Arvio energiakuluista ja fyysisen aktiivisuuden luokittelu puettavien tuotteiden kanssa (EEPAC)

Fyysinen aktiivisuus (PA) määritellään mitä tahansa luurankolihasten tuottamaa kehon liikettä, joka vaatii energiankulutusta. Tieteellinen näyttö hyödyllisistä vaikutuksista on kiistämätön. Säännöllisen PA:n on todistettu auttavan ehkäisemään ja hoitamaan useita ei-tarttuvia sairauksia, kuten sydänsairauksia, aivohalvausta, diabetesta ja erilaisia ​​syövän muotoja.

PA on monimutkainen käyttäytyminen, jolle on tunnusomaista taajuus, intensiteetti, aika ja tyyppi (FITT). Ymmärtääksemme PA:n vaikutusta terveyteen ja yleiseen hyvinvointiimme on välttämätöntä seurata PA:n kaikkia neljää ominaisuutta. PA-luokitusalgoritmi voi arvioida eri kehon asennoissa ja aktiviteeteissa vietettyä aikaa. Mahdollistaa taajuuden, ajan ja tyypin arvioinnin. Jotta PA voidaan karakterisoida täydellisesti, intensiteetti on arvioitava. Tämä voidaan tehdä arvioimalla energiankulutusta (EE).

Puettavat tuotteet ovat keskeisessä asemassa PA:n seurannassa. Ne ovat käytännöllinen tapa kerätä objektiivisia PA-tietoja jokapäiväisessä elämässä huomaamattomasti ja suhteellisen alhaisin kustannuksin. Lisäksi niitä voidaan käyttää motivoivana työkaluna PA:n lisäämiseen. Kiihtyvyysmittaria on käytetty rutiininomaisesti PA:n kvantifiointiin ja EE:n ennustamiseen lineaaristen ja epälineaaristen mallien avulla. Kuitenkin EE:n ja kiihtyvyyden välinen suhde vaihtelee aktiviteeteista toiseen. Esimerkiksi pyöräily voi tuottaa saman kiihtyvyysamplitudin kuin juoksu, mutta EE voi vaihdella suuresti. On selvää, että pelkällä kiihtyvyydellä on rajallinen tarkkuus arvioida EE eri toiminnoista.

EE:n arviointia voitaisiin parantaa luokittelemalla ensin toimintotyyppi. Jokaiselle toimintatyypille voidaan käyttää erilaisia ​​arvioita. PA:n luokittelemiseen ja EE:n arvioimiseen on useita menetelmiä. Kirjallisuudessa kuvataan regressiopohjaisten yhtälöiden käyttöä yhdistettynä leikkauspisteisiin, lineaarisiin malleihin, epälineaarisiin malleihin, päätöspuihin, keinotekoisiin neuroverkkoihin jne. Vielä on epäselvää, mikä olisi paras tapa arvioida EE, puhumattakaan siitä, mitkä ominaisuudet vaikuttaisivat malliin.

Toinen mahdollisuus on lisätä asiaankuuluva biosignaali estimointimalliin. Syke, hengitystaajuus, lämpötila ovat kaikki signaaleja, joilla on vaste, joka liittyy PA: n lisääntymiseen. Sykettä on aiemmin käytetty EE-estimoinnin parantamiseen yhdessä kiihtyvyysmittauksen kanssa. Hengitystiheys ja lämpötila voisivat osaltaan vaikuttaa EE:n arviointiin, on edelleen epäselvä.

Tämän vuoksi tämän tutkimuksen tavoite on kaksijakoinen. Ensinnäkin tutkia eri muuttujien (fysiologisten signaalien) osuutta EE:n arvioinnissa ja PA:n luokittelussa. Toiseksi, kehitä ja validoi malli EE:n arvioimiseksi ja PA:n luokittelemiseksi simuloiduissa vapaa-ajan olosuhteissa asiaankuuluvien muuttujien perusteella.