Schätzung des Energieverbrauchs und Klassifizierung der körperlichen Aktivität mit Wearables (EEPAC)

Körperliche Aktivität (PA) ist definiert als jede körperliche Bewegung, die von Skelettmuskeln erzeugt wird und Energieaufwand erfordert. Die wissenschaftlichen Beweise für die positiven Wirkungen sind unwiderlegbar. Regelmäßige PA hilft nachweislich bei der Vorbeugung und Behandlung mehrerer nicht übertragbarer Krankheiten wie Herzerkrankungen, Schlaganfall, Diabetes und verschiedener Krebsarten.

PA ist ein komplexes Verhalten, das durch Häufigkeit, Intensität, Zeit und Art (FITT) gekennzeichnet ist. Um die Wirkung von PA auf die Gesundheit und unser allgemeines Wohlbefinden zu verstehen, ist es wichtig, alle vier Merkmale von PA zu überwachen. Ein PA-Klassifizierungsalgorithmus kann die Zeit bewerten, die in verschiedenen Körperhaltungen und Aktivitäten verbracht wird. Häufigkeit, Zeit und Art beurteilbar machen. Um PA vollständig zu charakterisieren, muss die Intensität geschätzt werden. Dies kann durch die Schätzung des Energieaufwands (EE) erfolgen.

Wearables spielen eine entscheidende Rolle bei der Überwachung von PA. Sie sind ein praktischer Weg, um objektive PA-Daten im täglichen Leben auf unauffällige Weise zu relativ geringen Kosten zu sammeln. Darüber hinaus können sie als Motivationsinstrument zur Steigerung der PA eingesetzt werden. Akzelerometrie wurde routinemäßig verwendet, um PA zu quantifizieren und EE unter Verwendung linearer und nichtlinearer Modelle vorherzusagen. Die Beziehung zwischen EE und Beschleunigung unterscheidet sich jedoch von einer Aktivität zur anderen. Radfahren kann zum Beispiel die gleiche Beschleunigungsamplitude erzeugen wie Laufen, aber der EE kann sich stark unterscheiden. Es ist klar, dass die Beschleunigung allein eine begrenzte Genauigkeit hat, um EE aus verschiedenen Aktivitäten abzuschätzen.

Eine Verbesserung der Schätzung von EE könnte erreicht werden, indem zunächst die Aktivitätsart klassifiziert wird. Für jede Aktivitätsart können unterschiedliche Schätzungen verwendet werden. Es gibt zahlreiche Methoden, um PA zu klassifizieren und EE abzuschätzen. Die Literatur beschreibt die Verwendung von regressionsbasierten Gleichungen in Kombination mit Schnittpunkten, linearen Modellen, nichtlinearen Modellen, Entscheidungsbäumen, künstlichen neuronalen Netzen usw. Es ist noch unklar, welches die beste Methode zur Schätzung von EE wäre, ganz zu schweigen davon, welche Merkmale zum Modell beitragen würden.

Eine andere Möglichkeit besteht darin, dem Schätzmodell ein relevantes Biosignal hinzuzufügen. Herzfrequenz, Atemfrequenz, Temperatur sind alles Signale, die eine Reaktion im Zusammenhang mit einem Anstieg des PA haben. Die Herzfrequenz wurde zuvor verwendet, um die EE-Schätzung in Kombination mit Akzelerometrie zu verbessern. Die Atemfrequenz und Temperatur, die zur Schätzung von EE beitragen könnten, ist noch unklar.

Daher ist das Ziel der aktuellen Studie ein zweifaches. Erstens, um den Beitrag verschiedener Variablen (physiologische Signale) zur Schätzung von EE und der Klassifikation von PA zu untersuchen. Zweitens entwickeln und validieren Sie ein Modell zur Schätzung von EE und klassifizieren Sie PA in simulierten freilebenden Bedingungen basierend auf den relevanten Variablen.