⚡ electrical engineering

PM-EKF: A Physiological Model-Based Extended Kalman Filter for Daily-Life Physical Activity Energy Expenditure Estimation

Dieser Beitrag schlägt einen physiologiemodellbasierten Erweiterten Kalman-Filter (PM-EKF) vor, der ein vereinfachtes Stoffwechselmodell mit Daten von Trägheits- und Herzfrequenzsensoren integriert, um personalisierte, interpretierbare und genaue Schätzungen des Energieverbrauchs bei körperlicher Aktivität im Alltag zu liefern und dabei sowohl lineare Regressionsverfahren als auch Deep-Learning-Ansätze auf einem validierten Datensatz zu übertreffen.

Ursprüngliche Autoren: Shuhao Que, Remco Poelarends, Valentina Breschi, Ying Wang

Veröffentlicht 2026-04-30

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Shuhao Que, Remco Poelarends, Valentina Breschi, Ying Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Schätzen, wie viel „Treibstoff" Sie verbrennen

Stellen Sie sich Ihren Körper wie ein Auto vor. Wenn Sie fahren, verbrennt der Motor Kraftstoff. Im menschlichen Körper ist dieser „Treibstoff" Energie, und der „Abgas" ist das Kohlendioxid, das Sie ausatmen. Wissenschaftler möchten genau wissen, wie viel Treibstoff Sie jeden Tag verbrennen (physikalischer Energieverbrauch durch Aktivität, oder PAEE), um Ihre Gesundheit zu verstehen.

Der „Goldstandard" für die Messung davon ist eine riesige, sperrige Maske, die jeden Atemzug misst. Sie ist genau, aber Sie können sie nicht im Supermarkt oder beim Wäschewaschen tragen. Daher nutzen Forscher Smartwatches und Fitness-Tracker (tragbare Sensoren), um die Antwort zu schätzen.

Das Problem: Die meisten aktuellen Tracker sind wie Blackboxen. Sie betrachten Ihre Bewegung und Herzfrequenz, führen sie durch ein komplexes Computerprogramm (wie ein neuronales Netzwerk) und spucken eine Zahl aus. Sie funktionieren einigermaßen, aber sie verstehen nicht wirklich, warum die Zahl so ist, wie sie ist. Wenn die Daten seltsam aussehen, könnte der Computer falsch raten oder Ihnen sogar eine negative Zahl für den verbrannten Energieverbrauch geben (was unmöglich ist!).

Die Lösung: Die Autoren dieses Papiers haben ein neues System namens PM-EKF entwickelt. Anstelle einer Blackbox bauten sie einen transparenten, physikbasierten Motor, der nachahmt, wie Ihre Lungen, Ihr Blut und Ihre Muskeln tatsächlich funktionieren.

Wie es funktioniert: Die Analogie des „intelligenten Piloten"

Stellen Sie sich vor, Ihren Energieverbrauch zu schätzen, sei wie das Fliegen eines Flugzeugs von Punkt A nach Punkt B.

Die Karte (Das physiologische Modell):
Die Autoren erstellten eine vereinfachte Karte, wie Ihr Körper funktioniert. Sie hat drei Hauptstationen:
- Die Lungen: Wo Sie Sauerstoff aufnehmen.
- Die Durchblutung: Ihr Herz, das Blut pumpt.
- Die Muskeln: Wo die Energie verbraucht wird.
  Diese Karte folgt den Gesetzen der Physik und Biologie. Sie weiß, dass wenn Sie Ihre Beine bewegen, Ihre Muskeln mehr Sauerstoff benötigen und Ihr Herz schneller pumpen muss, um ihn zu liefern.
Die Sensoren (Die Eingaben):
Das System verwendet zwei Arten von Daten von Ihren tragbaren Geräten:
- IMUs (Inertial Measurement Units): Das sind wie Beschleunigungssensoren in Ihrem Handy. Sie messen, wie schnell und stark sich Ihre Körperteile (Becken und Oberschenkel) bewegen. Dies sagt dem System die „mechanische Arbeit" voraus, die Sie verrichten.
- Herzfrequenz (HR): Das ist der Puls. Er sagt dem System, wie hart Ihr Herz arbeitet, um Treibstoff zu liefern.
Der Pilot (Der Erweiterte Kalman-Filter – EKF):
Dies ist das „Gehirn" des Systems. Stellen Sie sich einen Piloten vor, der ein Flugzeug steuert, der eine Karte hat (das physiologische Modell), aber auch ein GPS, das manchmal stört (die verrauschten Sensordaten).
- Die Karte sagt voraus, wo das Flugzeug basierend auf der Physik sein sollte.
- Das GPS sagt dem Piloten, wo das Flugzeug basierend auf Sensoren tatsächlich ist.
- Der Pilot (EKF) vergleicht die beiden ständig. Wenn das GPS wackelig ist, vertraut der Pilot mehr auf die Karte. Wenn die Karte unpassend erscheint, passt der Pilot basierend auf dem GPS nach.
- Dies ermöglicht dem System, das Rauschen zu glätten und eine stabile, realistische Schätzung Ihres Energieverbrauchs abzugeben, selbst wenn die Sensoren etwas zittern.

Das Experiment: Der „Living Lab"-Test

Die Forscher testeten dieses System an 9 Personen in einem Labor, das das echte Leben simulierte.

Das Setup: Die Teilnehmer trugen Sensoren an ihrem Becken und ihren Oberschenkeln sowie einen Herzfrequenzmonitor. Sie trugen auch eine High-Tech-„Goldstandard"-Maske (COSMED K5), um ihren tatsächlichen Gasaustausch Atemzug für Atemzug zu messen.
Die Aktivitäten: Sie machten eine Mischung aus Dingen: Sitzen, Lesen, Stehen, Moppeln, Bücher stapeln, Laufen auf einem Laufband, Treppensteigen und Radfahren.
Der Vergleich: Sie stellten ihren neuen „Intelligenten Piloten" (PM-EKF) gegen zwei andere Methoden:
1. Lineare Regression (LR): Eine einfache, altmodische mathematische Formel.
2. CNN-LSTM: Ein ausgefeilter, moderner „Blackbox"-KI (Deep Learning).

Die Ergebnisse: Wer hat gewonnen?

Das Papier behauptet, dass ihr neues System (PM-EKF) der Gewinner war, jedoch mit einigen interessanten Nuancen:

Gesamtgenauigkeit: Der PM-EKF war insgesamt am genauesten. Er passte besser zur „Goldstandard"-Maske als die KI oder die einfache mathematische Formel.
- Analogie: Wenn die Masken-Bewertung 100 ist, erreichte der PM-EKF 72, die KI 65 und die einfache Mathematik 52.
Das Problem mit „negativer Energie": Die KI und die einfache Mathematik machten manchmal einen albernen Fehler: Sie sagten voraus, dass Menschen beim Stehen negative Kalorien verbrennen (was physikalisch unmöglich ist). Der PM-EKF machte diesen Fehler niemals, weil seine „Karte" des Körpers physikalisch verhindert, dass unmögliche Zahlen berechnet werden.
Der Kampf bei geringer Intensität: Die KI und die einfache Mathematik waren schrecklich darin, den Energieverbrauch bei Aufgaben mit geringer Intensität (wie Sitzen oder Stehen) zu schätzen. Sie rieten oft zu wild hohen Zahlen. Der PM-EKF blieb während dieser ruhigen Momente ruhig und genau.
Der Radfahr-Fehler: Der PM-EKF hatte eine spezifische Schwäche: Radfahren. Er unterschätzte, wie viel Energie Menschen beim Radfahren verbrannten.
- Warum? Die Sensoren waren an den Beinen und am Becken. Wenn Sie radfahren, bewegen sich Ihre Beine im Kreis, aber Ihr Körper springt nicht viel auf und ab. Die Sensoren konnten die volle Anstrengung des Widerstands des Fahrrads nicht „sehen", daher war die Berechnung der „mechanischen Arbeit" zu niedrig. Die KI war jedoch besser darin, die Radfahr-Zahlen zu erraten, weil sie einfach Muster aus den Daten auswendig gelernt hatte, ohne sich um die Physik zu kümmern.
Die Herzfrequenz-Überraschung: Die Forscher testeten, was passierte, wenn sie den Herzfrequenzsensor aus der Gleichung entfernten.
- Ergebnis: Es machte nicht viel aus! Der PM-EKF (und die anderen Modelle) performten mit oder ohne Herzfrequenzdaten fast gleich gut.
- Warum? Bei den getesteten Aktivitäten (hauptsächlich Gehen, Stehen und leichte Hausarbeiten) war die Bewegung des Körpers (erfasst durch die Beinsensoren) der größte Treiber des Energieverbrauchs. Die Herzfrequenz fügte nicht viel zusätzliche Information hinzu.

Das Fazit

Das Papier kommt zu dem Schluss, dass Sie keine „Blackbox"-KI benötigen, um zu erraten, wie viel Energie Sie verbrennen. Indem Sie ein System bauen, das die Physik des menschlichen Körpers versteht (wie Lungen, Blut und Muskeln interagieren), können Sie eine zuverlässigere, realistischere und „vernünftigere" Schätzung erhalten.

Es ist interpretierbar: Sie können in die „Blackbox" hineinschauen und die geschätzten Sauerstoffwerte im Blut und die Luft in den Lungen sehen.
Es ist robust: Es liefert keine verrückten Antworten (wie negative Kalorien).
Es funktioniert ohne Herzfrequenzmonitor: Für tägliche Aktivitäten reicht es oft aus zu wissen, wie sehr sich Ihr Körper bewegt, um eine gute Schätzung zu erhalten.

Die Autoren stellen fest, dass das System zwar großartig ist, aber mehr Tests mit mehr Menschen und verschiedenen Arten von Aktivitäten benötigt, um für jeden perfekt zu sein.

1. Problemstellung

Die Überwachung des Energieverbrauchs durch körperliche Aktivität (PAEE) im Alltag ist entscheidend für die Bewertung des metabolischen Gesundheitszustands und des Krankheitsrisikos. Während die indirekte Kalorimetrie (Gasanalyse) der Goldstandard ist, ist sie für eine kontinuierliche Überwachung im freien Alltag unpraktisch. Folglich werden tragbare Sensoren (Inertial Measurement Units – IMUs und Herzfrequenz – HR) weit verbreitet eingesetzt.

Bestehende Methoden stoßen jedoch auf erhebliche Einschränkungen:

Fehlende physiologische Interpretierbarkeit: Die meisten aktuellen Ansätze sind rein datengetrieben (z. B. Lineare Regression, Neuronale Netze). Sie ordnen Sensorsignale statistisch dem PAEE zu, ohne die zugrunde liegenden physiologischen Mechanismen (Gasaustausch, Stoffwechsel) zu modellieren.
Black-Box-Charakter: Diese Modelle besitzen keine intrinsische Interpretierbarkeit, was es schwierig macht, zu erklären, warum eine Schätzung vorgenommen wurde, oder physiologische Konsistenz sicherzustellen (z. B. Vermeidung negativer Werte für den Energieverbrauch).
Probleme mit der Generalisierbarkeit: Datengetriebene Modelle haben oft Schwierigkeiten mit Verteilungsverschiebungen (unterschiedliche Individuen oder Aktivitätstypen) und können physiologisch unplausible Ergebnisse liefern.

2. Methodik: Das PM-EKF-Framework

Die Autoren schlagen einen Physiological Model-based Extended Kalman Filter (PM-EKF) vor. Dieser Ansatz integriert ein vereinfachtes mechanistisches Modell der menschlichen Physiologie mit einem EKF, um Sensordaten zu fusionieren. Das Framework arbeitet auf drei Ebenen:

A. Signalebene (Vorverarbeitung & Proxys)

Eingaben: Herzfrequenz (HR) aus dem EKG und Körperbeschleunigung aus drei IMUs (Becken, linker Oberschenkel, rechter Oberschenkel).
IMU-abgeleiteter metabolischer Proxy: Das System berechnet die mechanische kinetische Energie ( $E(t)$ $E (t)$ ), die erforderlich ist, um Körpersegmente zu bewegen, basierend auf der Geschwindigkeit, die durch Integration der IMU-Daten abgeleitet wird.
- Diese mechanische Energie wird unter Verwendung eines lumped efficiency factor ( $\mu$ ) und eines Umrechnungsfaktors (19,6 KJ/L $O_2$ ) in eine geschätzte Sauerstoffverbrauchsrate ( $R_{MO2}$ ) und eine Kohlendioxidproduktionsrate ( $R_{MCO2}$ ) umgewandelt.
- Hinweis: Dieser Proxy dient als „Beobachtung" für den Filter und repräsentiert den bewegungsbezogenen metabolischen Bedarf.

B. Modellebene (Physiologischer Zustandsraum)

Die Kerninnovation ist ein physiologisches Drei-Kompartiment-Modell (Lungen, Kreislauf, Muskelgewebe), das die Atemregelschleife und den Gasaustausch darstellt.

Zustandsvektor ( $x$ ): Das Modell verfolgt fünf latente physiologische Zustände:
1. Alveolarer $O_2$ -Partialdruck ( $P_{A,O2}$ )
2. Alveolarer $CO_2$ -Partialdruck ( $P_{A,CO2}$ )
3. Venöse $O_2$ -Konzentration ( $C_{v,O2}$ )
4. Venöse $CO_2$ -Konzentration ( $C_{v,CO2}$ )
5. Alveoläre Ventilation ( $V_{TA}$ )
Prozessmodell: Eine Reihe nichtlinearer Differentialgleichungen, die die Massenerhaltung für $O_2$ und $CO_2$ über die Kompartimente hinweg beschreiben. Die HR wird als externer Eingangsparameter verwendet, um das Herzzeitvolumen ( $Q$ ) zu steuern, welches den Gastransport beeinflusst.
Messmodell: Die IMU-abgeleiteten metabolischen Proxys ( $R_{MO2}, R_{MCO2}$ ) werden als verrauschte Beobachtungen der tatsächlichen, vom physiologischen Modell vorhergesagten Gastransflussraten behandelt.

C. Inferenzebene (Erweiterter Kalman-Filter)

Der EKF schätzt die latenten physiologischen Zustände rekursiv.
Vorhersageschritt: Propagiert die Zustände basierend auf der physiologischen Dynamik, die durch die HR angetrieben wird, nach vorne.
Korrekturschritt: Aktualisiert die Zustandsschätzungen unter Verwendung der IMU-abgeleiteten metabolischen Proxys, um Modellunsicherheiten und Messrauschen zu korrigieren.
Ausgabe: Die abgeleiteten latenten Zustände werden verwendet, um den finalen PAEE unter Verwendung der Weir-Formel zu berechnen, die den $O_2$ -Verbrauch und die $CO_2$ -Produktion mit dem Energieverbrauch in Beziehung setzt.

3. Hauptbeiträge

Mechanistische Interpretierbarkeit: Im Gegensatz zu Black-Box-KI-Modellen modelliert PM-EKF explizit die kausale Kette von Körperbewegung $\to$ mechanische Arbeit $\to$ Gasaustausch $\to$ Energieverbrauch. Die latenten Zustände (z. B. alveolarer Druck) haben eine direkte physiologische Bedeutung.
Physiologische Randbedingungen: Durch die Einbettung des Modells in einen EKF werden die Schätzungen durch biologische Gesetze (z. B. Massenerhaltung, ideales Gasgesetz) eingeschränkt, was physiologisch unmögliche Ausgaben (wie negativen Energieverbrauch) verhindert.
Neuartige Sensorfusion: Die Methode behandelt IMU-Daten nicht nur als direkten Prädiktor, sondern als Beobachtung des metabolischen Bedarfs, der ein durch HR angetriebenes physiologisches Prozessmodell korrigiert.
Kein Training erforderlich: Das Modell basiert auf ersten Prinzipien und erfordert keinen großen Datensatz für ein „Training" im Sinne des maschinellen Lernens, was es potenziell generalisierbarer über verschiedene Individuen hinweg macht.

4. Experimentelle Ergebnisse

Das Modell wurde an einem Datensatz von 9 gesunden Probanden validiert, die verschiedene Aktivitäten des täglichen Lebens (ADL) ausführten, darunter Sitzen, Gehen, Wischen, Radfahren und Treppensteigen. Der Ground Truth wurde durch einen COSMED K5-Atemgasanalysator im Atemzug-für-Atemzug-Modus bereitgestellt.

Leistungsmetriken (Median $R^2$ ):
- PM-EKF (mit HR): 0,72 (Bereich: 0,60–0,87)
- CNN-LSTM (Datengetrieben): 0,65
- Lineare Regression (Datengetrieben): 0,52
- Statistische Signifikanz: PM-EKF schnitt signifikant besser ab als sowohl LR ( $p=0,012$ ) als auch CNN-LSTM ( $p=0,039$ ).
Leistung bei niedriger Intensität:
- PM-EKF glänzte bei niedrigen Intensitäten (NRMSE = 0,19), während datengetriebene Modelle schlecht abschnitten (NRMSE > 1,0, schlechter als ein Mittelwert-Prädiktor) und gelegentlich negative PAEE-Werte vorhersagten.
- PM-EKF hatte eine Verletzungsrate von 0 % für physiologische Grenzen (PAEE $\ge$ 0), verglichen mit 0,53 % bei CNN-LSTM.
HR-Abhängigkeit:
- Überraschenderweise führte das Entfernen der HR-Eingabe aus dem PM-EKF (Festlegung auf einen konstanten Wert) nicht zu einer signifikanten Verschlechterung der Leistung ( $R^2$ blieb bei ~0,76).
- Dies legt nahe, dass für die getesteten ADLs die von IMUs erfasste mechanische Arbeitslast der dominierende Treiber für die PAEE-Schätzung war und die HR in diesem spezifischen Kontext redundante Informationen lieferte.
Beobachtete Einschränkungen:
- Das Modell unterschätzte den PAEE systematisch während des Radfahrens. Dies wird darauf zurückgeführt, dass der IMU-basierte mechanische Proxy den externen Widerstand (Ergometerlast) nicht erfasst und der feste Effizienzfaktor ( $\mu$ ) sich nicht an die Dynamiken des Radfahrens anpasst.

5. Bedeutung und Fazit

Das PM-EKF-Framework stellt einen Paradigmenwechsel von einer rein datengetriebenen PAEE-Schätzung hin zu einer physiologiegeleiteten Schätzung dar.

Klinische Relevanz: Es liefert nicht nur eine Zahl, sondern interpretierbare latente Zustände (z. B. Gastransfusionsraten), die als Biomarker für die metabolische Gesundheit dienen könnten.
Robustheit: Das Modell behält auch in Szenarien mit niedriger Intensität, in denen datengetriebene Modelle versagen, die physiologische Plausibilität bei, was es für eine kontinuierliche Überwachung in der realen Welt geeignet macht.
Ausblick: Während die aktuelle Studie zeigt, dass IMUs für ADLs ausreichen, zielt zukünftige Arbeit darauf ab, die Radfahrschätzung zu verbessern (durch Anpassung des Effizienzfaktors) und das Modell an größeren, diverseren Populationen, einschließlich Personen mit metabolischen Störungen, zu validieren.

Zusammenfassend zeigt das Paper, dass die Einbettung eines vereinfachten physiologischen Modells in einen Kalman-Filter genauere, interpretierbarere und robustere PAEE-Schätzungen liefert als rein statistische Methoden, insbesondere für Aktivitäten des täglichen Lebens mit niedriger bis mittlerer Intensität.