо түпнуска preprint менен мүмкүн болсо код/маалымат чыгыштары бирге каралышы керек.