使用新工具来估计适应性体育活动的强度 (UNITS-APA)

多年来，各卫生部门一直推荐进行体育锻炼。 事实上，许多研究已经证明了身体活动对老年人的生活质量、自主权的获得和功能限制的减少的影响。 随着预期寿命的延长，这个问题变得越来越严重，这增加了达到老年人地位的个人的患病率。 这些预测表明，越来越多的人将不得不忍受年龄的影响。 从这个角度来看，有必要通过适当的身体活动来管理这些人，以通过限制老年人虚弱和住院的风险来减轻卫生系统的负担。 为了促进适应性体育活动，该领域专家的作用是设立体育活动课程，通过平衡、肌肉强化和有氧运动来征求神经认知、神经肌肉和心肺方面的问题。 这些课程将根据不同的标准来定义，例如病理学、练习的完成程度和课程的感知难度。 对于参与者来说，最常见的量化方法是 Borg 感知劳累等级 (RPE) 量表。 该措施包括测量对努力的感知，范围从 6（“无感知努力”）到 20（“最大努力”）。 使用此工具的优点是在中等强度下与心率有很强的相关性。 这些不同的参数将允许适应的身体活动工程师根据这些不同的参数来确定训练负荷。 然后，此训练负荷将允许调整下一节课以最适合参与者的功能能力，从而对这些人进行个性化治疗。 然而，这种训练负荷是主观的。 对于适应性体育活动的专业人士，不同课程训练负荷的量化是基于个人经验。 这种方法很难量化和推广到其他专业人士。 同样，每个参与者对会话难度的感受也是特定的。 RPE 的量化将受到会话最后练习和组效应的强烈影响。 为了解决这个限制，已经开发了各种工具。 最常见的解决方案之一是使用心率监测器。 该传感器的优点是在没有主观个体偏差的情况下量化训练期间的心率。 然而，这种量化方法与增肌训练负荷的相关性较差。 由于大部分练习都集中在神经肌肉方面，因此这种限制对适应活动会话的估计有很大影响。 为了解决这个问题，人体运动分析将成为一种补充工具，可以根据会议期间提出的不同类型的练习来估算能量消耗。 随着深度学习的到来，根据运动的运动学或活动测量对不同的运动进行分类，这种分析得到了极大的促进。 在这种情况下，两个测量系统脱颖而出。 一方面，Actigraph 是该领域使用最广泛的工具之一，它根据加速度计计算出的幅度向量来量化训练负荷。 根据传感器记录的活动，该训练负荷将被识别为低、中或高。 另一方面，使用深度相机分割人体是一个快速发展的领域。 该测量系统收集的数据与深度学习相结合，可以同时对几个人的各种动作进行分类。 使用这些测量系统可以更好地理解工作量的估计。 事实上，将锻炼分类与执行时间和重复次数与心率相结合，可以在生态条件下获得准确的能量消耗。 这些数据将允许更精确地个性化管理老年人以适应适当的体育活动。 这种针对虚弱的个性化护理将成为未来健康老龄化挑战的一部分。