Loading...
Publication
Machine learning classification of consumption habits of creatine supplements in GYM goers
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 462.96 KB | Adobe PDF |
Advisor(s)
Abstract(s)
The aim is to identify usage patterns and the main factors that influence creatine supplementation, providing a basis for future educational interventions and recommendations for safe and effective use. The study was applied to gym goers in Bragança, where a QR code for a survey was released. 158 people participated, 65 non-consumers of creatine supplementation (37.34% men; 22.78% women) and 95 consumers (15.19% men; 24.68% women). Five machine learning algorithms were implemented to classify creatine consumption in gym goers: Logistic Regression, Gradient Boosting Classifier, Ada Boost Classifier, Xgboost Classifier. K-folds cross-validation was implemented to validate the machine learning performance. There was an increased proportion of females with considered themselves not sufficiently informed about the creatine effects/side effects (22.2%) in comparison to males (8.47%), p=0.03. The AdaBoost classifier exposed the best overall performance (86%) in classifying overuse of creatine in gym goers based on their Smoke habits (r = 0.33), grams of creatine used per day (r = 0.50) and lack information about the side effects of creatine intake (r = -0.33). The K-folds method validates the results with very good performance (86%). In conclusion, the five machine learning methods employed well characterized the overuse of creatine in gym goers based on smoke habits, grams of creatine per day, and lack information about the side effects of creatine intake.
Classificação por machine learning dos hábitos de consumo de suplementos de creatina em frequentadores de ginásios O objetivo é identificar padrões de uso e os principais fatores que influenciam a suplementação de creatina, fornecendo uma base para futuras intervenções educacionais e recomendações para um uso seguro e eficaz. O estudo foi aplicado a frequentadores de academia em Bragança, onde um código QR para uma pesquisa foi disponibilizado. 158 pessoas participaram, 65 não consumidores de suplementação de creatina (37,34% homens; 22,78% mulheres) e 95 consumidores (15,19% homens; 24,68% mulheres). Cinco algoritmos de aprendizado de máquina foram implementados para classificar o consumo de creatina em frequentadores de academia: Regressão Logística, Classificador de Impulso Gradiente, Classificador de Impulso Ada, Classificador Xgboost. A validação cruzada de K-folds foi implementada para validar o desempenho de aprendizado de máquina. Houve uma proporção maior de mulheres que se consideravam insuficientemente informadas sobre os efeitos/efeitos colaterais da creatina (22,2%) em comparação com homens (8,47%), p=0,03. O classificador AdaBoost expôs o melhor desempenho geral (86%) na classificação do uso excessivo de creatina em frequentadores de academia com base em seus hábitos de fumo (r = 0,33), gramas de creatina usadas por dia (r = 0,50) e falta de informação sobre os efeitos colaterais da ingestão de creatina (r = -0,33). O método K-folds validou os resultados com um desempenho muito bom (86%). Em conclusão, os cinco métodos de aprendizado de máquina empregados caracterizaram bem o uso excessivo de creatina em frequentadores de academia com base em hábitos de fumo, gramas de creatina por dia e falta de informação sobre os efeitos colaterais da ingestão de creatina.
Classificação por machine learning dos hábitos de consumo de suplementos de creatina em frequentadores de ginásios O objetivo é identificar padrões de uso e os principais fatores que influenciam a suplementação de creatina, fornecendo uma base para futuras intervenções educacionais e recomendações para um uso seguro e eficaz. O estudo foi aplicado a frequentadores de academia em Bragança, onde um código QR para uma pesquisa foi disponibilizado. 158 pessoas participaram, 65 não consumidores de suplementação de creatina (37,34% homens; 22,78% mulheres) e 95 consumidores (15,19% homens; 24,68% mulheres). Cinco algoritmos de aprendizado de máquina foram implementados para classificar o consumo de creatina em frequentadores de academia: Regressão Logística, Classificador de Impulso Gradiente, Classificador de Impulso Ada, Classificador Xgboost. A validação cruzada de K-folds foi implementada para validar o desempenho de aprendizado de máquina. Houve uma proporção maior de mulheres que se consideravam insuficientemente informadas sobre os efeitos/efeitos colaterais da creatina (22,2%) em comparação com homens (8,47%), p=0,03. O classificador AdaBoost expôs o melhor desempenho geral (86%) na classificação do uso excessivo de creatina em frequentadores de academia com base em seus hábitos de fumo (r = 0,33), gramas de creatina usadas por dia (r = 0,50) e falta de informação sobre os efeitos colaterais da ingestão de creatina (r = -0,33). O método K-folds validou os resultados com um desempenho muito bom (86%). Em conclusão, os cinco métodos de aprendizado de máquina empregados caracterizaram bem o uso excessivo de creatina em frequentadores de academia com base em hábitos de fumo, gramas de creatina por dia e falta de informação sobre os efeitos colaterais da ingestão de creatina.
Description
Keywords
Suplementação de creatina Academia Caracteristicas Adultos
Citation
Magalhães, Patrícia C.; Encarnação, Samuel; Schneider, André C.; Forte, Pedro; Teixeira, José E.; Monteiro, António Miguel; Barbosa, Tiago M., Pereira, Ana M. (2025). Machine learning classification of consumption habits of creatine supplements in gym goers. Revista Brasileira de Nutrição Esportiva. ISSN 1981-9927. 19, p. 1-13
Publisher
Instituo Brasileiro Pesquisa & Ensino Fisiologia Exercício