团队用的这个人工智能在此之前就已经接受了120万张图片的训练,让它能很好地识别照片里的道路、建筑、树木、水域和陆地这些元素。
In addition, the researchers used estimates of obesity prevalence from the 500 Cities project to create a model that assessed the association between those features (plus points of interest like gas stations, shopping malls, parks, and pet stores) and obesity prevalence in the studied areas.
在此基础之上,研究人员结合了500个城市的肥胖率估算数据,并建立了一个模型来评估这些调研区域内特定设施与肥胖率的关系。(研究里关心的特定设施包括加油站、购物中心、公园和宠物店)
根据他们的研究结果,这个人工智能的预测准确率达到了64.8%,在最高的一个城市达到了73.3%。
值得注意的是,在绿植覆盖率高的地方,肥胖率普遍低;而在绿植稀疏的地方,肥胖率普遍高。
虽然这个手段现在还远远谈不上完美,但是研究团队相信他们的系统可以为肥胖风险调查提供一个简单易用的量化工具。
"Our approach consistently presents a strong association between obesity prevalence and the built environment indicator across all four regions, despite varying city and neighbourhood values," the authors explain.
论文作者解释道:“我们的这个调研手段正在持续展现出那些特定人造设施和肥胖率的联系,并且这种关联在不同城市和不同价值观的社区中都是一样的。”
【看你住在什么地方,就能知道你胖不胖】相关文章:
最新
2019-01-07
2019-01-07
2019-01-07
2019-01-07
2019-01-07
2019-01-05