Accelerometry-based Energy Expenditure Estimation During Activities of Daily Living: A Comparison Among Different Accelerometer Compositions

Resumen Técnico: Estimación del Gasto Energético Basada en Acelerometría Durante las Actividades de la Vida Diaria

Planteamiento del Problema
El Gasto Energético de la Actividad Física (PAEE, por sus siglas en inglés) es un parámetro crítico para el control de la obesidad y el monitoreo de la salud, el cual exhibe una alta variabilidad tanto entre individuos como dentro de un mismo día. Si bien el PAEE puede medirse con precisión mediante calorimetría indirecta (datos respiratorios segundo a segundo), este método carece de la portabilidad necesaria para el monitoreo en la vida diaria. En consecuencia, existe la necesidad de herramientas basadas en sensores portátiles, específicamente acelerómetros, para estimar el PAEE. Un desafío central en este dominio es determinar la ubicación óptima del sensor. Mientras que el centro de masa (COM) del cuerpo, típicamente cerca de la parte baja de la espalda o la pelvis, es teóricamente ideal para capturar el movimiento de todo el cuerpo, la muñca se ha convertido en una ubicación popular debido a la prevalencia de dispositivos de consumo usados en la muñeca (por ejemplo, Apple Watch, Fitbit). Sin embargo, la eficacia de los sensores basados en la muñeca para estimar el PAEE en comparación con las configuraciones basadas en el COM permanece insuficientemente investigada, particularmente en lo que respecta a si un solo sensor es suficiente o si se requieren composiciones de múltiples sensores para aproximar la aceleración del COM.

Metodología
El estudio evaluó y comparó cuatro composiciones distintas de acelerómetros para la estimación del PAEE durante las Actividades de la Vida Diaria (ADL):

1. Configuraciones basadas en el COM:
   • Pelvis-acc: Un solo acelerómetro en la pelvis.
   • 3-acc: Un acelerómetro en la pelvis combinado con dos acelerómetros en los muslos.
2. Configuraciones basadas en la muñeca:
   • l-wrist-acc: Un solo acelerómetro en la muñeca izquierda.
   • r-wrist-acc: Un solo acelerómetro en la muñeca derecha.

Recolección de Datos:
Diez participantes (30% mujeres) realizaron una secuencia aleatorizada de ADLs, que incluyeron sentarse, estar de pie, trabajo con computadora portátil, tareas domésticas (trapear, lavar platos), subir escaleras y ejercicios de cinta de correr/ciclismo. Los datos respiratorios (VO2 y VCO2) recolectados mediante un sistema COSMED K5 sirvieron como la verdad de referencia (ground truth) para el PAEE. Se utilizaron cinco sensores Movella Xsens DOT (30 Hz) para registrar la aceleración en 3 ejes en la pelvis, ambos muslos y ambas muñecas. El preprocesamiento de los datos consistió en eliminar la aceleración gravitacional, aplicar un filtro de paso bajo (6 Hz) y remuestrear a 1 Hz. El PAEE se derivó restando la Tasa Metabólica en Reposo (RMR) del Gasto Energético Total (TEE).

Modelos:
Se implementaron dos métodos de estimación establecidos en el conjunto de datos:

1. Regresión Lineal (LR): Utilizó la característica $IAA_{tot}$ (suma de la aceleración absoluta integrada a través de tres ejes) como entrada. Para la configuración de 3-acc, se utilizaron tres variables $IAA_{tot}$ independientes.
2. CNN-LSTM: Un modelo de aprendizaje profundo que toma datos de aceleración de 3 ejes preprocesados como entrada. Para sensores únicos, la matriz de entrada fue de 3x30 (3 ejes, ventana de 30 segundos); para la configuración de 3-acc, la dimensión de la característica se concatenó a 9x30.

Ambos modelos realizaron un pronóstico de horizonte de 1 segundo utilizando una ventana deslizante de 30 segundos. El rendimiento se evaluó mediante validación cruzada de dejar un sujeto fuera (Leave-One-Subject-Out), Error Cuadrático Medio Normalizado (NRMSE) y valores de R-cuadrado ($R^2$). La significancia estadística se evaluó mediante ANOVA de medidas repetidas y pruebas t de muestras pareadas con corrección de Bonferroni.

Resultados Clave

• Rendimiento del Modelo: Tanto los modelos LR como CNN-LSTM obtuvieron sus mejores resultados con la configuración 3-acc (basada en el COM). El modelo CNN-LSTM alcanzó el $R^2$ más alto de 0.53 (NRMSE = 0.64), mientras que el modelo LR alcanzó un $R^2$ de 0.41 (NRMSE = 0.72).
• COM vs. Muñeca: Las dos configuraciones basadas en el COM (3-acc y pelvis-acc) superaron significativamente a las configuraciones basadas en la muñeca ($p < 0.05$). Las configuraciones basadas en la muñeca demostraron casi ningún poder predictivo, con valores de $R^2$ cercanos a 0 (oscilando entre -0.02 y 0.06) y valores de NRMSE altos (~0.95).
• Composición de Sensores: No hubo diferencia significativa entre el sensor único de la pelvis (pelvis-acc) y la composición de tres sensores (3-acc) para ningún modelo ($p = 0.278$ para $R^2$), lo que sugiere que un solo sensor colocado cerca del COM es suficiente para representar la aceleración del COM para esta tarea.
• Simetría de la Muñeca: No se encontró una diferencia significativa entre los sensores de la muñeca izquierda y derecha ($p = 0.329$).
• Comparación de Modelos: No se encontró una diferencia significativa entre los modelos LR y CNN-LSTM en términos de NRMSE o $R^2$ ($p > 0.05$), lo que indica que la característica lineal $IAA_{tot}$ es comparable en poder predictivo a la arquitectura más compleja de CNN-LSTM para este conjunto de datos específico.

Significancia y Afirmaciones
El artículo concluye que, para una estimación precisa del PAEE durante las ADL, los enfoques de modelado basados en el COM son superiores a los enfoques basados en la muñeca. Los autores afirman que los acelerómetros usados en la muñeca, cuando se utilizan de forma aislada, no logran reflejar eficazmente la aceleración del COM, lo que resulta en un poder predictivo insignificante para el PAEE. Esto desafía las afirmaciones de utilidad de los dispositivos comerciales usados en la muñeca que dependen únicamente de la aceleración para el seguimiento del gasto energético.

El estudio sugiere que un solo sensor colocado cerca del COM (por ejemplo, la pelvis) es suficiente para capturar la dinámica de movimiento necesaria, ya que añadir sensores en los muslos no mejoró significativamente el rendimiento sobre la configuración de solo pelvis. Los autores mantienen una postura modesta, señalando que, si bien la estimación basada en la muñeca está actualmente limitada, el rendimiento podría mejorar con modalidades de sensores adicionales (por ejemplo, frecuencia cardíaca) o si se desarrollan métodos para mapear mejor la aceleración de la muñeca hacia la aceleración del COM. Recomiendan que las investigaciones futuras se centren en validar estos hallazgos con conjuntos de datos más grandes y explorar otras ubicaciones de sensores (por ejemplo, el pecho, el brazo superior) que puedan aproximarse mejor a la aceleración del COM.