Estimación del Gasto Energético y Clasificación de la Actividad Física con Wearables (EEPAC)

La actividad física (AF) se define como cualquier movimiento corporal producido por el músculo esquelético que requiere gasto de energía. La evidencia científica de los efectos beneficiosos es irrefutable. Se ha comprobado que la AF regular ayuda a prevenir y tratar varias enfermedades no transmisibles, como enfermedades cardíacas, accidentes cerebrovasculares, diabetes y diferentes formas de cáncer.

PA es un comportamiento complejo que se caracteriza por la frecuencia, intensidad, tiempo y tipo (FITT). Para comprender el efecto de la AF en la salud y nuestro bienestar general, es esencial monitorear las cuatro características de la AF. Un algoritmo de clasificación de PA puede evaluar la cantidad de tiempo que se pasa en diferentes posturas corporales y actividades. Permitiendo evaluar frecuencia, tiempo y tipo. Para caracterizar completamente la PA, es necesario estimar la intensidad. Esto se puede hacer mediante la estimación del gasto de energía (EE).

Los wearables juegan un papel crucial en el monitoreo de PA. Son una forma práctica de recopilar datos objetivos de actividad física en la vida diaria, de forma discreta y a un costo relativamente bajo. Además, se pueden aplicar como una herramienta de motivación para aumentar la actividad física. La acelerometría se ha utilizado de forma rutinaria para cuantificar la PA y predecir la EE utilizando modelos lineales y no lineales. Sin embargo, la relación entre EE y aceleración difiere de una actividad a otra. Por ejemplo, andar en bicicleta puede generar la misma amplitud de aceleración que correr, pero la EE puede diferir mucho. Está claro que la aceleración por sí sola tiene una precisión limitada para estimar EE de diferentes actividades.

Se podría mejorar la estimación de EE clasificando primero el tipo de actividad. Para cada tipo de actividad se pueden utilizar diferentes estimaciones. Existen numerosos métodos para clasificar PA y estimar EE. La literatura describe el uso de ecuaciones basadas en regresión combinadas con puntos de corte, modelos lineales, modelos no lineales, árboles de decisión, redes neuronales artificiales, etc. Todavía no está claro cuál sería el mejor método para estimar EE, sin mencionar qué características contribuirían al modelo.

Otra posibilidad es agregar una bioseñal relevante al modelo de estimación. La frecuencia cardíaca, la frecuencia respiratoria, la temperatura son todas señales que tienen una respuesta relacionada con un aumento de la PA. La frecuencia cardíaca se ha utilizado anteriormente para mejorar la estimación de EE en combinación con la acelerometría. La frecuencia respiratoria y la temperatura podrían contribuir a la estimación de EE aún no está claro.

Por lo tanto, el objetivo del presente estudio es doble. En primer lugar, explorar la contribución de diferentes variables (señales fisiológicas) a la estimación de EE y la clasificación de AP. En segundo lugar, desarrollar y validar un modelo para estimar EE y clasificar PA en condiciones de vida libre simuladas en función de las variables relevantes.