Resumen

El estilo de vida influye en las tasas de morbilidad y mortalidad en el mundo. La actividad física, un peso saludable y una dieta sana son comportamientos sanitarios preventivos clave que ayudan a reducir el riesgo de desarrollar diabetes de tipo 2 y sus complicaciones, como las enfermedades cardiovasculares. Se ha demostrado que un estilo de vida saludable previene o retrasa las enfermedades crónicas y sus complicaciones, pero pocas personas siguen todos los comportamientos de autocontrol recomendados. Este trabajo pretende mejorar el conocimiento de los factores que afectan al autocontrol de la diabetes tipo 2 y a la prevención mediante cambios en el estilo de vida. Este trabajo describe el diseño, el desarrollo y la prueba de una aplicación móvil de autocontrol de la diabetes. La aplicación registraba el consumo de alimentos y los datos de salud. Se utilizan los datos de movimiento por Bluetooth de un par de dispositivos de plantillas portátiles para realizar un seguimiento de la ingesta de carbohidratos, la glucosa en sangre, el cumplimiento de la medicación y la actividad física. Se construyeron dos modelos de aprendizaje automático para reconocer la posición sentada y la posición de pie. Los modelos SVM y de árbol de decisión fueron 86 ción fueron precisos para estas tareas. El modelo de árbol de decisión se utiliza en una aplicación de clasificación de actividad en tiempo real. Es emocionante ver que cada vez se utilizan más aplicaciones móviles de autogestión de la salud para tratar enfermedades crónicas.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo de árbol de decisión, actividades físicas, diabetes propia, enfermedad crónica, modelo de aprendizaje automático, aplicación de clasificación de actividades, conocimiento de factores, comportamiento de salud preventivo, dispositivo de plantilla vestible, datos de movimiento bluetooth
• Keywords:decision tree model, physical activities, diabetes self, chronic disease, machine learning model, activities classification app, knowledge of factors, preventative health behaviour, wearable insole device, bluetooth movement data