Estimation des dépenses énergétiques et classification de l'activité physique avec des appareils portables (EEPAC)

L'activité physique (AP) est définie comme tout mouvement corporel produit par le muscle squelettique qui nécessite une dépense énergétique. Les preuves scientifiques des effets bénéfiques sont irréfutables. Il a été prouvé que l'AP régulière aide à prévenir et à traiter plusieurs maladies non transmissibles telles que les maladies cardiaques, les accidents vasculaires cérébraux, le diabète et différentes formes de cancer.

L'AP est un comportement complexe caractérisé par la fréquence, l'intensité, le temps et le type (FITT). Afin de comprendre l'effet de l'AP sur la santé et notre bien-être général, il est essentiel de surveiller les quatre caractéristiques de l'AP. Un algorithme de classification de l'AP peut évaluer le temps passé dans différentes postures et activités corporelles. Permettant d'évaluer la fréquence, le temps et le type. Afin de caractériser complètement l'AP, l'intensité doit être estimée. Cela peut être fait par l'estimation de la dépense énergétique (EE).

Les wearables jouent un rôle crucial dans la surveillance de l'AP. Ils constituent un moyen pratique de collecter des données objectives sur les AP dans la vie quotidienne, de manière discrète et à un coût relativement faible. De plus, ils peuvent être appliqués comme outil de motivation pour augmenter l'AP. L'accélérométrie a été couramment utilisée pour quantifier l'AP et pour prédire l'EE à l'aide de modèles linéaires et non linéaires. Cependant, la relation entre l'EE et l'accélération diffère d'une activité à l'autre. Par exemple, le cyclisme peut générer la même amplitude d'accélération que la course à pied, mais l'EE peut être très différente. Il est clair que l'accélération seule a une précision limitée pour estimer l'EE de différentes activités.

L'amélioration de l'estimation de l'EE pourrait être obtenue en classant d'abord le type d'activité. Pour chaque type d'activité, différentes estimations peuvent être utilisées. Il existe de nombreuses méthodes pour classer l'AP et estimer l'EE. La littérature décrit l'utilisation d'équations basées sur la régression combinées à des points de coupure, des modèles linéaires, des modèles non linéaires, des arbres de décision, des réseaux de neurones artificiels, etc. On ne sait toujours pas quelle serait la meilleure méthode pour estimer l'EE, sans parler des caractéristiques qui contribueraient au modèle.

Une autre possibilité est d'ajouter un bio-signal pertinent au modèle d'estimation. Rythme cardiaque, rythme respiratoire, température sont autant de signaux qui ont une réponse liée à une augmentation de l'AP. La fréquence cardiaque a été utilisée précédemment pour améliorer l'estimation de l'EE en combinaison avec l'accélérométrie. Le rythme respiratoire et la température pourraient contribuer à l'estimation de l'EE qui n'est pas encore claire.

Par conséquent, l'objectif de la présente étude est double. Premièrement, explorer la contribution de différentes variables (signaux physiologiques) à l'estimation de l'EE et à la classification de l'AP. Deuxièmement, développer et valider un modèle pour estimer l'EE et classer l'AP dans des conditions de vie libre simulées en fonction des variables pertinentes.