您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
AI通过分析建筑规划来解释一个地区的肥胖水平
2018年09月04日 由 浅浅 发表
131318
0
在21世纪，肥胖率空前增长，对健康和医疗体系的毁灭性影响已经得到了很好的证明。尽管有数十项研究着眼于一些有助于体重增加的健康措施，但这种流行病仍在继续。
最新的证据之一来自一个非常不可能的来源：外太空。对于我们这些可能对其如何运作持怀疑态度的人，有必要指出这些估计并未检测到个体肥胖，而是检测到整个区域（尽管也许有一天科学创新也会为我们提供这个机会）。
设计研究
西雅图华盛顿大学的一组研究人员使用AI来解释卫星图像，以了解不同建筑环境或人类空间中的肥胖率，这些环境不包括自然环境中的肥胖。通过了解城市规划如何影响肥胖率，可以协调健康运动和新建筑以改善城市的健康状况。
为了实现这些结果，该团队使用了一种卷积神经网络（CNN）方法的深度学习技术，该团队认为该方法能够对跨社区构建环境的特征进行持续量化，并在不同的研究和地理区域之间进行比较。团队总共研究了六个城市地区的各个街区：田纳西州孟菲斯市；华盛顿西雅图（包括西雅图，塔科马和贝尔维尤）；德克萨斯州圣安东尼奥和加利福尼亚州洛杉矶。该算法还用了96个大类的杂货店和宠物店。然后将其与每个城市报告的肥胖率相关联。研究人员将兴趣点包括在内，因为它们可能对邻里的活动产生影响。例如，有宠物商店的区域可能会有更多的人带狗散步。
不出所料，该算法将具有更多绿色空间的区域与行走相关联，并且在具有较低肥胖率的建筑物之间建立更多间距。这表明较富裕的社区有较少的肥胖居民。研究人员承认，收入与健康之间的纠缠关系可能会扭曲算法。然而，通过进一步的验证测试，该团队发现该算法实际上发现了建筑物数量与绿地和肥胖之间的联系，而不仅仅与财富有关。
绘制出数字
根据该团队收集的数据，根据美国疾病控制和预防中心（CDC），超过三分之一的美国人口（39.8％）可被视为肥胖。有鉴于此，来自这类研究的信息提供了令人信服的视觉表现，表明数字在各种建筑环境中如何分解，在准确但不起眼的医学证据和社会科学方法之间建立了联系，这种方法是彻底的，但缺乏一些经验其他科学领域的证据。
它还提醒人们应该采取全球方法来应对肥胖流行病。
关于这项研究的详细信息可以在JAMA网络公开杂志上的一篇题为 “Use of Deep Learning to Examine the Association of the Built Environment With Prevalence of Neighborhood Adult Obesity”的论文中找到。
论文：jamanetwork.com/journals/jamanetworkopen/fullarticle/2698635
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消