ウェアラブルを使用したエネルギー消費と身体活動の分類の推定 (EEPAC)

身体活動 (PA) は、エネルギー消費を必要とする骨格筋によって生成される身体の動きとして定義されます。 有益な効果の科学的証拠は反駁できません。 定期的なPAは、心臓病、脳卒中、糖尿病、さまざまな形態の癌など、いくつかの非感染性疾患の予防と治療に役立つことが証明されています.

PA は、頻度、強度、時間、およびタイプ (FITT) によって特徴付けられる複雑な動作です。 PA が健康と私たちの一般的な幸福に及ぼす影響を理解するには、PA の 4 つの特徴すべてを監視することが不可欠です。 PA 分類アルゴリズムは、さまざまな姿勢や活動に費やされた時間を評価できます。 頻度、時間、種類の評価を可能にします。 PA を完全に特徴付けるには、強度を推定する必要があります。 これは、エネルギー消費量 (EE) の推定によって行うことができます。

ウェアラブルは、PA の監視において重要な役割を果たします。 比較的低コストで、目立たない方法で、日常生活で客観的なPAデータを収集する実用的な方法です。 さらに、PA を増やすための動機付けツールとして適用できます。 加速度計は、PA を定量化し、線形および非線形モデルを使用して EE を予測するために日常的に使用されています。 ただし、EE と加速度の関係は、アクティビティごとに異なります。 たとえば、サイクリングはランニングと同じ加速度振幅を生成できますが、EE は大きく異なる場合があります。 さまざまな活動から EE を推定するには、加速度だけでは精度が限られていることは明らかです。

EE の推定の改善は、最初に活動タイプを分類することによって達成できます。 アクティビティのタイプごとに、異なる見積もりを使用できます。 PA を分類して EE を推定する方法は多数あります。 文献では、カットポイント、線形モデル、非線形モデル、決定木、人工ニューラル ネットワークなどと組み合わせた回帰ベースの方程式の使用について説明しています。 どの機能がモデルに寄与するかは言うまでもなく、EE を推定するための最良の方法が何であるかはまだ不明です。

別の可能性は、推定モデルに関連する生体信号を追加することです。 心拍数、呼吸数、体温はすべて、PA の増加に関連する反応を示す信号です。 心拍数は、加速度計と組み合わせて EE 推定を改善するために以前に使用されています。 呼吸数と温度が EE の推定に寄与する可能性はまだ不明です。

したがって、現在の研究の目標は 2 つあります。 まず、EE の推定と PA の分類へのさまざまな変数 (生理学的信号) の寄与を調査します。 次に、EE を推定し、関連する変数に基づいてシミュレートされた自由生活条件で PA を分類するモデルを開発および検証します。