Estimativa do gasto energético e classificação da atividade física com wearables (EEPAC)

A atividade física (AF) é definida como qualquer movimento corporal produzido pelo músculo esquelético que requer gasto de energia. As evidências científicas dos efeitos benéficos são irrefutáveis. Foi comprovado que a AF regular ajuda a prevenir e tratar várias doenças não transmissíveis, como doenças cardíacas, derrame, diabetes e diferentes formas de câncer.

AF é um comportamento complexo caracterizado por frequência, intensidade, tempo e tipo (FITT). Para entender o efeito da AF na saúde e no nosso bem-estar geral, é essencial monitorar todas as quatro características da AF. Um algoritmo de classificação de AF pode avaliar a quantidade de tempo gasto em diferentes posturas e atividades corporais. Possibilitando avaliar frequência, tempo e tipo. Para caracterizar completamente a AF, a intensidade precisa ser estimada. Isso pode ser feito pela estimativa do gasto energético (EE).

Os wearables desempenham um papel crucial no monitoramento da PA. Eles são uma maneira prática de coletar dados objetivos de AF na vida diária, de forma discreta, a um custo relativamente baixo. Além disso, podem ser aplicados como uma ferramenta motivacional para aumentar a AF. A acelerometria tem sido rotineiramente utilizada para quantificar a AF e predizer o GE por meio de modelos lineares e não lineares. No entanto, a relação entre EE e aceleração difere de uma atividade para outra. Por exemplo, andar de bicicleta pode gerar a mesma amplitude de aceleração que correr, mas o EE pode diferir muito. É claro que a aceleração sozinha tem uma precisão limitada para estimar o EE de diferentes atividades.

Melhorar a estimativa de EE pode ser alcançado classificando primeiro o tipo de atividade. Para cada tipo de atividade, diferentes estimativas podem ser usadas. Existem inúmeros métodos para classificar a AF e estimar o EE. A literatura descreve o uso de equações baseadas em regressão combinadas com pontos de corte, modelos lineares, modelos não lineares, árvores de decisão, redes neurais artificiais, etc. Ainda não está claro qual seria o melhor método para estimar o EE, sem contar quais características contribuiriam para o modelo.

Outra possibilidade é adicionar um bio-sinal relevante ao modelo de estimativa. Frequência cardíaca, frequência respiratória, temperatura são todos sinais que têm uma resposta relacionada ao aumento da PA. A frequência cardíaca foi usada anteriormente para melhorar a estimativa de EE em combinação com acelerometria. A frequência respiratória e a temperatura podem contribuir para a estimativa do EE ainda não está claro.

Portanto, o objetivo do presente estudo é duplo. Em primeiro lugar, explorar a contribuição de diferentes variáveis ​​(sinais fisiológicos) para a estimativa do EE e classificação da AF. Em segundo lugar, desenvolver e validar um modelo para estimar EE e classificar AF em condições simuladas de vida livre com base nas variáveis ​​relevantes.