开发和比较一个新的BMI包容性能源消耗算法,用于手腕可穿戴设备

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
• 人体生理学 人体生理学

背景情况:

• 精确估计能源消耗 (EE) 对理解人类行为和能源平衡至关重要.
• 使用手腕穿戴的惯性测量单位 (IMU) 进行EE估计的常用方法Actigraphy具有已知的精度限制,特别是在肥胖患者中.
• 现有的EE估计算法通常在非肥胖人群中得到验证,这限制了它们的适用性.

研究的目的:

• 从商业智能手表传感器数据开发和验证一个新的算法来估计EE.
• 为了比较新算法的准确性与肥胖患者的基于动作图的估计.
• 评估基于智能手表的EE措施对不同人群的可靠性和包容性.

主要方法:

• 开发了一种机器学习模型,利用商用智能手表 (Fossil Sport) 的加速度计和陀螺仪数据.
• 在实验室研究中,与27名参与者进行各种活动的代谢车对算法进行了验证.
• 在一项为期2天的自由生活研究中评估了算法性能,其中包括25名肥胖参与者.

主要成果:

• 机器学习模型展示了较低的根平均平方误差 (0.28-0.32),与不同滑动窗口的代谢车相比.
• 在自由生活条件下,算法的EE估计在95.03%的分钟内在最佳基于动图的估计的1SD之内.
• 与其他11种算法相比,提出的方法显示出更高的准确性,特别是那些在非肥胖群体中验证的算法.

结论:

• 商业智能手表,当与开发的算法一起使用时,可以提供准确可靠的能源支出估计.
• 这种方法为EE测量提供了一种更具包容性和可访问性的方法,特别是对于肥胖的人来说.
• 这些发现表明,可穿戴技术在个性化健康监测和研究方面取得了重大进展.