基于历史行为数据的HFSS零食摄入时间预测模型构建与验证：一项跨地区应用研究

研究人员针对高饱和脂肪/高盐/高糖(HFSS)零食摄入行为难以预测的问题，开发了Snack Tracker应用采集时空行为数据，采用RFreg/XGBreg/FFNN/LSTM四种机器学习算法，首次验证仅凭历史行为数据即可实现HFSS零食摄入时间预测（最低平均误差17分钟），为JITAIs（适时适应性干预）在健康行为管理中的应用提供新范式。

　　

在现代社会，高饱和脂肪、高盐或高糖（HFSS）零食的过度摄入已成为威胁公共健康的重要问题。这类零食因其可口性容易引发无意识进食行为，而传统干预手段往往收效甚微。随着智能手机普及，通过数字技术预测并干预不健康饮食行为展现出巨大潜力，但现有方法多依赖繁琐的生态瞬时评估(EMA)，用户依从性差成为推广瓶颈。

英国伦敦大学城市学院心理学系的研究团队创新性地提出：仅利用历史零食摄入记录结合基础时空特征（时间区间、星期几、居家/工作/其他位置），能否实现HFSS零食行为的有效预测？为此他们开发了Snack Tracker应用，在英国（n=111）和荷兰（n=100）开展平行研究，首次系统评估了随机森林回归(RFreg)、极端梯度提升回归(XGBreg)、前馈神经网络(FFNN)和长短期记忆网络(LSTM)四种标准机器学习算法在此特殊场景下的表现。研究成果发表于《JMIR Medical Informatics》，为最小化用户负担的行为预测提供了重要循证依据。

研究采用跨地区双队列设计，通过定制化App收集28天连续行为数据。关键技术包括：1）构建4/12时间区间划分体系；2）应用5折交叉验证评估模型；3）采用MAE（平均绝对误差）作为核心指标；4）设计特征消融实验验证变量重要性。英国队列通过Prolific Academic平台招募高频HFSS零食消费者，荷兰队列源自Maastricht大学既有数据集。

【模型结果】章节显示：在英国队列中，FFNN模型表现最优（MAE=15.8分钟），显著优于基线均值模型（MAE=47.3分钟）。特征消融实验证实时空特征缺一不可——剔除位置或星期特征后，模型性能下降42%-65%。荷兰队列因人群异质性导致预测误差较大（最佳MAE=130分钟），但FFNN仍保持最优。

【讨论】部分指出三大创新价值：首先，证实了"轻量化"数据采集的可行性，仅需3类基础特征即可建立有效预测模型；其次，揭示了神经网络在处理稀疏行为数据时的优势；最后，跨文化比较为算法优化提供了新视角。研究者特别强调，正向预测偏差（即预测时间早于实际行为）占主导的现象，恰好符合JITAIs需要提前干预的特性。

该研究的局限在于样本行为稳定性不足，且未考虑进餐时间等潜在协变量。未来方向包括：1）整合智能穿戴设备实现被动监测；2）探索GRU（门控循环单元）等轻量级时序模型；3）建立行为亚型分类体系。这项开创性工作不仅为健康行为干预提供了新技术路径，更重新定义了数字健康领域"最小有效数据量"的标准，对推动精准健康管理具有重要意义。