کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6889563 1445140 2018 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A cross-domain framework for designing healthcare mobile applications mining social networks to generate recommendations of training and nutrition planning
ترجمه فارسی عنوان
یک چارچوب متقابل دامنه برای طراحی برنامه های کاربردی تلفن همراه بهداشت و درمان برای ایجاد برنامه های آموزشی و تغذیه توصیه های آموزشی
ترجمه چکیده
امروزه افراد ورزش می کنند تا شرایط سلامتی خوب حفظ شوند. این تمرینات فیزیکی به وسیله یک برنامه مورد نیاز است که باید توسط متخصصین ورزش و دستیارهای پزشکی طراحی و نظارت شود. بنابراین، جلسات تمرینی باید با مشاوره با مربی، پزشک و متخصص تغذیه شروع شود. با این حال، چندین بار این سناریو ارائه نشده است. در فعالیت های معمول مانند در حال اجرا، دوچرخه سواری و تناسب اندام، مردم با استفاده از تلفن های هوشمند خود برنامه های تلفن همراه سلامتی را پشتیبانی می کنند که این فعالیت ها را پشتیبانی می کند. با این وجود، عملکرد و عملکرد این برنامه ها جدا شده است، زیرا پرسشنامه های بسیاری و طولانی انجام می شود. علاوه بر این، وضعیت جسمی و سلامتی یک کاربر در نظر گرفته نمی شود. این مسائل برای تعیین توصیه هایی در مورد زمان انجام تمرین و نوع فعالیت برای هر فرد مورد توجه قرار می گیرد. در این کار، یک چارچوب اجتماعی معنایی اجتماعی برای ایجاد توصیه هایی که در آن یک برنامه تلفن همراه اجازه می دهد تا حس عملکرد فیزیکی، با توجه به معیارهای پزشکی با گوشی های هوشمند ارائه شده است. این رویکرد شامل اطلاعات متقابل معنایی است که از شبکه اجتماعی و اطلاعات رسمی و همچنین فعالیت های ورزشی و دانش پزشکی می آید. این دانش به هستی شناسی کاربردی به طور مستقیم به حوزه های بهداشت، تغذیه و آموزش ترجمه می شود. این روش همچنین آزمونهای آمادگی جسمانی و ابزار نظارت برای ارزیابی طرح تغذیه و اجرای صحیح آموزش را پوشش می دهد. به عنوان مورد مطالعه، نرم افزار تلفن همراه ارائه می دهد برای ارزیابی شرایط جسمی و بهداشت یک دونده، به طور خودکار برنامه تغذیه و آموزش، نظارت بر برنامه ها و مجددا آنها را در صورتی که کاربران در تغییرات خود را تغییر دهید. داده های ارائه شده از شبکه اجتماعی به عنوان بازخورد در برنامه مورد استفاده قرار می گیرند تا برنامه های آموزش و تغذیه را با استفاده از تجزیه و تحلیل فضایی و زمانی بر اساس یادگیری ماشین، انعطاف پذیر تر کنند. در نهایت، برنامه های آموزش تولید و تغذیه توسط متخصصین مورد تایید قرار گرفتند، آنها 82 درصد از میزان اثربخشی در تمرینات ورزشی و 86 درصد در برنامه های تغذیه نشان داده اند. علاوه بر این، نتایج با رویکردهای جداگانه و توصیه های دستی توسط متخصصین مقایسه شد و عملکرد کلی به دست آمده 81٪ بود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
یک چارچوب متقابل دامنه برای طراحی برنامه های کاربردی تلفن همراه بهداشت و درمان برای ایجاد برنامه های آموزشی و تغذیه توصیه های آموزشی
چکیده انگلیسی
Nowadays, people are practicing physical exercise in order to maintain good health conditions. Such physical workouts are required by a plan, which should be designed and supervised by sport specialists and medical assistants. Thus, the exercise sessions shall start with consultation of a coach, doctor and dietician; however, many times this scenario is not presented. In typical activities such as running, cycling and fitness, people use health mobile apps with their smartphones, which offer support for these activities. Nevertheless, the functionality and operation of these applications are isolated, because many and long questionnaires are performed. Additionally, the physical and health state of a user is not considered. These issues would be taken into account for determining recommendations about the time for doing exercise and the kind of activity for each person. In this work, a social semantic mobile framework to generate recommendations where a mobile application allows sensing the physical performance, taking into consideration medical criteria with smartphones is proposed. The approach includes a semantic cross-information that comes from social network and official data as well as sport activities and medical knowledge. This knowledge is translated into application ontologies related directly to health, nutrition and training domains. The methodology also covers physical fitness tests and a monitoring tool for evaluating the nutrition plan and the correct execution of the training. As case study, the mobile application offers to evaluate the physical and health conditions of a runner, automatically generate a nutrition plan and training, monitor plans and recomputed them if users make changes in their routines. The data provided from the social network are used as feedback in the application, in order to make the training and nutrition plans more flexible by applying spatio-temporal analysis based on machine learning. Finally, the generated training and nutrition plans were validated by specialists, they have demonstrated 82% of effectiveness rate in exercise training routines and 86% in nutrition plans. In addition, the results were compared with isolated approaches and manual recommendations made by specialists, the obtained overall performance was 81%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Telematics and Informatics - Volume 35, Issue 4, July 2018, Pages 837-853
نویسندگان
, , , , , ,