Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini

Burhan Baraklı; Ahmet Küçüker

doi:10.29130/dubited.815454

EN TR

Estimation of Body Fat Percentage Using Support Vector Machine and Random Forest Methods

Abstract

Obesity is a significant health problem, and its prevalence is increasing. It is known that this disease is the trigger and precursor of many other diseases. Before the treatment of obesity disease, it is important to determine the body fat percentage correctly. Body fat percentage can be measured precisely with high-cost methods. However, these methods are not common to use. In this study, support vector regression and random forest tree regression methods were applied to accurately and cost-effectively estimate body fat percentage with anthropometric data set taken from individuals. In regression methods, model parameter values, number of data, number of features and feature selection are important in prediction performance. In the study based on a 13-featured body fat percentage data set, a new data set was created with 25 statistical methods (skewness, central moment, kurtosis, etc.) frequently used in the literature, and it was observed that the performance of the new data set was higher than other studies in the literature. Estimation accuracy has been increased by determining the regression parameters with grid scanning methods. In addition, features that are highly correlated with body fat percentage were determined with feature reduction methods. It was observed that the prediction success performance of the regression methods performed with the selected features was higher than other similar studies. As the best mean square error values, the value of 2.2519 was obtained in the experiment performed with the Random Forest Trees Method and the new data set created by the statistical method, while the value of 3.174 was reached in the regression experiment with Decision Support Machines and the properties with the best 6 f-score values.

Keywords

Body fat percentage, Support Vector regression, Random forest

Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini

Abstract

Obezite, önemli bir sağlık problemidir ve yaygınlığı giderek artmaktadır. Bu hastalığın, diğer birçok hastalığın tetikleyicisi ve habercisi olduğu bilinmektedir. Obezite hastalığının tedavi sürecinden önce, vücut yağ yüzdesinin doğru bir şekilde tespit edilmesi önemlidir. Yüksek maliyetli yöntemler ile vücut yağ yüzdesi kesin olarak ölçülmektedir. Bu çalışmada, kişilerden alınan antropometrik veri seti ile vücut yağı yüzdesi tespitinin doğru ve maliyetsiz bir şekilde tahmin edilebilmesi için destek vektör regresyonu ile rastgele orman ağaçları regresyon yöntemleri uygulanmıştır. Regresyon yöntemlerinde, model parametre değerleri, veri sayısı, özellik sayısı ve özellik seçimi tahmin başarımında önemlidir. 13 özellikli vücut yağ yüzdesi veri seti baz olarak alınan çalışmada, literatürde sıklıkla kullanılan 25 istatiski yöntem (çarpıklık, merkezi moment, basıklık vb.) ile yeni bir veri seti oluşturulmuş ve elde edilen yeni veri setinin başarım performansının literatürde yer alan diğer çalışmalardan yüksek olduğu görülmüştür. Regresyon parametrelerinin ızgara tarama yöntemleriyle belirlenmesi sayesinde tahmin doğrulukları arttırılmıştır. Ayrıca özellik azaltma yöntemleri ile vücut yağ yüzdesi ile yüksek ilintili özellikler belirlenmiştir. Seçilen özellikler ile gerçekleştirilen regresyon yöntemlerinin tahmin başarı performansının da benzer diğer çalışmalardan yüksek olduğu gözlenmiştir. En iyi ortalama karesel hata değerleri olarak, Rasgele Orman Ağaçları Yöntemi ve istatistiki yöntemle oluşturulan yeni veri seti ile gerçekleştirilen deneyde 2,2519 değeri elde edilirken, Karar Destek Makinaları ve en iyi 6 F-skor değerine sahip özellikler ile yapılan regresyon deneyinde 3,174 değerine ulaşılmıştır.

Keywords

Vücut yağ yüzdesi, Destek vektör regresyonu, Rastgele orman ağaçları regresyonu

References

[1] F. McLellan, "Obesity rising to alarming levels around the world," The Lancet, c. 359, s. 9315, ss. 1412, 2002.
[2] C. L. Edelman, C. L. Mandle ve E. C. Kudzma, Health Promotion Throughout the Life Span-E-Book, 9. baskı, Missouri, United States of America: Elsevier Health Sciences, 2017, böl. 2, ss. 23-24.
[3] I. G. Polat, "Effect of Er stress and Sik2 Reciprocal relationship on human precursor fat cell (LiSa-2) differentiation," Doktora Tezi, Gebze Teknik Üniversitesi, Kocaeli, Türkiye, 2017.
[4] F. Ortega, C. Lavie ve S. Blair, "Obesity and cardiovascular disease," Circulation Research, c. 118, s. 11, ss. 1752-1770, 2016.
[5] C. Lavie, A. Schutter, P. Parto, E. Jahangir, P. Kokkinos, F. Ortega, R. Arena ve R. Milani, "Obesity and prevalence of cardiovascular diseases and prognosis—the obesity paradox updated," Progress in Cardiovascular Diseases, c. 58, s. 5, ss. 537-547, 2016.
[6] A. Keys, F. Fidanza, M. Karvonen, N. Kimura ve H. Taylor, "Indices of relative weight and obesity," Journal of Chronic Diseases, c. 25, s. 6-7, ss. 329-343, 1972.
[7] R. Huxley, S. Mendis, E. Zheleznyakov, S. Reddy ve J. Chan, "Body mass index, waist circumference and waist:hip ratio as predictors of cardiovascular risk," Obesity and Metabolism, c. 8, s. 1, ss. 69-69, 2011.
[8] C. Lee, R. Huxley, R. Wildman ve M. Woodward, "Indices of abdominal obesity are better discriminators of cardiovascular risk factors than BMI: A meta-analysis," Journal of Clinical Epidemiology, c. 61, s. 7, ss. 646-653, 2008.
[9] B. Srdić, B. Obradović, G. Dimitrić, E. Stokić ve S. Babović, "Relationship between body mass index and body fat in children—age and gender differences," Obesity Research & Clinical Practice, c. 6, s. 2, ss. 167-173, 2012.
[10] A. Kupusinac, E. Stokić ve R. Doroslovački, "Predicting body fat percentage based on gender, age and BMI by using artificial neural networks," Computer Methods and Programs in Biomedicine, c. 113, s. 2, ss. 610-619, 2014.

[11] P. Deurenberg ve M. Yap, "The Assessment of Obesity: Methods for measuring body fat and global prevalence of obesity," Best Practice & Research Clinical Endocrinology & Metabolism, c. 13, s. 1, ss. 1-11, 1999.
[12] N. Jensky-Squires, C. Dieli-Conwright, A. Rossuello, D. Erceg, S. McCauley ve E. Schroeder, "Validity and reliability of body composition analysers in children and adults," British Journal of Nutrition, c. 100, s. 4, ss. 859-865, 2008.
[13] W. Beeson, M. Batech, E. Schultz, L. Salto, A. Firek, M. Deleon, H. Balcazar ve Z. Cordero-Macintyre, "Comparison of body composition by bioelectrical ımpedance analysis and dual-energy X-ray absorptiometry in hispanic diabetics," International Journal of Body Composition Research, c. 8, s. 2, ss. 45-50, 2010.
[14] A. M. Bongiolo, K. Castro ve M. A. da Silva. "Bioelectrical ımpedance analysis: body composition in children and adolescents with Down Syndrome," Minerva Pediatrica, c. 69, s. 6, ss. 560-563, 2017.
[15] D. Anblagan, R. Deshpande, N. Jones, C. Costigan, G. Bugg, N. Raine-Fenning, P. Gowland ve P. Mansell, "Measurement of fetal fatin uteroin normal and diabetic pregnancies using magnetic resonance ımaging," Ultrasound in Obstetrics & Gynecology, c. 42, s. 3, ss. 335-340, 2013.
[16] J. Josefson, M. Nodzenski, O. Talbot, D. Scholtens ve P. Catalano, "Fat mass estimation in neonates: anthropometric models compared with air displacement plethysmography," British Journal of Nutrition, c. 121, s. 3, ss. 285-290, 2019.
[17] D. Fukuda, M. Wray, K. Kendall, A. Smith-Ryan ve J. Stout, "Validity of near-ınfrared ınteractance (FUTREX 6100/XL) for estimating body fat percentage in elite rowers," Clinical Physiology and Functional Imaging, c. 37, s. 4, ss. 456-458, 2017.
[18] A. Fernández-Sánchez, E. Madrigal-Santillán, M. Bautista, J. Esquivel-Soto, Á. Morales-González, C. Esquivel-Chirino, I. Durante-Montiel, G. Sánchez-Rivera, C. Valadez-Vega ve J. A. Morales-González, "Inflammation, oxidative stress, and obesity," International Journal of Molecular Sciences, c. 12, s. 5, ss. 3117-3132, 2011.
[19] T. Ferenci, "Two Applications Of Biostatistics in The Analysis of Pathophysiological Processes," Doktora Tezi, Óbuda Univeristy, Budapest, Hungary, 2013.
[20] T. Ferenci ve L. Kovács, "Predicting body fat percentage from anthropometric and laboratory measurements using artificial neural networks," Applied Soft Computing, c. 67, ss. 834-839, 2018.
[21] S. Balasundaram, "On lagrangian support vector regression," Expert Systems with Applications, c. 37, s. 12, ss. 8784-8792, 2010.
[22] Y. Xu ve L. Wang, "A weighted twin support vector regression," Knowledge-Based Systems, c. 33, ss. 92-101, 2012.
[23] R. Chiong, Z. Fan, Z. Hu ve F. Chiong, "Using an improved relative error support vector machine for body fat prediction," Computer Methods and Programs in Biomedicine, c. 198, ss. 105749, 2020.
[24] P. Deurenberg, M. Yap ve W. van Staveren, "Body mass index and percent body fat: a meta analysis among different ethnic groups," International Journal of Obesity, c. 22, s. 12, ss. 1164-1171, 1998.
[25] A. Jackson P. Stanforth, J. Gagnon, T. Rankinen, A. Leon, D. Rao, J. Skinner, C. Bouchard ve J. Wilmore, "The Effect of sex, age and race on estimating percentage body fat from body mass index: the heritage family study," International Journal of Obesity, c. 26, s. 6, ss. 789-796, 2002.
[26] Y. Shao, "Body fat percentage prediction using ıntelligent hybrid approaches," The Scientific World Journal, c. 2014, ss. 1-8, 2014.
[27] M. Uçar, Z. Uçar, F. Köksal ve N. Daldal, "Estimation of body fat percentage using hybrid machine learning algorithms," Measurement, c. 167, ss. 108173, 2020.
[28] K. DeGregory, P. Kuiper, T. DeSilvio, J. D. Pleuss, R. Miller, J. W. Roginski, C. B. Fisher, D. Harness, S. Viswanath, S. B. Heymsfield, I. Dungan ve D. M. Thomas, "A review of machine learning in obesity," Obesity Reviews, c. 19, s. 5, ss. 668-685, 2018.
[29] M. Akman, M. K. Uçar, Z. Uçar, K. Uçar, B. Baraklı ve M. R. Bozkurt, “Determination of body fat percentage by gender based with photoplethysmography signal using machine learning algorithm,” Innovation and Research in BioMedical Engineering, Basımda.
[30] C. Cortes ve V. Vapnik, "Support-vector networks," Machine learning, c. 20, s. 3, ss. 273-297. 1995.
[31] T. K. Ho, "Random decision forests", In: Proceedings of 3rd İnternational Conference on Document Analysis and Recognition. IEEE, Montreal, QC, Canada, 1995, ss. 278-282.
[32] R. Johnson, "Fitting percentage of body fat to simple body measurements," Journal of Statistics Education, c. 4, s. 1, 1996.
[33] W. E. Siri, "body composition from fluid spaces and density: analysis of methods," University of Michigan Library, ss. 1-33, 1956.
[34] X. Yan ve S. Xiaogang, "Linear regression analysis: theory and computing," World Scientific, ss. 1-2, 2009.
[35] H. B. Curry, “The method of steepest descent for non-linear minimization problems,” Quart. Appl. Math., s. 2, ss. 258–261, 1944.
[36] S. Boyd ve L. Vandenberghe, “Convex Optimization”, 7. baskı, Newyork, United States of America: Cambridge University Press, 2004, böl. 5, ss. 215-216.
[37] L. Breiman, J. Friedman, C. J., Stone ve R. A. Olshen, "Classification and Regression Trees," 1. baskı, London, England: CRC Press, 1984, böl. 11, ss. 246-259
[38] L. Breiman, "Random forests," Machine Learning, c. 45, s. 1, ss. 5-32, 2001.
[39] B. Schölkopf, “Statistical Learning and Kernel Methods”, In: Data Fusion and Perception, G. Della Riccia, HJ. Lenz, R. Kruse, International Centre for Mechanical Sciences Book Series, 1. baskı, Vienna, Austria :Springer, 2001, böl. 431, ss. 3-24.

Details

Primary Language

Turkish

Subjects

Engineering

Journal Section

Research Article

Authors

Burhan Baraklı
0000-0002-7947-2312
Türkiye

Ahmet Küçüker ^*
0000-0001-9412-5223
Türkiye

Publication Date

May 29, 2021

Submission Date

October 23, 2020

Acceptance Date

March 25, 2021

Published in Issue

Year 2021 Volume: 9 Number: 3

DOI

https://doi.org/10.29130/dubited.815454

IZ

https://izlik.org/JA82PM35WU

APA

Baraklı, B., & Küçüker, A. (2021). Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini. Duzce University Journal of Science and Technology, 9(3), 430-445. https://doi.org/10.29130/dubited.815454

AMA

1.Baraklı B, Küçüker A. Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini. DUBİTED. 2021;9(3):430-445. doi:10.29130/dubited.815454

Chicago

Baraklı, Burhan, and Ahmet Küçüker. 2021. “Karar Destek Makineleri Ve Rastgele Orman Ağaçları Yöntemleri Ile Vücut Yağ Yüzdesinin Tahmini”. Duzce University Journal of Science and Technology 9 (3): 430-45. https://doi.org/10.29130/dubited.815454.

EndNote

Baraklı B, Küçüker A (May 1, 2021) Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini. Duzce University Journal of Science and Technology 9 3 430–445.

IEEE

[1]B. Baraklı and A. Küçüker, “Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini”, DUBİTED, vol. 9, no. 3, pp. 430–445, May 2021, doi: 10.29130/dubited.815454.

ISNAD

Baraklı, Burhan - Küçüker, Ahmet. “Karar Destek Makineleri Ve Rastgele Orman Ağaçları Yöntemleri Ile Vücut Yağ Yüzdesinin Tahmini”. Duzce University Journal of Science and Technology 9/3 (May 1, 2021): 430-445. https://doi.org/10.29130/dubited.815454.

JAMA

1.Baraklı B, Küçüker A. Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini. DUBİTED. 2021;9:430–445.

MLA

Baraklı, Burhan, and Ahmet Küçüker. “Karar Destek Makineleri Ve Rastgele Orman Ağaçları Yöntemleri Ile Vücut Yağ Yüzdesinin Tahmini”. Duzce University Journal of Science and Technology, vol. 9, no. 3, May 2021, pp. 430-45, doi:10.29130/dubited.815454.

Vancouver

1.Burhan Baraklı, Ahmet Küçüker. Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini. DUBİTED. 2021 May 1;9(3):430-45. doi:10.29130/dubited.815454

Cited By

Vücut Yağ Yüzdesi Tahmini İçin Özellik Seçim Yöntemlerinin Karşılaştırılması

Düzce Üniversitesi Bilim ve Teknoloji Dergisi

https://doi.org/10.29130/dubited.1115703