Taqiladigan qurilmalar yugurish masofasi, davomiyligi, tempi, yurak urish tezligi va taxminiy kaloriya sarfi kabi katta hajmdagi xulq-atvor maʼlumotlarini yaratishi mumkin. Biroq bu maʼlumotlarning ko‘pi fitnes ilovalarida avvalgi faollikni umumlashtirish uchun ishlatiladi. Ushbu tadqiqot ayni maʼlumotlardan foydalanib, foydalanuvchining keyingi 30 kundagi tana vazni o‘zgarishini va kamida 1 kg qisqa muddatli vazn ortishi xavfini bashorat qilishga urinadigan mashinaviy o‘rganish doirasini taklif qiladi.

Tadqiqotning asosiy yondashuvi vazn o‘zgarishini to‘g‘ridan-to‘g‘ri bashorat qilish o‘rniga har bir foydalanuvchi uchun avval shaxsiy uzoq muddatli vazn tendensiyasini hisoblash, so‘ng mashinaviy o‘rganish modeliga faqat shu bazaviy tendensiyadan og‘ishni bashorat qildirishdan iborat. Mualliflar bu usulni residual personalization deb ataydi.

Manba maʼlumotlar to‘plamida taxminan 3.000 foydalanuvchi va 90.000 ta yaroqli yugurish seansi mavjud. Biroq maʼlumotlar to‘plamining taxminan %60 qismi haqiqiy taqiladigan qurilma yozuvlaridan, taxminan %40 qismi esa siyrak xulq-atvor va rebound naqshlarini ko‘paytirish maqsadida sintetik tarzda yaratilgan foydalanuvchi trayektoriyalaridan iborat.

Foydalanuvchi xulq-atvori 7, 14 va 28 kunlik orqaga qaraydigan oynalarda umumlashtirilgan; yosh, bo‘y va vazn asosida BodyCluster, yugurish xulq-atvori asosida RunCluster o‘zgaruvchilari yaratilgan. Linear Regression, SVR, Random Forest, BP–MLP va LSTM modellari taqqoslangan.

Manbaning asosiy samaradorlik jadvalida Random Forest uchun MAE = 0,90 kg va R² = 0,72; LSTM uchun MAE = 0,94 kg va R² = 0,71 deb xabar qilinadi. Rebound tasnifida Random Forest accuracy = 0,991 va F1 = 0,728 deb berilgan.

Biroq maqolada muhim sonli hisobot muammosi mavjud. Boshqa bir jadvalda ayni 30 kunlik bashorat masalasi uchun residual Random Forest MAE qiymati 0,143 kg deb beriladi. Tadqiqot bu taxminan olti baravar farqni izohlamaydi. Shuning uchun samaradorlik ko‘rsatkichlari mustaqil tashqi tasdiqlashsiz mahsulotning aniq to‘g‘riligi sifatida baholanmasligi kerak.

Nega hamma uchun bitta vazn bashorati modeli yetarli bo‘lmasligi mumkin?

Odamlarning vazn o‘zgarishi bir xil mashqqa bir xil javob bermaydi. Boshlang‘ich vazn, tana tuzilishi, odatiy faollik darajasi, energiya muvozanati va ko‘plab fiziologik omillar odamlar orasida farq qiladi.

Shu sababli bir xil miqdorda yuguradigan ikki kishining 30 kunlik vazn tendensiyasi turlicha bo‘lishi mumkin.

Tadqiqot taklif qilgan residual-personalization yondashuvi bu farqni model bashorat qilishi kerak bo‘lgan umumiy signaldan ajratishga harakat qiladi.

Shaxsiy bazaviy daraja qanday hisoblandi?

Har bir foydalanuvchi uchun vaqt bo‘yicha vazn maʼlumotlariga chiziqli OLS tendensiyasi qo‘llangan:

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

Bu yerda \(\alpha_u\) foydalanuvchining kunlik o‘rtacha vazn o‘zgarishi tendensiyasini ifodalaydi.

30 kunlik kutiladigan bazaviy o‘zgarish:

\[ 30\alpha_u \]

sifatida hisoblanadi.

Model o‘rganishga urinadigan residual maqsad:

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

Bu jarayon modelni odamdan odamga farq qiladigan uzoq muddatli trend o‘rniga qisqa muddatli xulq-atvor o‘zgarishlariga eʼtibor qaratishga yo‘naltiradi.

Yugurish xulq-atvori modelga qanday kiritildi?

Har bir foydalanuvchi uchun avvalgi yugurish yozuvlari 7, 14 va 28 kunlik orqaga qaraydigan vaqt oynalarida umumlashtirilgan.

Asosiy xususiyatlar:

• jami yugurish masofasi,
• jami yugurish davomiyligi,
• jami kaloriya sarfi,
• o‘rtacha temp,
• o‘rtacha yurak urish tezligi.

Bundan tashqari, tezlik, kilometrga energiya sarfi va vazn/bo‘y nisbati kabi hosila ko‘rsatkichlardan foydalanilgan.

Bu ko‘p masshtabli tuzilma faqat so‘nggi bir necha yugurishni emas, balki qisqa va o‘rta muddatli mashq tartibini ham bitta modelda ifodalashni ko‘zlaydi.

BodyCluster va RunCluster nima?

Tadqiqot foydalanuvchi xususiyatlarini ikki xil klasterlash sohasiga ajratgan.

BodyCluster, yosh, bo‘y va vazn kabi nisbatan barqaror antropometrik xususiyatlardan hosil qilingan.

RunCluster, yugurish masofasi, davomiyligi, tempi va energiya sarfi kabi xulq-atvor xususiyatlaridan hosil qilingan.

K-Means tahlilida Body va Run sohalarining ikkalasida ham ikki klaster eng yuqori silhouette qiymatini bergan.

Body uchun k=2 silhouette qiymati 0,3088, Run uchun 0,3149.

Ward ierarxik klasterlashi ham ikkita ustun klaster tuzilmasini qo‘llab-quvvatlagan.

Bu klasterlar sog‘liq tashxisi emas. Ular faqat model xususiyatlar fazosida topgan foydalanuvchi guruhlaridir.

30 Kunlik Vazn O‘zgarishi va Rebound Xavfi Qanday Taʼriflandi?

Asosiy regressiya maqsadi:

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

sifatida taʼriflangan.

Manfiy natija vazn yo‘qotishni, musbat natija vazn ortishini bildiradi.

Tadqiqotdagi rebound-risk yorlig‘i:

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

bo‘lsa 1 deb belgilangan.

Demak, bu yerda “rebound” uzoq muddatli klinik vaznni qayta tiklashning keng qamrovli taʼrifi emas; u faqat 30 kun ichida kamida 1 kg vazn ortishini ifodalovchi model yorlig‘idir.

Nega sintetik maʼlumot ishlatildi?

Haqiqiy taqiladigan qurilma foydalanuvchilarida qisqa muddatda sezilarli vaznni qayta tiklash kabi ayrim hodisalar siyrak uchrashi mumkin. Shu sababli mualliflar maʼlumot xilma-xilligini oshirish va rebound sinfining vakilligini kuchaytirish uchun sintetik foydalanuvchi trayektoriyalarini yaratgan.

Sintetik vazn:

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

stoxastik modeli yordamida yaratilgan.

Yugurish xususiyatlari esa haqiqiy maʼlumotlar to‘plamidan hisoblangan ko‘p o‘zgaruvchili o‘rtacha va kovariatsiya tuzilmasidan namunalangan.

Mualliflar haqiqiy va sintetik xususiyat taqsimotlari uchun KS testlarini qo‘llab, ko‘plab xususiyatlarda α=0,05 darajasida muhim farq topmaganini bildirgan.

Shu bilan birga, sintetik maʼlumotning haqiqiy maʼlumotga o‘xshash marginal taqsimot ko‘rsatishi haqiqiy inson xulq-atvorining barcha vaqtga oid, metabolik yoki sababiy tuzilmasi qayta yaratilganini anglatmaydi.

Tadqiqot Usuli va Natijalari

Maʼlumotlar to‘plami

Taxminan 3.000 foydalanuvchi va 90.000 ta yaroqli yugurish seansi tahlil qilingan. Foydalanuvchilarning taxminan %60 qismi haqiqiy taqiladigan qurilma yozuvlaridan, qolgan taxminan %40 maʼlumot esa sintetik trayektoriyalardan iborat.

O‘qitish / validatsiya / test ajratilishi

Maʼlumot foydalanuvchi darajasida %70 o‘qitish, %15 validatsiya va %15 test sifatida ajratilgan.

Bitta foydalanuvchining barcha seanslari faqat bitta bo‘limda saqlangan; shu tariqa ayni shaxs yozuvlarining ham o‘qitish, ham test to‘plamida uchrashiga yo‘l qo‘ymaslikka harakat qilingan.

Sirpanma oynalar

7, 14 va 28 kunlik orqaga qaraydigan xususiyat oynalari yaratilgan.

Modellar

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

Maqolaning asosiy regressiya jadvali

Ushbu jadvalga ko‘ra Random Forest eng yaxshi natijani bergan.

Tasniflash

Body × Run kesishma xususiyati

BodyCluster va RunCluster birgalikda ifodalanganda MAE taxminan 0,05 kg kamaygan, R² taxminan 0,03 oshgan.

Maqsad taqsimoti

Manba ichidagi samaradorlik nomuvofiqligi

Maqolaning Table 9 qismida Linear Regression uchun raw ΔW30 MAE qiymati 0,144 kg, residual Random Forest uchun 0,143 kg deb xabar qilinadi. Ayni maqolaning Table 10 qismida esa Linear Regression MAE = 1,35 kg va Random Forest MAE = 0,90 kg deb beriladi.

Manba bu ikki masshtabni qanday uyg‘unlashtirishini izohlamaydi. Shuning uchun samaradorlik qiymatlari yakuniy mahsulot aniqligi sifatida ishlatilishidan oldin mualliflar tomonidan tushuntirilishi yoki mustaqil ravishda qayta ishlab chiqilishi kerak.

Cramér's V bo‘yicha hisobot izohi

Maqola BodyCluster bilan RunCluster o‘rtasida V = 0,30 darajasida o‘rtacha bog‘liqlik borligini bildiradi. Biroq eʼlon qilingan qator bo‘yicha normallashtirilgan kontingensiya jadvalida ikki BodyCluster uchun Run taqsimotlari taxminan 53/47 nisbatida va deyarli bir xil. Xom sonlar taqdim etilmagani sababli bu koeffitsiyent Verianla tomonidan mustaqil ravishda tasdiqlana olmaydi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Shaxsiy bazaviy tendensiyani ajratib, residual bashoratdan foydalanish amalda qo‘llash mumkin bo‘lgan shaxsiylashtirish yondashuvidir.
• Yugurish xulq-atvorini turli vaqt oynalarida birlashtirish orqali qisqa muddatli bashorat xususiyatlarini yaratish mumkin.
• Manbaning asosiy samaradorlik jadvalida nonlinear va ensemble modellar linear regression modelidan yuqoriroq samaradorlik ko‘rsatadi.
• Body va Run maʼlumotlarini birlashtiruvchi kesishma xususiyati kichik, ammo barqaror samaradorlik o‘sishini ko‘rsatgan.
• Random Forest manba jadvallarida sinovdan o‘tkazilgan modellar orasida eng kuchli natijalardan birini bergan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Tizim klinik jihatdan tasdiqlangan vazn boshqaruvi vositasi emas.
• Model haqiqiy dunyodagi har bir foydalanuvchida taxminan 0,9 kg xato qilishi qatʼiy tasdiqlanmagan.
• %99 rebound accuracy o‘z-o‘zidan %99 ishonchli klinik xavf bashoratini anglatmaydi.
• Yugurish xulq-atvori kuzatilgan vazn o‘zgarishining sababi ekani ushbu tadqiqot bilan isbotlanmagan.
• Sintetik maʼlumot haqiqiy inson metabolizmining to‘liq simulyatsiyasi emas.
• BodyCluster yoki RunCluster sog‘liq tashxisi yoki klinik toifa emas.
• Prospektiv, mustaqil va uzoq muddatli klinik validatsiya o‘tkazilmagan.

Manba va Usul Haqida Izoh

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

Mualliflar: Khasherdene Baasankhuu; Yanpeng Qu.

Muassasa: Dalian Maritime University.

Manba: SSRN preprint.

30 sahifalik versiyaning SSRN nashr sanasi: 19 iyun 2026.

SSRN DOI: 10.2139/ssrn.6958925

Taqriz holati: Preprint; manba PDF aniq ravishda “not peer reviewed” deb belgilangan.

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

Manfaatlar to‘qnashuvi: SSRN qaydida mualliflar raqobat qiluvchi moliyaviy yoki shaxsiy manfaatlarni bildirmagan.

Moliyalashtirish: SSRN qaydi tashqi moliyalashtirish olinmaganini bildiradi.

Maʼlumot tuzilmasi: Taxminan 3.000 foydalanuvchi, taxminan 90.000 yugurish seansi; taxminan %60 haqiqiy taqiladigan qurilma maʼlumoti va %40 sintetik augmentation.

Asosiy metodologik cheklovlar: Maʼlumot manbasining muhim qismi sintetik; mustaqil tashqi kohort tasdiqlashi ko‘rsatilmagan; parhez, dori, kasallik, uyqu va vaznni belgilovchi boshqa muhim omillar modelda har tomonlama ifodalanmagan; samaradorlik jadvallari o‘rtasida izohlanmagan sonli nomuvofiqlik mavjud; cluster-association jadvali bilan xabar qilingan Cramér's V qiymati o‘rtasida ko‘rinadigan muvofiqlik muammosi bor; rebound sinfi tadqiqotga xos ≥1 kg / 30 kun chegarasidir.

Verianla bayon qilish tamoyili: Ushbu mazmun manba preprintining to‘liq matn tarjimasi emas. Model dizayni, maʼlumot tuzilmasi, sintetik augmentation, samaradorlik natijalari va manba ichidagi noaniqliklar saqlangan; tadqiqot mustaqil va tanqidiy o‘quv tuzilmasida qayta bayon qilingan. Akademik foydalanishda va model samaradorligini qayta baholashda asl preprint bilan, imkon qadar, kod/maʼlumot chiqishlari birgalikda ko‘rib chiqilishi kerak.