Estimering af energiforbrug og fysisk aktivitetsklassificering med wearables (EEPAC)

Fysisk aktivitet (PA) er defineret som enhver kropslig bevægelse produceret af skeletmuskler, der kræver energiforbrug. Den videnskabelige dokumentation for de gavnlige virkninger er uigendrivelige. Almindelig PA er bevist for at hjælpe med at forebygge og behandle flere ikke-smitsomme sygdomme såsom hjertesygdomme, slagtilfælde, diabetes og forskellige former for kræft.

PA er en kompleks adfærd, der er karakteriseret ved frekvens, intensitet, tid og type (FITT). For at forstå effekten af ​​PA på sundhed og vores generelle velbefindende er det vigtigt at overvåge alle fire egenskaber ved PA. En PA-klassificeringsalgoritme kan vurdere mængden af ​​tid brugt i forskellige kropsstillinger og aktivitet. Gør det muligt at vurdere frekvens, tid og type. For fuldstændigt at karakterisere PA, skal intensiteten estimeres. Dette kan gøres ved at estimere energiforbruget (EE).

Wearables spiller en afgørende rolle i overvågningen af ​​PA. De er en praktisk måde at indsamle objektive PA-data i dagligdagen på på en diskret måde til en relativt lav pris. Desuden kan de bruges som et motiverende værktøj til at øge PA. Accelerometri er rutinemæssigt blevet brugt til at kvantificere PA og til at forudsige EE ved hjælp af lineære og ikke-lineære modeller. Forholdet mellem EE og acceleration er dog forskelligt fra aktivitet til aktivitet. For eksempel kan cykling generere den samme accelerationsamplitude som løb, men EE kan variere meget. Det er klart, at acceleration alene har en begrænset nøjagtighed til at estimere EE fra forskellige aktiviteter.

Forbedring af estimeringen af ​​EE kunne opnås ved først at klassificere aktivitetstypen. For hver type aktivitet kan der bruges forskellige skøn. Der er adskillige metoder til at klassificere PA og estimere EE. Litteratur beskriver brugen af ​​regressionsbaserede ligninger kombineret med cut-points, lineære modeller, ikke-lineære modeller, beslutningstræer, kunstige neurale netværk osv. Det er stadig uklart, hvad der ville være den bedste metode til at estimere EE, for ikke at nævne hvilke funktioner der ville bidrage til modellen.

En anden mulighed er at tilføje et relevant biosignal til estimeringsmodellen. Hjertefrekvens, vejrtrækningsfrekvens, temperatur er alle signaler, der har en respons relateret til en stigning i PA. Hjertefrekvens er tidligere blevet brugt til at forbedre EE-estimeringen i kombination med accelerometri. Åndedrætshastigheden og temperaturen kan bidrage til estimeringen af ​​EE er stadig uklar.

Derfor er målet med den nuværende undersøgelse todelt. For det første at udforske bidraget fra forskellige variabler (fysiologiske signaler) til estimeringen af ​​EE og klassificeringen af ​​PA. For det andet udvikle og validere en model til at estimere EE og klassificere PA i simulerede frie leveforhold baseret på de relevante variabler.