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

Aquí se presenta un resumen técnico detallado del artículo "PM-EKF: Un Filtro de Kalman Extendido Basado en un Modelo Fisiológico para la Estimación del Gasto Energético de la Actividad Física en la Vida Cotidiana".

1. Planteamiento del Problema

El monitoreo del Gasto Energético de la Actividad Física (PAEE) en la vida cotidiana es fundamental para evaluar la salud metabólica y el riesgo de enfermedades. Si bien la calorimetría indirecta (análisis de gases) es el estándar de oro, resulta impráctica para un monitoreo continuo en condiciones de vida libre. En consecuencia, los sensores portátiles (Unidades de Medición Inercial - IMU, y Frecuencia Cardíaca - FC) son ampliamente utilizados.

Sin embargo, los métodos existentes enfrentan limitaciones significativas:

• Falta de Interpretabilidad Fisiológica: La mayoría de los enfoques actuales son puramente basados en datos (por ejemplo, Regresión Lineal, Redes Neuronales). Mapean las señales de los sensores al PAEE de manera estadística sin modelar los mecanismos fisiológicos subyacentes (intercambio de gases, metabolismo).
• Naturaleza de Caja Negra: Estos modelos carecen de interpretabilidad intrínseca, lo que dificulta explicar por qué se realizó una estimación o garantizar la consistencia fisiológica (por ejemplo, evitar valores negativos de gasto energético).
• Problemas de Generalización: Los modelos basados en datos a menudo luchan con cambios en la distribución (diferentes individuos o tipos de actividad) y pueden producir resultados fisiológicamente implausibles.

2. Metodología: El Marco PM-EKF

Los autores proponen un Filtro de Kalman Extendido Basado en Modelo Fisiológico (PM-EKF). Este enfoque integra un modelo mecanicista simplificado de la fisiología humana con un Filtro de Kalman Extendido (EKF) para fusionar los datos de los sensores. El marco opera en tres niveles:

A. Nivel de Señal (Preprocesamiento y Proxies)

• Entradas: Frecuencia Cardíaca (FC) derivada del ECG y aceleración corporal de tres IMU (pelvis, muslo izquierdo, muslo derecho).
• Proxy Metabólico Derivado de IMU: El sistema calcula la energía cinética mecánica ($E(t)$) requerida para mover los segmentos corporales basándose en la velocidad derivada de la integración de IMU.
  • Esta energía mecánica se convierte en una tasa estimada de consumo de oxígeno ($R_{MO2}$) y una tasa de producción de dióxido de carbono ($R_{MCO2}$) utilizando un factor de eficiencia agrupado ($\mu$) y un factor de conversión (19.6 KJ/L $O_2$).
  • Nota: Este proxy sirve como la "observación" para el filtro, representando la demanda metabólica relacionada con el movimiento.

B. Nivel de Modelado (Espacio de Estados Fisiológico)

La innovación central es un modelo fisiológico de tres compartimentos (Pulmones, Circulación, Tejido Muscular) que representa el bucle de control respiratorio y el intercambio de gases.

• Vector de Estado ($x$): El modelo rastrea cinco estados fisiológicos latentes:
  1. Presión parcial alveolar de $O_2$ ($P_{A,O2}$)
  2. Presión parcial alveolar de $CO_2$ ($P_{A,CO2}$)
  3. Concentración venosa de $O_2$ ($C_{v,O2}$)
  4. Concentración venosa de $CO_2$ ($C_{v,CO2}$)
  5. Ventilación alveolar ($V_{TA}$)
• Modelo de Proceso: Un conjunto de ecuaciones diferenciales no lineales que describen el balance de masa para $O_2$ y $CO_2$ a través de los compartimentos. La FC se utiliza como una entrada externa para impulsar el gasto cardíaco ($Q$), lo cual influye en el transporte de gases.
• Modelo de Medición: Los proxies metabólicos derivados de IMU ($R_{MO2}, R_{MCO2}$) se tratan como observaciones ruidosas de los flujos reales de intercambio de gases predichos por el modelo fisiológico.

C. Nivel de Inferencia (Filtro de Kalman Extendido)

• El EKF estima recursivamente los estados fisiológicos latentes.
• Paso de Predicción: Propaga los estados hacia adelante basándose en la dinámica fisiológica impulsada por la FC.
• Paso de Corrección: Actualiza las estimaciones de estado utilizando los proxies metabólicos derivados de IMU para corregir la incertidumbre del modelo y el ruido de medición.
• Salida: Los estados latentes inferidos se utilizan para calcular el PAEE final mediante la fórmula de Weir, que relaciona el consumo de $O_2$ y la producción de $CO_2$ con el gasto energético.

3. Contribuciones Clave

1. Interpretabilidad Mecanicista: A diferencia de los modelos de IA de caja negra, el PM-EKF modela explícitamente la cadena causal desde el movimiento corporal $\to$ trabajo mecánico $\to$ intercambio de gases $\to$ gasto energético. Los estados latentes (por ejemplo, presión alveolar) tienen un significado fisiológico directo.
2. Restricciones Fisiológicas: Al incrustar el modelo dentro de un EKF, las estimaciones están restringidas por leyes biológicas (por ejemplo, balance de masa, ley de los gases ideales), lo que previene salidas fisiológicamente imposibles (como gasto energético negativo).
3. Fusión de Sensores Novel: El método trata los datos de IMU no solo como un predictor directo, sino como una observación de la demanda metabólica que corrige un modelo de proceso fisiológico impulsado por la FC.
4. Sin Entrenamiento Requerido: El modelo se basa en primeros principios y no requiere un gran conjunto de datos para "entrenar" en el sentido del aprendizaje automático, lo que lo hace potencialmente más generalizable entre individuos.

4. Resultados Experimentales

El modelo fue validado en un conjunto de datos de 9 sujetos sanos realizando diversas Actividades de la Vida Diaria (AVD), incluyendo sentarse, caminar, fregar, montar en bicicleta y subir escaleras. La verdad fundamental fue proporcionada por un analizador respiratorio COSMED K5 de respiración por respiración.

• Métricas de Rendimiento ($R^2$ Mediana):

  • PM-EKF (con FC): 0.72 (Rango: 0.60–0.87)
  • CNN-LSTM (Basado en datos): 0.65
  • Regresión Lineal (Basado en datos): 0.52
  • Significancia Estadística: El PM-EKF superó significativamente tanto a la RL ($p=0.012$) como a CNN-LSTM ($p=0.039$).

• Rendimiento en Baja Intensidad:

  • El PM-EKF destacó en intensidades bajas (NRMSE = 0.19), mientras que los modelos basados en datos tuvieron un mal rendimiento (NRMSE > 1.0, peor que un predictor de media) y ocasionalmente predijeron valores negativos de PAEE.
  • El PM-EKF tuvo una tasa de violación del 0% para los límites fisiológicos (PAEE $\ge$ 0), en comparación con el 0.53% para CNN-LSTM.

• Dependencia de la FC:

  • Sorprendentemente, eliminar la entrada de FC del PM-EKF (fijándola a una constante) no degradó significativamente el rendimiento ($R^2$ se mantuvo en ~0.76).
  • Esto sugiere que, para las AVD probadas, la carga mecánica capturada por IMU fue el impulsor dominante de la estimación de PAEE, y la FC proporcionó información redundante en este contexto específico.

• Limitaciones Observadas:

  • El modelo subestimó sistemáticamente el PAEE durante el ciclismo. Esto se atribuye a que el proxy mecánico basado en IMU no logra capturar la resistencia externa (carga del ergómetro) y el factor de eficiencia fijo ($\mu$) no se adapta a la dinámica del ciclismo.

5. Significado y Conclusión

El marco PM-EKF representa un cambio de paradigma desde la estimación de PAEE puramente basada en datos hacia una estimación guiada por la fisiología.

• Relevancia Clínica: Proporciona no solo un número, sino estados latentes interpretables (por ejemplo, tasas de intercambio de gases) que podrían servir como biomarcadores para la salud metabólica.
• Robustez: El modelo mantiene la plausibilidad fisiológica incluso en escenarios de baja intensidad donde los modelos basados en datos fallan, lo que lo hace adecuado para un monitoreo continuo en el mundo real.
• Perspectiva Futura: Si bien el estudio actual muestra que las IMU son suficientes para las AVD, el trabajo futuro apunta a mejorar la estimación del ciclismo (adaptando el factor de eficiencia) y validar el modelo en poblaciones más grandes y diversas, incluidas aquellas con trastornos metabólicos.

En resumen, el artículo demuestra que incrustar un modelo fisiológico simplificado dentro de un Filtro de Kalman produce estimaciones de PAEE más precisas, interpretables y robustas que los métodos puramente estadísticos, particularmente para actividades diarias de intensidad baja a moderada.