机器学习对VO2max预测:使用可穿戴传感器数据的方法比较
概括
多重线性回归 (MLR) 通过可穿戴传感器数据有效估计最大氧气吸收 (VO2max). 这种可访问的方法为缺乏传统运动测试的临床人群提供了有价值的见解.
科学领域:
- 心血管生理学心血管生理学
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 心肺运动测试 (CPET) 是评估VO2max的黄金标准,但资源密集.
- 由于CPET的局限性,需要使用替代的,可访问的方法来估计VO2max.
- 使用生理数据的机器学习模型显示出对估计VO2max的前景.
研究的目的:
- 直接比较多种机器学习建模方法来估计VO2max.
- 在临床人群中使用可穿戴传感器数据评估这些模型.
- 从非运动数据中确定最有效的VO2max预测建模策略.
主要方法:
- 穿戴式心电图和加速度计数据进行了预处理,包括信号质量评估和活动分类.
- 根据现有文献提取了相关的生理特征.
- 五个机器学习模型 (MLR,SVR,随机森林,XGBoost,MLP) 使用5倍交叉验证进行了比较.
主要成果:
- 多重线性回归 (MLR) 在预测VO2max方面表现优异 (R = 0.68±0.09,RMSE = 3.35 ± 0.32).
- 这一临床队列的表现低于在健康个体中使用运动衍生的特征的研究.
- 穿戴式传感器数据,包括心率变化,提供了有意义的VO2max估计见解.
结论:
- 在临床环境中,线性模型 (MLR) 可以有效地从心电图和加速度计数据中估计VO2max.
- 与更复杂的机器学习模型相比,MLR提供了更高的解释性,而不会牺牲性能.
- 这种方法为临床人群中VO2max评估提供了具有成本效益和可访问性的替代方案.
