基于可解释人工智能（XAI）与物联网（IoT）数据的儿童个性化体重管理研究

这篇研究提出了一种创新的医疗健康框架，通过可解释人工智能（XAI）结合物联网（IoT）设备实时采集的儿童生活方式数据，利用Wasserstein生成对抗网络（WGANs）解决数据不平衡问题，并采用TabNet-XGBoost混合模型及SHAP（SHapley Additive exPlanations）分析提升模型可解释性，最终实现98.0%的测试集准确率，为儿童肥胖早期干预提供个性化健康指导。

　　

Highlight

本研究提出了一种创新的医疗健康框架，通过可解释人工智能（XAI）结合物联网（IoT）设备实时采集的儿童生活方式数据，利用Wasserstein生成对抗网络（WGANs）解决数据不平衡问题，并采用TabNet-XGBoost混合模型及SHAP（SHapley Additive exPlanations）分析提升模型可解释性，最终实现98.0%的测试集准确率，为儿童肥胖早期干预提供个性化健康指导。

Synthetic data generation

在机器学习中，稳健的分类预测高度依赖于数据中类别之间的平衡。因此，在类别不平衡的情况下，获取额外的训练数据至关重要。然而，隐私问题和高昂的数据收集成本常常使真实世界数据的获取变得复杂。为了解决这些问题，合成数据生成应运而生，它能够增强数据的可用性、保护隐私并减少数据偏差。

Overview

该框架引入了一个医疗健康监测系统，通过边缘设备收集并有效利用数据。系统主要由四个部分组成：边缘设备、监测设备、云服务器和用户。边缘设备是一种可穿戴设备，用于测量用户的生命日志数据，如消耗的卡路里、步数和睡眠时长。监测设备从边缘设备收集数据，将其传输到服务器，并应用相应的算法进行分析。

Experimental results

本节展示了所提框架的性能评估以及所提技术的可解释性结果。实验使用Python 3.8.2和PyTorch 1.8.1+cu111进行。测试环境配置为AMD Ryzen 5 3600XT处理器（3.79 GHz，6核）、32 GB内存、GeForce RTX 3070 GPU和Windows 10操作系统。

Discussion

本研究提出了一种可解释的医疗健康框架，旨在通过早期预测体重变化来预防儿童肥胖。通过使用物联网（IoT）设备实时收集数据的方法，能够基于生活方式模式准确预测体重变化。

Conclusion

本研究提出了一种可解释的医疗健康框架，利用生命日志数据预测体重变化并助力儿童肥胖预防。所提框架以高准确率预测体重变化，并有效利用XAI技术解释模型预测结果。