相关实验视频
Updated: Jun 29, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.7K
预测学龄前儿童的能源消耗:使用加速计和外部验证的机器学习方法
Hannah J Coyle-Asbil1,2,3, Lukas Burk2,3,4,5, Mirko Brandes2
1Department of Human Health and Nutritional Sciences, University of Guelph, Guelph, Ontario, Canada.
Physiological measurement
|September 13, 2024
概括
卷积神经网络 (CNNs) 在儿童内部显示出更好的能源消耗 (EE) 预测,但难以将其推广到新的数据集和设备. 像线性回归 (LM) 和随机森林 (RF) 等更简单的模型显示出优异的外部验证性能.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 儿科健康 儿科健康
背景情况:
- 准确估计儿童的能量消耗 (EE) 对于了解身体活动和代谢健康至关重要.
- 可穿戴的加速度计被广泛用于监测身体活动,但它们在预测EE方面的准确性各不相同.
- 之前的研究已经探索了各种用于EE预测的机器学习模型,其外部验证有限.
研究的目的:
- 开发和验证卷积神经网络 (CNN) 用于使用原始加速度计数据预测儿童的能量消耗 (EE).
- 将CNN模型的性能与已建立的模型比较,例如线性回归 (LM),随机森林 (RF) 和完全连接的神经网络 (FcNN).
- 评估这些模型在不同数据集,年龄组和加速度计设备上的通用性.
主要方法:
- 开发了CNN模型,使用41名德国儿童 (3-7岁) 的原始加速度计数据进行内部验证.
- 外部验证的CNN模型与LM,RF和FcNN一起使用39名加拿大儿童 (3-6岁) 的数据.
- 使用便携式代谢单元,在不同强度的半结构活动中同时测量EE.
- 使用根平均平方误差 (RMSE) 值评估模型性能.
主要成果:
- 在内部验证数据集中,CNN模型显著优于LM,FcNN和RF模型,显示较低的RMSE平均值.
- 相比之下,CNN模型在应用于外部验证数据集时,与LM,FcNN和RF相比,呈现出始终更高的RMSE值.
- 性能差异凸显了不同人群和加速度计硬件模型通用性的潜在问题.
结论:
- 虽然CNN显示出准确预测能源消耗的潜力,但与更简单的模型相比,它们的概括能力有限.
- 线性回归,随机森林和完全连接的神经网络显示出更好地适应新的数据集和加速度计类型.
- 需要进一步的研究来提高深度学习模型的稳定性和通用性,以便在儿科患者中预测EE.
