新規な選択演算子を用いた修正適応遺伝的アルゴリズムを用いた人体組成の予測

Predicting human body composition using a modified adaptive genetic algorithm with a novel selection operator.

• Xiue Gao
• Wenxue Xie
• Zumin Wang
• Tianshu Zhang
• Bo Chen
• Ping Wang

抄録

背景:

人間の体組成の変化は、健康状態の変化をある程度反映している。これらの変化は、病気よりも早く起こることが認識されている。このことは、体組成の合理的な予測が、モデル利用者の健康状態の改善に役立つことを意味する。既存の体組成予測モデルの精度の低さと適応性の低さを克服し、より高い効率を得るために、我々は修正適応遺伝的アルゴリズム（MAGA）を用いた新しい体組成予測方法を提案しました。

BACKGROUND: Changes to human body composition reflect changes in health status to some extent. It has been recognized that these changes occur earlier than diseases. This means that a reasonable prediction of body composition helps to improve model users' health. To overcome the low accuracy and poor adaptability of existing human body composition prediction models and obtain higher efficiency, we proposed a novel method for predicting human body composition which uses a modified adaptive genetic algorithm (MAGA).

方法:

まず、人間の体組成モデルには多くのパラメータが存在し、それらのパラメータが関連していることから、改良されたRReliefF法とmMRR法を組み合わせた新たなパラメータ選択手法を設計しました。これに続いて、選択したパラメータを用いて体組成に適合するモデルを構築した。次に、このモデルにおけるパラメータの重みを正確に計算するために、ルーレット戦略と最適予約戦略の両方を活用した改良適応遺伝的アルゴリズムを用いた解を提案した。この解決策はまた、改良された選択演算子を備えている。第三に、体組成の一例として体脂肪率（PBF）を取り上げ、我々のアルゴリズムと他のアルゴリズムの性能を比較する実験を行った。

METHODS: Firstly, since there are many parameters for a human body composition model, and these parameters are associated, we designed a new parameter selection approach by combining the improved RReliefF method with the mRMR method. Following this, selected parameters were used to establish a model that fits body composition. Secondly, in order to accurately calculate the weight of parameters in this model, we proposed a solution which used a modified adaptive genetic algorithm, taking advantage of both roulette and optimum reservation strategies. This solution also has an improved selection operator. Thirdly, taking the percentage of body fat (PBF) as an example of body composition, we conducted experiments to compare performance between our algorithm and other algorithms.

結果:

シミュレーションの結果、提案モデルの適応性は0.9921, 平均相対誤差は0.05%, 平均二乗誤差は1.3, 相関係数は0.982であった。他のモデルの指標と比較した場合、本提案モデルが最も適応性が高く、誤差が最も小さいことがわかった。さらに、トレーニング時間28.58秒、実行時間2.84秒の提案モデルは、いくつかのモデルよりも高速である。

RESULTS: Through our simulations, we demonstrated that the adaptability of the proposed model is 0.9921, the mean relative error is 0.05%, the mean square error is 1.3 and the correlation coefficient is 0.982. When compared with the indexes of other models, our model has the highest adaptability and the smallest error. Additionally, the suggested model, which has a training time of 28.58s and a running time of 2.84s, is faster than some models.

結論:

MAGAによって確立されたPBF予測モデルは、精度が高く、一般化能力が強く、効率が高いことから、体組成予測のための新たな手法を提供できる可能性がある。

CONCLUSION: The PBF prediction model established by MAGA has high accuracy, stronger generalization ability and higher efficiency, which could provide a new method for human composition prediction.