Estimering av energiforbruk og fysisk aktivitetsklassifisering med wearables (EEPAC)

Fysisk aktivitet (PA) er definert som enhver kroppslig bevegelse produsert av skjelettmuskulatur som krever energiforbruk. De vitenskapelige bevisene for de gunstige effektene er ugjendrivelige. Vanlig PA er bevist å bidra til å forebygge og behandle flere ikke-smittsomme sykdommer som hjertesykdom, hjerneslag, diabetes og ulike former for kreft.

PA er en kompleks atferd som er preget av frekvens, intensitet, tid og type (FITT). For å forstå effekten av PA på helse og vårt generelle velvære, er det viktig å overvåke alle fire kjennetegn ved PA. En PA-klassifiseringsalgoritme kan vurdere hvor mye tid som brukes i forskjellige kroppsstillinger og aktivitet. Gjør det mulig å vurdere frekvens, tid og type. For å karakterisere PA fullstendig, må intensiteten estimeres. Dette kan gjøres ved å estimere energiforbruket (EE).

Wearables spiller en avgjørende rolle i overvåkingen av PA. De er en praktisk måte å samle objektive PA-data i dagliglivet på, på en diskret måte, til en relativt lav kostnad. Videre kan de brukes som et motiverende verktøy for å øke PA. Akselerometri har blitt brukt rutinemessig for å kvantifisere PA og forutsi EE ved bruk av lineære og ikke-lineære modeller. Forholdet mellom EE og akselerasjon er imidlertid forskjellig fra en aktivitet til en annen. For eksempel kan sykling generere samme akselerasjonsamplitude som løping, men EE kan variere sterkt. Det er klart at akselerasjon alene har en begrenset nøyaktighet for å estimere EE fra ulike aktiviteter.

Forbedring av estimeringen av EE kan oppnås ved først å klassifisere aktivitetstypen. For hver type aktivitet kan forskjellige estimater brukes. Det er mange metoder for å klassifisere PA og estimere EE. Litteratur beskriver bruken av regresjonsbaserte ligninger kombinert med cut-points, lineære modeller, ikke-lineære modeller, beslutningstrær, kunstige nevrale nettverk, etc. Det er fortsatt uklart hva som vil være den beste metoden for å estimere EE, for ikke å nevne hvilke funksjoner som vil bidra til modellen.

En annen mulighet er å legge til et relevant biosignal til estimeringsmodellen. Hjertefrekvens, pustefrekvens, temperatur er alle signaler som har en respons relatert til en økning i PA. Hjertefrekvens har tidligere blitt brukt for å forbedre EE-estimeringen i kombinasjon med akselerometri. Pustehastigheten og temperaturen kan bidra til estimeringen av EE er fortsatt uklart.

Derfor er målet med den nåværende studien todelt. For det første å utforske bidraget til forskjellige variabler (fysiologiske signaler) til estimeringen av EE og klassifiseringen av PA. For det andre utvikle og validere en modell for å estimere EE og klassifisere PA i simulerte frittlevende forhold basert på de relevante variablene.