Repository logo
 
Publication

Machine learning classification of consumption habits of creatine supplements in GYM goers

2025Journal article Open access
Simple item page
datacite.subject.fosCiências Sociais::Ciências da Educação
datacite.subject.sdg04:Educação de Qualidade
dc.contributor.authorMagalhães, Patrícia C.
dc.contributor.authorEncarnação, Samuel
dc.contributor.authorForte, Pedro
dc.contributor.authorde Araújo Teixeria, José Eduardo
dc.contributor.authorMonteiro, António M.
dc.contributor.authorBarbosa, Tiago M.
dc.contributor.authorPereira, Ana M.
dc.contributor.authorEncarnação, Samuel
dc.contributor.authorPereira, Ana Maria Geraldes Rodrigues
dc.date.accessioned2025-04-01T14:28:06Z
dc.date.available2025-04-01T14:28:06Z
dc.date.issued2025
dc.description.abstractThe 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.eng
dc.description.abstractClassificação 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.por
dc.identifier.citationMagalhães, 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
dc.identifier.issn1981 -9927
dc.identifier.urihttp://hdl.handle.net/10198/34376
dc.language.isoeng
dc.peerreviewedyes
dc.publisherInstituo Brasileiro Pesquisa & Ensino Fisiologia Exercício
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/
dc.subjectSuplementação de creatina
dc.subjectAcademia
dc.subjectCaracteristicas
dc.subjectAdultos
dc.titleMachine learning classification of consumption habits of creatine supplements in GYM goerseng
dc.typejournal article
dspace.entity.typePublication
oaire.citation.endPage13
oaire.citation.startPage1
oaire.citation.titleRevista Brasileira de Nutrição Esportiva
oaire.citation.volume19
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
person.familyNameForte
person.familyNameTeixeira
person.familyNameMonteiro
person.familyNameBarbosa
person.familyNameEncarnação
person.familyNamePereira
person.givenNamePedro
person.givenNameJosé Eduardo
person.givenNameAntónio M.
person.givenNameTiago M.
person.givenNameSamuel
person.givenNameAna Maria Geraldes Rodrigues
person.identifier.ciencia-id351B-B16B-79C7
person.identifier.ciencia-idD11C-9591-7A8A
person.identifier.ciencia-idC41C-6CCD-A1F0
person.identifier.ciencia-id8B11-BDC4-F6FF
person.identifier.ciencia-id9416-E2F5-E660
person.identifier.ciencia-id261B-FE1F-4B06
person.identifier.orcid0000-0003-0184-6780
person.identifier.orcid0000-0003-4612-3623
person.identifier.orcid0000-0003-4467-1722
person.identifier.orcid0000-0001-7071-2116
person.identifier.orcid0000-0003-2965-2777
person.identifier.orcid0000-0002-8747-254X
person.identifier.scopus-author-id10044856400
person.identifier.scopus-author-id57199275973
relation.isAuthorOfPublication3ecc6d1b-07a4-40d7-81f4-df6fd7b3d5b0
relation.isAuthorOfPublication79042f92-ce53-4b79-a33f-76ac63c55b8d
relation.isAuthorOfPublication5b5d8601-e683-42d5-a1b5-c8e29a4e0a41
relation.isAuthorOfPublication941a6f14-cfba-458a-a2e3-0cbd1846cd42
relation.isAuthorOfPublicationd38d4c9f-84d5-4562-9482-5322ded17d3d
relation.isAuthorOfPublication9929e785-ae16-4ccb-9dbc-18d991aacbf9
relation.isAuthorOfPublication.latestForDiscoveryd38d4c9f-84d5-4562-9482-5322ded17d3d

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Machine_learning.pdf
Size:
462.96 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.75 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

ESE - Artigos em Revistas Indexados à WoS/Scopus