earticle

영어

Effective obesity management requires reliable long-term weight change prediction. This study proposes two body composition-based weight prediction methods using bioelectrical impedance analysis (BIA) data. The first uses linear regression with fat mass(FM) and soft lean mass(SLM). The second employs an ARIMA model integrating Forbes' theory for personalized parameters. Six-month longitudinal BIA data from 45 participants were analyzed. Results showed the FM-based linear regression model achieved the best performance(correlation=0.999, RMSE=0.57kg). SLM-based regression and ARIMA models also showed high correlations(0.998). These findings demonstrate the potential of BIA and interpretable models for non-invasive, continuous body weight monitoring and personalized obesity management.

한국어

효과적인 비만 관리는 예방 의료의 중요한 요소이며, 특히 비만 환자에게 더욱 그러하다. 그러나 장기적인 체중 변 화 추세를 예측하는 신뢰할 수 있는 방법은 여전히 제한적이다. 본 연구에서는 생체 전기 임피던스 분석(BIA) 데이 터를 이용하여 체성분 기반 체중 예측을 위한 두 가지 새로운 접근 방식을 제안한다. 첫 번째 접근 방식은 지방량 (FM)과 제지방량(SLM)을 주요 입력 변수로 하는 통계적 선형 회귀 모델을 활용한다. 두 번째 접근 방식은 FM과 SLM 간의 관계를 기반으로 개인별 파라미터를 도출하기 위해 Forbes 이론을 통합한 ARIMA(Auto-regressive Integrated Moving Average) 모델을 사용한다. 45명의 참가자로부터 InBody 720 다중 주파수 BIA 시스템을 사용하여 6개월 동안의 종단적 체성분 데이터를 수집하여 약 300개의 데이터 포인트를 얻었다. 실험 결과, FM만 을 사용한 선형 회귀 모델이 0.999의 상관 계수와 0.57kg의 제곱근 평균 제곱 오차(RMSE)로 가장 높은 예측 성 능을 보였다. SLM을 사용한 회귀 모델과 FM 및 SLM을 사용한 ARIMA 기반 모델은 모두 0.998의 상관 계수를 나타냈으며, RMSE는 각각 0.7kg과 0.87kg이었다. 이러한 결과는 BIA 기반 데이터와 해석 가능한 모델링 기술 을 활용하여 비침습적이고 지속적인 체중 모니터링의 가능성을 입증한다. 제안된 프레임워크는 개인 맞춤형 건강 추 적 및 장기적인 비만 관리를 위한 실용적인 도구를 제시한다.