طراحی پروتکل یادگیری انتقالی در مدلهای هیبریدی یادگیری عمیق برای پیشبینی و تفسیرپذیری کاهش وزن
کلمات کلیدی:
یادگیری انتقالی, شبکه عصبی کانولوشنی, مکانیزم توجه, الگوریتم ایکسجیبوسْت , پیشبینی کاهش وزن, هوش مصنوعی سلامتچکیده
هدف پژوهش، توسعه یک پروتکل سهمرحلهای یادگیری انتقالی برای معماری هیبریدی CNN–Attention–XGBoost با هدف بهبود دقت و تفسیرپذیری پیشبینی کاهش وزن در دادههای بالینی ایرانی است. مدل پیشنهادی شامل شبکه عصبی کانولوشنال، لایه توجه و رگرسور XGBoost بود. ابتدا مدل عمیق بر دادههای بینالمللی پیشآموزش داده شد تا الگوهای عمومی تغییر وزن استخراج شود. سپس وزنها روی دادههای واقعی ایرانی تنظیم دقیق گردید تا با ویژگیهای جمعیت بومی سازگار شود. در مرحله پایانی، ویژگیهای استخراجشده به رگرسور XGBoost منتقل و مدل نهایی آموزش داده شد. عملکرد مدل با شاخصهای MAE، RMSE و R² سنجیده شد و تفاوت عملکرد مدلها بهصورت آماری بررسی شد. مدل هیبریدی مبتنی بر یادگیری انتقالی نسبت به مدل بدون انتقال دانش بهبود قابلتوجهی نشان داد و به مقادیر بالاتر دقت و خطای کمتر دست یافت. همچنین الگوهای زمانی وزن و ویژگیهای عمیق استخراجشده بیشترین سهم را در پیشبینی داشتند. نتایج آزمون آماری نیز نشان داد که تفاوت میان دو مدل معنادار است و استفاده از دانش منتقلشده باعث بهبود توان پیشبینی میشود. پروتکل یادگیری انتقالی ارائهشده توانست دقت پیشبینی، تعمیمپذیری و تفسیرپذیری مدل را بهصورت همزمان افزایش دهد. ترکیب لایههای عمیق و رگرسور قابلتفسیر، رویکردی کارآمد برای توسعه سامانههای هوش مصنوعی سلامت فراهم میکند که هم دقیق و هم قابلاعتماد هستند.
دانلودها
مراجع
Banda, L., Mokgatle, M., & Oladimeji, O. (2025). Machine Learning Guided Lyric-Analysis Peer Support Intervention for Psychological Distress in African Population: A BOM Conceptualized Framework. The Open Public Health Journal, 18(1). https://doi.org/10.2174/0118749445345522241211093758
Chatterjee, A., Gerdes, M. W., & Martinez, S. G. (2020). Identification of Risk Factors Associated with Obesity and Overweight—A Machine Learning Overview. Sensors, 20(9), 2734. https://www.mdpi.com/1424-8220/20/9/2734
Duckworth, C., Cliffe, B., Pickering, B., Ainsworth, B., Blythin, A., Kirk, A., Wilkinson, T., & Boniface, M. (2024). Characterising User Engagement With mHealth for Chronic Disease Self-Management and Impact on Machine Learning Performance. NPJ Digital Medicine, 7(1). https://doi.org/10.1038/s41746-024-01063-2
Gülü, M., Yagin, F. H., Yapici, H., Irandoust, K., Dogan, A. A., Taheri, M., Szura, E., Barasinska, M., & Gabrys, T. (2023). Is early or late biological maturation trigger obesity? A machine learning modeling research in Turkey boys and girls [Original Research]. Frontiers in Nutrition, 10. https://doi.org/10.3389/fnut.2023.1139179
Gupta, A., Singh, R., & Mehta, N. (2024). Obesity risk estimation using deep multimodal neural networks. Jmir Medical Informatics, 12(3), e44827. https://pubmed.ncbi.nlm.nih.gov/35756858/
Irandoust, K., Parsakia, K., Estifa, A., Zoormand, G., Knechtle, B., Rosemann, T., Weiss, K., & Taheri, M. (2024). Predicting and comparing the long-term impact of lifestyle interventions on individuals with eating disorders in active population: a machine learning evaluation [Original Research]. Frontiers in Nutrition, 11. https://doi.org/10.3389/fnut.2024.1390751
Lundberg, F., & Lee, S. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems (NeurIPS), https://proceedings.neurips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions.pdf
Rubinger, L., Gazendam, A., Ekhtiari, S., & Bhandari, M. (2023). Machine learning and artificial intelligence in research and healthcare. Injury, 54, S69-S73.
Safaei, M., Sundararajan, E. A., Driss, M., Boulila, W., & Shapi'i, A. (2021). A systematic literature review on obesity: Understanding the causes & consequences of obesity and reviewing various machine learning approaches used to predict obesity. Computers in Biology and Medicine, 136, 104754. https://doi.org/10.1016/j.compbiomed.2021.104754
Sansone, D. (2018). Beyond Early Warning Indicators: High School Dropout and Machine Learning. Oxford Bulletin of Economics and Statistics, 81(2), 456-485. https://doi.org/10.1111/obes.12277
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. https://arxiv.org/abs/1409.1556
Sirdeshpande, S. (2025). Thrive Path: Navigating Emotional Journey With AI Chatbot and Machine Learning Techniques for Mental Health. Interantional Journal of Scientific Research in Engineering and Management, 09(05), 1-9. https://doi.org/10.55041/ijsrem48339
Thomas, E., & Kumar, S. (2024). CNN-based transfer learning for health data with small sample size: challenges and opportunities. Expert Systems with Applications, 238, 122017. https://doi.org/10.1016/j.eswa.2023.122017
Zyl-Cillié, M. v., Bührmann, J. H., Blignaut, A. J., Demirtas, D., & Coetzee, S. K. (2024). A Machine Learning Model to Predict the Risk Factors Causing Feelings of Burnout and Emotional Exhaustion Amongst Nursing Staff in South Africa. BMC Health Services Research, 24(1). https://doi.org/10.1186/s12913-024-12184-5
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Anousheh Yazdanbakhsh (Author); Alireza Pourebrahimi; Abdolreza Norouzy (Author)
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
