FULL-LENGTH ARTICLEContextual motivation in physical activityby means of association rule miningSugam Sharma a,*, Udoyara Sunday Tim b, Marinelle Payton c, Hari Cohly d,Shashi Gadia e, Johnny Wong e, Sudharshanam Karakala fa Center for Survey Statistics & Methodology, Iowa State University, Ames, IA 50010, USAb Department of Agricultural and Biosystems Engineering, Iowa State University, Ames, IA 50010, USAc Center of Excellence in Minority Health and Health Disparities, Jackson State University, Jackson, MS, USAd Department of Biology, Jackson State University, Jackson, MS 39217, USAe Department of Computer Science, Iowa State University, Ames, IA 50010, USAf Department of Epidemiology and Biostatistics, Jackson State University, Jackson, MS 39217, USAReceived 31 August 2014; revised 27 June 2015; accepted 30 June 2015Available online 21 August 2015KEYWORDSAssociation rule mining;Physical activity;RegularityAbstractThe primary thrust of this work is to demonstrate the applicability of association rulemining in public health domain, focusing on physical activity and exercising. In this paper, theconcept of association rule mining is shown assisting to promote the physical exercise as regularhuman activity. Specifically, similar to the prototypical example of association rule mining, marketbasket analysis, our proposed novel approach considers two events – exercise (sporadic) and sleep(regular) as the two items of the frequent set; and associating the former, exercise event, with latter,the daily occurring activity sleep at night, helps strengthening the frequency of the exercise patterns.The regularity can further be enhanced, if the exercising instruments are kept in the vicinity of thebed and are within easy reach.� 2015 Production and hosting by Elsevier B.V. on behalf of Faculty of Computers and Information,1. IntroductionThe regularity in physical activity administers prodigiousbenefits to human health but the participation in any formof physical activity or exercise tends to decline over time andan average 50% dropout is reported within six months ofinitiation [11]. Embarking upon and establishing a regularpattern of a physical activity is the hardest part [23]. Our workaddresses such issues and exploits an eminently popular andwell researched computational technique, association rule min-ing (hereinafter referred simply as ARM) [24,4] for contextual* Corresponding author.E-mail address: sugamsha@iastate.edu (S. Sharma).Peer review under responsibility of Faculty of Computers andInformation, Cairo University.Production and hosting by ElsevierEgyptian Informatics Journal (2015) 16, 243–251Cairo UniversityEgyptian Informatics Journalwww.elsevier.com/locate/eijwww.sciencedirect.comhttp://dx.doi.org/10.1016/j.eij.2015.06.0031110-8665 � 2015 Production and hosting by Elsevier B.V. on behalf of Faculty of Computers and Information, Cairo University.Cairo University. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).The concept of ARM was first introduced by Agrawal et al.244S. Sharma et al.0motivation to promote regularity in physical activity andexercising patterns.0[1]发现商业交易中项目之间的相关性。从那时起，ARM技术在数据挖掘文献中得到了广泛讨论，并且已经解决了从大型复杂数据集中高效生成此类规则的相关问题。ARM的主要目标是发现复杂和大型结构化或非结构化多维数据集中项目之间的复杂关系。通常，关联规则（以下简称ARs）是数据挖掘策略，可以揭示大型数据集中实体之间的隐藏关系，从而更好地了解数据，特别是在众多业务领域中的客户购买模式。ARM技术已经应用于各种不同的研究和应用领域；市场风险管理、库存控制和电信只是其中的几个例子。在本文中，我们不会探讨ARM的整个范围；而是专注于ARM的一个被广泛认可的理论潜力建模技术，称为市场篮子分析[2]。该技术可以相当准确地预测不同组的商品购买模式之间的相关性，其算法方面的执行是直接的。为了更好地理解市场篮子分析的概念，让我们用一个假设的例子进一步简要说明。在超市中，整天都有多个交易，共同形成一个大型数据集。每个交易都包括所购买的商品名称。例如，如果面包、牛奶和奶酪是大多数交易中的常见商品，那么这组{面包、牛奶、奶酪}被称为频繁集。因此，频繁集F可以被定义为在至少T次交易中一起购买的项目（零个或多个）的集合，T是用户定义的阈值。然后，这三种商品很可能应该在商业场所内保持紧密，可能会导致产品销售增加。作为一种预测分析技术，ARM已经在许多决策领域中找到了应用，例如交叉营销、目录设计、商店布局和购买模式。它将嵌入在大型数据集中的知识表示为概率推论，并与频繁项集的单元计算或发现数据中的频繁集密切相关。除了在挖掘分类数据方面的许多应用之外，还有关于医学诊断和医疗保健分析的其他研究。例如，AR技术已经被提出用于图像分析[16,25,20]。这个概念，特别是以市场篮子分析[12]的形式，在数据仓库[13]中获得了消费者见解，但其有效性仍然仅限于分析商业设施中的商品，以改进产品营销并增加收入。在本文中，我们试图进一步扩大AR概念的使用范围，超越商业领域，关注其对公共健康问题和体育活动的潜在应用；这一杰出的努力为本文的新颖性做出了贡献。0为了说明我们的方法，让我们假设运动-零星事件-和睡眠-常规事件-是两个项目0在频繁集中。类似于商业领域中ARM的原型示例-市场篮分析-其中AR建议将相关联的项目放在一起以增加销售，轻度运动事件可以与睡眠事件相关联。正如前面提到的，睡眠事件是一个经常发生的事件，将运动事件与它相关联，将推动后者向常规事件分类的漂移行为倾向。换句话说，作为频繁项集中的项目，如果发生了睡眠事件，那么很有可能也会发生运动事件。这项研究的重点是利用ARM的概念和空间方面来增强运动事件的规律性:运动设备与床的近距离和时间方面:执行运动的时间与睡眠时间有重要作用。然而，运动的类型是一个开放的选择。一旦运动结束，引起的疲惫可能进一步帮助受试者迅速入睡。我们提出的方法并不打算破坏睡眠模式，而是鼓励在睡前进行轻度运动的规律性，这可能有助于加深睡眠模式。0本文的其余部分组织如下。第2节对ARM在许多领域的应用进行了简要的文献综述。第3节详细介绍了与ARM相关的概念和算法。第4节详细介绍了本研究中使用的方法论。第5节是结果和讨论部分，文章在第6节中结束。02. 文献综述0许多研究尝试将ARM的概念扩展到传统商业领域之外。Stilou等人[21]利用ARM在医疗保健系统中的重要性进行智能诊断，并从医学数据库中提取宝贵信息，特别是糖尿病数据存储库，最终有助于自动快速地开发知识库。Semenova等人[22]开发了一个大型健康数据库的AR算法，重点关注提供知识和有用见解的项目集，与其他算法不同，其他算法主要关注所有频繁项目集。Brossette等人[4]利用AR的概念开发了一个数据分析过程，称为数据挖掘监控系统(DMSS)，该系统整合了医院感染控制和公共卫生监测数据，以从数据集中识别新的、意想不到的和有趣的模式。他们的研究还解释了监测系统在检测公共卫生和医院环境中新的和重新出现的传染性威胁的重要性。Concaro等人[7,8]开发了关于在混合事件序列上挖掘时间AR的一般方法，这些事件具有异质的时间元素，如时间间隔和时间点。已开发算法用于提取混合事件序列中的时间AR。Gamberger等人[9]使用AR的概念生成具有高预测质量的确认规则，用于医学诊断，可以帮助医生更好地治疗患者。他们将确认规则应用于冠状动脉疾病的诊断，并声称AR在开发可靠的确认规则方面被证明非常有用。Serban等人[19]首先通过数学公式支持的关联AR将序数AR重新定义为关联AR。关联AR有助于提出01 ARs (关联规则)是AR (关联规则)的复数表示。0一种可能更好地帮助诊断关键医疗状况的技术;最后,提出了一个用于这种诊断的编程接口。该接口提供了一种新颖的诊断技术，基于关联AR和监督学习算法，并有助于软件开发报告疾病的可能近似。该接口足够灵活，可以在非常微小的努力下容纳任何疾病的新类型的症状。Gupta等人[10]寻求在理解蛋白质结构中氨基酸的行为和模式方面获得ARM概念的好处。他们首先想要了解氨基酸之间的关联性质。将氨基酸的市场篮分析的流行概念映射到AR，氨基酸可能表现得像一组物品，蛋白质序列可以被认为是包含物品的篮子的类似物。作者声称对某些蛋白质中某些氨基酸的共存有重要的见解。Malerba等人[14]感知到数据挖掘技术在公共政策制定中的巨大潜力，并将这些技术应用到人口普查数据中，以发现一些支持良好公共政策并支持民主社会有效运作的关联。作者建议将空间ARM的原始任务分解为子任务:(a)查找大型或频繁的空间模式，(b)生成具有高置信度的空间AR;并声称已经发现了一些提供新知识的AR。Chaves等人[6]在阿尔茨海默病的诊断中使用AR的概念，特别是探索单光子发射计算机断层扫描中激活的脑波之间的关系。Pazhanikumar和Arumugaperumal[17] 提供了关于ARM各种应用的详细调查。0正如这些案例研究所示，关联规则挖掘已成为许多健康信息学案例中的重要挖掘技术。显然，本文试图扩大关联规则挖掘在最近公共卫生关注和体育活动对调节锻炼模式的影响方面的重点。文献中已广泛报道体育活动与健康益处之间的密切关联，而低水平的体育活动被认为是较高健康风险的主要因素。03. 关联规则挖掘算法概述0关联规则被认为是数据挖掘中的核心概念之一，它建立在机器学习和人工智能的能力之上。作为一种流行的数据挖掘技术，关联规则有助于揭示数据存储库中明显无关的数据之间的隐藏关系[24]。这些规则有助于分析和预测客户的行为，在市场篮子数据分析、产品聚类、商店新布局中至关重要。关联规则主要依赖于两个标准——支持度和置信度。支持度表示数据库中项目出现的频率，而置信度表示陈述为真的次数——如果一个人购买物品x，那么他购买物品z的可能性增加了y%。这两个参数主要用于衡量规则对用户的有用性，在数据挖掘文献中，这种测量方式被称为0客观度量。一般来说，具有高支持度和高置信度的AR表明，例如，购买物品a、b和c的用户大多数时候也购买物品d。0客观度量分析数据集的统计数据，支持度和置信度作为两个重要的分析参数[1]。0设I = {i 1 , i 2 , . . . , i n }为一组项目，进一步假设R = { T 1 , T 2 , T3 . . . T n }| " T i ˝ I，考虑X和Y两个调用项目|X,Y ˝ I，规则意味着X ) Y " X , Y � I 且X \ Y = U0支持度: AR X ) Y可持续的支持度为s，如果R中有s%的商业交易包含X [Y。如果这些AR适用于s的值，这些AR被认为具有最小支持度，其中s P用户指定的支持度。0更一般地，可以计算项集(x1, x2, . . . , xj)的支持度如下。0支持度(x1, x2, . . . ) = 包含x1, x2, . . . 的交易数/总交易数0置信度: AR X ) Y可持续的置信度为c，R中所有交易中有c%的交易，如果包含X，也包含Y。如果一个AR包含超过用户指定的置信度值的c值，被认为具有最小置信度。0计算项(x1, x2, . . . )蕴含(y1, y2, . . .)的置信度，其中每个xi和yk都是元素，如下所示。0置信度((x1, x2, . . . ) ) (y1, y2, . . . )) = 支持度((x1,x2, . . . ) ) (y1, y2, . . . ))/支持度(x1, x2, . . . )0支持度和置信度的概念可以通过以下样本案例研究进一步说明。03.1. 样本案例研究0一家虚构的零售商店销售瓷砖、水泥和油漆等五金商品。该商店有兴趣提高销售，并希望了解消费者的购物模式和偏好。为了进行这样的分析，它决定采用市场篮子分析背后的概念，并每天分析所有交易。为简单起见，在本文中，仅以表1中的四个随机交易作为一个示例来表示，作为一个随机日的简化数组，可以进一步表示为表2。0利用表1中的数据，分析购买物品的各种关联，以支持度和置信度来衡量。0关联规则挖掘2450支持度（油漆，白酒精）=（1/4）=25%支持度（油漆，灰泥）=（2/4）=50%支持度（瓷砖水泥，瓷砖）=2/4=50%0置信度（油漆）白酒精）=1/3=33%置信度（油漆，灰泥）壁纸）=1/2=50%置信度（瓷砖水泥）瓷砖）=2/2=100%0让我们讨论一个有趣的关联案例-瓷砖水泥和瓷砖之间的关联。如上述计算所示，有50%的支持，即客户购买瓷砖水泥和瓷砖的概率，而如果有人购买瓷砖水泥，他一定也会购买瓷砖，这一点有100%的置信度。0在本文中，我们应用ARM的概念来帮助解释和解决体育活动和锻炼模式的问题。更具体地，我们将轻度运动与规律的睡眠模式联系起来；有很好的支持和置信度表明人们会在睡眠事件中进行锻炼。我们建议在睡觉前进行轻度运动。我们进一步建议，运动的类型是自由选择的，但为了避免睡眠秩序的任何干扰，我们推荐进行轻度运动。下一节描述了利用AR概念对这项研究进行实验评估。04. 方法论0除了系统地确定特征属性之间的关系外，本研究假设空间和时间方面在调节体育活动和锻炼模式方面起到一定作用。活动的依赖性以AR的形式体验。实验涉及非正式参与。协议考虑了三个位置，空间上从受试者的床作为起点有所不同，分别是：（1）配备大量现代运动设备的健身设施，（2）客厅，放置运动设备，和（3）床0侧面，轻度运动设备易于触及。假定健身中心距参与者住所约半英里。不考虑任何可能影响研究结果的经济负担，如健身中心会员费（月度或年度）或额外健身设备的费用。针对每个空间方面，研究持续四周，参与者每天记录参与情况。与涉及人类参与的其他研究类似，本研究可以涉及任何种族、民族或性别的成年人大群体。然而，本研究是初步的，被视为概念验证。因此，我们没有进行广泛的实验来评估结果和性能的质量。我们相信一个虚拟形象可以满足这里的演示要求，但为了在演示目的上具有真实测试环境的感觉，我们请求一个真实的受试者参与，而不是一个虚拟形象，后者已经足够满足要求。因此，在本文范围内，大数据集的选择是可选的。因此，在本文中，使用一个群体的大小（一个参与者）。受试者的特征是-一个35岁的健康成年男性。参与纯属自愿，参与者可以在整个研究过程中随时离开，中途退出不会受到惩罚。参与者不会得到任何补偿。参与这个实验对受试者造成的伤害风险很小，与日常生活中通常遇到的风险没有什么不同。参与者的身份将保密，并且在整个研究过程中不会被使用。研究完成并且数据被分析后，身份将被销毁。参与者的姓名不会在任何报告中使用。0在研究开始之前，参与者会收到一份问卷，并会收到关于研究程序的说明。收集参与者每日的反馈，即个体是否进行了体育锻炼。问卷非常简单，包括整个月份的条目。反馈需要每天在指定位置上放置YES或NO，表示该天是否进行了锻炼。队列被允许在前四周开始在健身设施进行锻炼。并且，收集了参与者访问设施进行锻炼的那些天的数据。锻炼的类型和持续时间不是数据收集的一部分，在本研究中被忽略。在接下来的四周里，队列被要求只在家里进行锻炼，并且锻炼器材被放置在参与者家中的客厅。与健身设施不同，在客厅中的锻炼器材只有哑铃，尽管器材的选择不是特定的。对于这个空间位置，数据的收集方式与健身设施的方式相似。0表1 随机一天的五笔交易数据。0交易ID 购买01 铺砌水泥，瓷砖 2321 油漆，白酒 31 油漆，壁纸，灰泥 204油漆，灰泥，铺砌水泥，瓷砖0表2 关联规则挖掘中的合成数据。0交易ID 铺砌水泥 瓷砖 油漆 白酒 壁纸 灰泥01 Y Y N N N N 2321 N N Y Y N N 31 N N Y N Y Y 204 Y Y Y N N Y0246 S. Sharma等人。Figs. 2 and 3 are the graphical representations of supportand confidence of the ARs for all three spatial locations,respectively. In both the graphs, the support and confidence0在研究的第三阶段，锻炼器材被移动到参与者通常睡觉的地方。在这种情况下，受试者使用低海拔的硬表面床，并且可以很容易地从床上取得锻炼器材。在这个阶段，参与者被要求在睡觉前进行锻炼。值得再次提到的是，只有在进行锻炼的特定天数的计数是感兴趣的数据。从本研究的角度来看，锻炼的类型和锻炼执行的持续时间并不重要。因此，整个研究在3*4周=12周，即3个月内完成。04.1. 替代日常体育活动0瑜伽-这是另一种体育活动，几个世纪以来一直在练习，特别是在古代印度[5]。然而，最近才在全球范围内引起了广泛的关注和声誉，以促进健康生活。去年，联合国也认识到瑜伽在人类生活中作为日常体育活动的重要性，并宣布6月21日为国际瑜伽日[15]。2015年6月21日，全世界的人们都在练习瑜伽来庆祝这一天。瑜伽中有一些体式，如金刚坐[3]，被推荐用于健康生活，并可以在睡前练习。居民可以在睡前进行瑜伽。静态骑自行车-这是另一种日常活动，可以在这项研究中被视为一个可行的选择。静态自行车可以放在客厅或卧室，居民可以在睡前锻炼。然而，在后一位置安装这个锻炼器材很可能观察到更高的体育活动发生。跑步机跑步-在跑步机上跑步可以被视为另一种替代锻炼或体育活动。同样，这个锻炼器材可以放在客厅或卧室，居民可以每天进行锻炼。04.2. 限制0本文的核心目的是集中展示关联规则挖掘在公共卫生中的实用性和适用性，而不是对样本数据集做出任何结论性陈述。对于这个概念的证明，我们相信即使一个虚拟人物也能满足这项工作的演示要求，但我们更愿意选择一个真实的主题来测试在真实环境中的演示，并且能够满足这项工作的要求；因此，大数据集的选择是可选的。0尽管大样本量不是这项工作的主要要求，但我们仍认为，从统计学上讲，一个庞大的队列总是能更好地解释任何关系。尽管在本研究中使用大数据集是可选的，但这种微小的样本量，从一些评论家的观点来看，可以被认为是本文的局限之一。05.结果和讨论0在本节中，将分析、讨论和比较结果，特别是在体力活动的发生方面。如图1(a)–(d)所示，研究是针对四个不同的空间位置进行的。0每个空间位置的每周次数都会被计算。结果分别针对各个空间位置进行收集，并用于锻炼执行。可以观察到，在图1(a)中，活动开始时频率较高，即参与者更频繁地访问健身设施，但随着时间的推移，频率会慢慢下降。可以注意到，在月底的最后一周，受试者根本不去健身中心，这显然是人类行为的原因。对于客厅这个空间位置，活动的频率相对较好，但随着时间的推移，活动的发生也在这种情况下减少。图1(b)和(c)中的结果显然建立了运动活动的发生与空间方面的某种关系。0显然，运动器材的接近会激励参与者更多地参与锻炼，这可以通过图1(c)来证明，其中运动器材就在床边附近，有助于事件的发生保持一致性。0最后，结果汇总在图1(d)中，清楚地显示了随着运动器材的空间位置向睡眠场所推进，运动事件的发生次数是如何增加的。0为了评估规则的实用性，对健身中心、家庭客厅和床边三个不同的空间位置进行了支持度和置信度的计算。尽管与一般的AR不同，这里没有商业交易，也没有销售物品。相反，睡眠和锻炼事件被视为频繁集合的两个项目，将用于计算支持度和置信度。0因此，X=睡眠(S)，Y=锻炼(E)。0本文试图计算所有运动器材的各个空间位置的支持度和置信度，并以周为单位编制在下表中。0表3.1–3.4总结了使用关联数据挖掘规则概念计算的支持度和置信度，其中个人需要步行、驾驶或前往居住地外的健身设施。更具体地说，表3.1演示了如何计算以睡眠(S)和锻炼(E)为主要体力活动的日常支持度。表3.3和3.4与表3.1和3.2类似，只是关注与置信度相关的数据。表3.4与表3.2类似，只是包含使用关联挖掘规则获得的计算置信度。0表4.1–4.4包含了当运动器材位于住宅客厅内，人们不需要步行或前往健身设施时，通过AR计算的支持度和置信度数据。表4.1–4.4的描述与表3.1–3.4相同。0表5.1–5.4显示了当运动器材仅位于床边并且易于居民接触时，通过该规则计算的支持度和置信度。0关联规则挖掘247248S. Sharma et al.0图2和图3是所有三个空间位置的支持度和置信度的图形表示。在这两个图中，支持度和置信度都是最高的。0与锻炼活动的规律性在短时间内减弱的事实相反，这项研究将锻炼与睡眠联系起来，规律的事件激励更多的参与锻炼活动，并鼓励锻炼模式的规律性。将不经常发生的锻炼事件与规律的睡眠事件联系起来，增强了发生锻炼事件的可能性，同时也增强了睡眠的发生。0床边的空间位置支持度最高。更高的支持度和置信度百分比引用了规则的更高实用性。0可以注意到，在图2和图3中，支持度和置信度展示了相同的值，但通常它们具有不同的值，并且在评估关联规则的有效性时具有自己的重要性。0事件。锻炼事件的发生也受到锻炼场所的空间影响，根据图2和图3，锻炼器材在床边的空间位置（更高的支持度和置信度值）进一步有助于调节锻炼模式。0(c) 床边 (d) 比较0(a) 健身设施 (b) 家中客厅0表3.1 计算第一周的支持度。0图1 空间位置 vs. 锻炼发生次数。01 SE 4/7 = 57.14% 2 S 3 SE 4 S 5 SE 6 S 7 SE0交易ID（天） 项目 支持度{SE}0周 总交易 项目 支持度{SE} (%)01 7 7 4 57.14 2 7 7 2 28.57 3 7 7 2 28.57 4 7 7 0 0平均支持度 28.570SE0交易ID（天） 项目 置信度{S ) E}0表3.3 计算第一周的置信度。0表3.4 计算整个月（4周）的置信度。01 SE 4/7 = 57.14% 2 S 3 SE 4 S 5 SE 6 S 7 SE0SE0周 总交易 项目 置信度{S ) E} (%)1SE7/7 = 100%2SE3SE4SE5SE6SE7SESE01 7 7 4 57.14 2 7 7 2 28.57 3 7 7 2 28.57 4 7 7 0 0 平均置信度 28.570交易ID（天） 项目 支持度{SE}0表4.1 计算第一周的支持度。0表4.2 计算整个月（4周）的支持度。01 SE 6/7 = 85.71% 2 S 3 SE 4 SE 5 SE 6 SE 7 SE0SE0周 总交易 项目 支持度{SE} (%)0表4.3 计算第一周的置信度。0交易ID（天） 项目 置信度{S ) E} 1 7 7 6 85.71 2 7 7 4 57.14 3 7 7 4 57.14 4 7 7 3 42.8501 SE 6/7 = 85.71% 2 S 3 SE 4 SE 5 SE 6 SE 7 SE0表4.4 计算整个月（4周）的置信度。0周 总交易 项目 置信度{S ) E} (%)0SE01 7 7 6 85.71 2 7 7 4 57.14 3 7 7 4 57.14 4 7 7 342.85 平均置信度 60.710表5.1 计算第一周的支持度。0交易ID（天） 项目 支持度{SE}01 SE 7/7 = 100% 2 SE 3 SE 4 SE 5 SE 6 SE 7 SE0表5.2 计算整个月（4周）的支持度。0周 总交易 项目 支持度{SE} (%)0SE01 7 7 7 100 2 7 7 6 85.71 3 7 7 6 85.71 4 7 7 7 100平均支持度 92.850表5.3 计算第一周的置信度。0交易ID（天） 项目 置信度 {S ）E}0表5.4 计算整个月（4周）的置信度。0周 总交易 项目 置信度 {S ）E}（%）01 7 7 7 100 2 7 7 6 85.71 3 7 7 6 85.71 4 7 7 7 100平均置信度92.850图2 在所有三个空间位置的支持。0关联规则挖掘 249´´06. 结论0根据一般人类行为，锻炼开始时充满热情、活力和规律性，但往往在短时间内就会减弱，变得零星。对每个人来说，规律性锻炼都不是一件容易的事。在这项研究中，我们采用了ARM的概念，帮助规范锻炼模式。锻炼这个零星事件被放置在频率集中，与睡眠这个规律事件相结合。这增加了发生锻炼事件的可能性，同时也增加了睡眠事件的发生。在本文中，问题是从时空角度来考虑的。空间组成部分代表了锻炼器材的位置，时间组成部分暗示了锻炼应该在睡眠这个人类日常活动的规律模式下进行的时间。在这项研究中，我们考虑了三个锻炼执行的空间位置：（1）健身设施，（2）客厅和（3）床边。我们提出并验证了锻炼器材靠近床的位置，用户更容易接触，进一步有助于锻炼的规律性。支持和置信度被用作评估参数，以衡量为不同的空间位置创建的AR的有用性。我们主张温和的锻炼，而不是强度较大的锻炼，但鼓励锻炼的频率持续增加。因此，这项研究主要鼓励锻炼模式的规律性。由于规律的锻炼有助于预防和控制肥胖，这项工作间接地有助于正在进行的控制肥胖流行病的努力。0已经说明本文的核心重点是展示ARM在健康信息学中的适用性，而不是对样本数据集进行结论性陈述。这项研究旨在发现数据挖掘研究这一重要领域的全部潜力。将ARM扩展到健康信息学提出了几个具有挑战性的问题，包括开发有效和高效的方法以及数据集的样本。还需要进一步的工作来提高将该概念应用于大型数据集以得出更多经得起考验的具体结论的效率。然而，我们认为我们的方法是朝着更全面应用该概念的第一步，该概念在很大程度上集中在业务应用上。但是，我们希望这项概念验证研究将激发其他更多的应用。0调查在医疗保健中的应用，特别是考虑到它在推进决策方面的潜力。0参考文献0[1] Agrawal R, Imielinski T, Swami A.在大型数据库中挖掘项目集之间的关联规则。在：ACMSIGMOD会议论文集；1993. p. 207–16.0[2] Berry MJ, Linoff GS.数据挖掘技术：用于营销、销售和客户关系管理。John Wiley & Sons;2004 .0[3] Broad WJ. 瑜伽的科学：风险和回报。Simon and Schuster；2012 .0[4] Brossette SE, Sprague AP, Hardin JM, Waites KB, Jones WT, MoserSA. 医院感染控制和公共卫生监测中的关联规则和数据挖掘。J Am MedInform Assoc 1998;5(5):373–81 .0[5] Bryant EF。帕坦贾利瑜伽经：新版，翻译和评论。北点出版社;2015。0[6] Chaves R，Ramírez J，Górriz JM，PuntonetCG。基于关联规则的特征选择方法用于阿尔茨海默病诊断。专家系统。应用。2012;39(14):11766–74。0[7] Concaro S，Sacchi L，Cerra C，Fratino P，BellazziP。使用时间关联规则挖掘医疗保健数据：改进和实际应用评估。在：意大利维罗纳人工智能会议论文集，2009年7月18日至22日。第16-25页0[8] Concaro S，Sacchi L，Cerra C，Fratino P，BellazziP。使用混合事件的时间关联规则挖掘医疗保健行政数据。方法信息医学2011;50(2):166–79。0[9] Gamberger D，Lavrac N，JovanoskiV。用于医学诊断的高置信度关联规则。在：智能数据分析在医学和药理学中的应用会议论文集，1999年11月6日至10日。第42-51页。0[10] Gupta N，Mangal N，Tiwari K，MitraP。在蛋白质序列中挖掘定量关联规则。在：2006年澳大利亚知识发现和数据挖掘会议论文集，第3755卷。第273-81页。0[11] Hausenblas HA，Carron AV，MackDE。将理性行为和计划行为理论应用于运动行为：元分析。J Sport ExercisePsychol 1997:36–51。0[12] Jukic N，NestorovS。通过合格的关联规则挖掘进行全面的数据仓库探索。决策支持系统2006;42:859–78。0[13] KimballR。数据仓库工具包：维度建模的完整指南。约翰威利和儿子出版社;2006。0[14] Malerba D，Esposito F，Lisi FA，AppiceA。在人口普查数据中挖掘空间关联规则。统计官方研究2002;5(1):19–44。0[15] ManeAB。国际瑜伽日：迈向全球健康的积极步伐。国际瑜伽杂志2015;8(2):163。0[16] Ordonez C，Santana C，BraalL。在医疗数据中发现有趣的关联规则。在：ACMSIGMOD研讨会论文集，美国德克萨斯州达拉斯，2000年5月14日。第78-85页。0[17] Pazhanikumar K，ArumugaperumalS。关联规则挖掘和医学应用：详细调查。计算应用国际期刊2013;80(17):10–9。0[18] Saporta G。数据挖掘和官方统计。在：Quinta Conferenza Nationaledi Statistica会议论文集，意大利罗马ISTAT，2000年11月15日。第15-7页。0[19] Serban G，Czibula IG，CampanA。用于医学诊断预测的编程接口。Babes-Bolyai大学研究，计算机学报，LI(1);2006。第21-30页。0[20] Sheela LJ，ShanthiV。用于从结构MRI中表征正常和异常记忆丧失的图像分析和分类协议。在：新加坡信号处理系统国际会议，2009年5月15日至17日。第639-43页。0图3 在所有三个空间位置的置信度。0250 S. Sharma等。0[21] Stilou S，Bamidis PD，Maglaveras N，PappasC。从临床数据库中挖掘关联规则：医疗保健中的智能诊断过程。健康技术信息研究2011;84(Pt 2):1399–403。0[22] Semenova T, Hegland M, Graco W, WilliamsG。挖掘大型健康数据库中识别趋势的关联规则的有效性，第1卷。在：整合数据挖掘和知识管理研讨会-2001年IEEE国际数据挖掘大会，美国加利福尼亚州，2001年11月29日至12月2日。0[23]人类心脏。健康的心脏。在富兰克林研究所;2014年[检索日期18.04.14]。0[24]张S，吴X。数据挖掘和知识发现中的关联规则基础。Wiley跨学科评论数据挖掘和知识发现2011;1(2):97–116。0[25] Zubi ZS, Saad RA.使用一些数据挖掘技术进行肺癌的早期诊断。人工智能、知识工程和数据库的最新研究。在：2011年2月20日至22日英国剑桥举行的第10届WSEAS国际人工
我的内容管理
展开
