以多目標深度學習建構台灣體適能資料中身心健康預測模型之研究

隨著國人對自我健康意識抬頭，越來越多人開始重視自我健康與生活狀況，為了滿足人們對自我狀況的了解，在不必耗費大量的時間等待醫療檢測或是浪費醫療資源的情況下，以非醫學性、非檢驗性報告等結構化資料，進行實驗與研究，從模型預測中掌握自身的狀況，則顯得特別有意義。
本研究運用輔仁大學所收集的全國體適能資料等結構化資料進行實驗，本研究的體適能資料可以分為七大部分的資料類型，這幫助我們從不同的面相與角度切入問題，針對自我現況進行審核，我們透過多目標深度學習方法，使用CLSTM模型，對睡眠品質、自我健康狀況、自我快樂程度進行預測，經由實驗證實，相較於一般的模型，本實驗所設計的(MUSCLE : multi-task learning CLSTM model)模型，在預測表現上則顯得更為出色，這幫助我們更準確的分析出個人身心狀況，本研究的目的，在於提早發現可能存在的身心健康或是睡眠困難等因素，而後規劃出相對應的解決方案與方法，從中改善可能造成其影響的變因，以幫助受測者的身心、生活更加健康，進而提升國人健康水準，強化國人對自我健康的意識與認識，造就更加健康與快樂的生活。