웨어러블을 이용한 에너지 소비 추정 및 신체 활동 분류 (EEPAC)

신체 활동(PA)은 에너지 소비를 필요로 하는 골격근에 의해 생성되는 모든 신체 움직임으로 정의됩니다. 유익한 효과에 대한 과학적 증거는 반박할 수 없습니다. 일반 PA는 심장병, 뇌졸중, 당뇨병 및 다양한 형태의 암과 같은 여러 비전염성 질병을 예방하고 치료하는 데 도움이 되는 것으로 입증되었습니다.

PA는 빈도, 강도, 시간 및 유형(FITT)으로 특징지어지는 복잡한 동작입니다. PA가 건강과 전반적인 웰빙에 미치는 영향을 이해하려면 PA의 네 가지 특성을 모두 모니터링해야 합니다. PA 분류 알고리즘은 다양한 신체 자세와 활동에 소요되는 시간을 평가할 수 있습니다. 빈도, 시간 및 유형을 평가할 수 있습니다. PA를 완전히 특성화하려면 강도를 추정해야 합니다. 이는 에너지 소비(EE)를 추정하여 수행할 수 있습니다.

웨어러블은 PA 모니터링에서 중요한 역할을 합니다. 상대적으로 저렴한 비용으로 눈에 잘 띄지 않는 방식으로 일상 생활에서 객관적인 PA 데이터를 수집하는 실용적인 방법입니다. 또한 PA를 증가시키는 동기 부여 도구로 적용할 수 있습니다. 가속도계는 PA를 정량화하고 선형 및 비선형 모델을 사용하여 EE를 예측하는 데 일상적으로 사용되었습니다. 그러나 EE와 가속 사이의 관계는 활동마다 다릅니다. 예를 들어 사이클링은 달리기와 동일한 가속 진폭을 생성할 수 있지만 EE는 크게 다를 수 있습니다. 가속만으로는 다양한 활동에서 EE를 추정하는 정확도가 제한적이라는 것이 분명합니다.

EE의 추정을 개선하는 것은 먼저 활동 유형을 분류함으로써 달성할 수 있습니다. 각 유형의 활동에 대해 서로 다른 추정치를 사용할 수 있습니다. PA를 분류하고 EE를 추정하는 방법에는 여러 가지가 있습니다. 문헌에는 절단점, 선형 모델, 비선형 모델, 의사 결정 트리, 인공 신경망 등과 결합된 회귀 기반 방정식의 사용이 설명되어 있습니다. 어떤 기능이 모델에 기여할지는 말할 것도 없고 EE를 추정하는 가장 좋은 방법이 무엇인지는 여전히 불분명합니다.

또 다른 가능성은 관련 생체 신호를 추정 모델에 추가하는 것입니다. 심박수, 호흡수, 체온은 모두 PA 증가와 관련된 반응이 있는 신호입니다. 심박수는 가속도계와 함께 EE 추정을 개선하기 위해 이전에 사용되었습니다. 호흡률과 온도는 EE 추정에 기여할 수 있지만 여전히 불분명합니다.

따라서 현재 연구의 목표는 두 가지입니다. 첫째, EE 추정 및 PA 분류에 대한 다양한 변수(생리학적 신호)의 기여도를 탐색합니다. 둘째, 관련 변수를 기반으로 시뮬레이션된 자유 생활 조건에서 EE를 추정하고 PA를 분류하는 모델을 개발하고 검증합니다.