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

Résumé technique : Estimation de la dépense énergétique par accélérométrie lors des activités de la vie quotidienne

Énoncé du problème
La dépense énergétique liée à l'activité physique (DEAP) est un paramètre critique pour le contrôle de l'obésité et le suivi de la santé, présentant une grande variabilité tant entre les individus qu'au cours d'une même journée. Bien que la DEAP puisse être mesurée avec précision via la calorimétrie indirecte (données respiratoires respiration par respiration), cette méthode manque de portabilité pour un suivi dans la vie quotidienne. Par conséquent, il existe un besoin d'outils basés sur des capteurs portables, spécifiquement des accéléromètres, pour estimer la DEAP. Un défi central dans ce domaine est de déterminer l'emplacement optimal du capteur. Alors que le centre de masse (COM) du corps, généralement situé près du bas du dos ou du bassin, est théoriquement idéal pour capturer le mouvement de l'ensemble du corps, le poignet est devenu un emplacement populaire en raison de la prévalence des dispositifs grand public portés au poignet (ex. : Apple Watch, Fitbit). Cependant, l'efficacité des capteurs portés au poignet pour estimer la DEAP par rapport aux configurations basées sur le COM reste insuffisamment étudiée, particulièrement pour déterminer si des capteurs uniques suffisent ou si des compositions multi-capteurs sont nécessaires pour approximer l'accélération du COM.

Méthodologie
L'étude a évalué et comparé quatre compositions distinctes d'accéléromètres pour l'estimation de la DEAP lors des activités de la vie quotidienne (AVQ) :

1. Configurations basées sur le COM :
   • Pelvis-acc : Un accéléromètre unique sur le bassin.
   • 3-acc : Un accéléromètre sur le bassin combiné à deux accéléromètres sur les cuisses.
2. Configurations basées sur le poignet :
   • l-wrist-acc : Un accéléromètre unique sur le poignet gauche.
   • r-wrist-acc : Un accéléromètre unique sur le poignet droit.

Collecte de données :
Dix participants (30 % de femmes) ont effectué une séquence aléatoire d'AVQ, incluant la position assise, la station debout, le travail sur ordinateur portable, les tâches ménagères (serpillière, vaisselle), la montée d'escaliers et des exercices de tapis roulant/cyclisme. Les données respiratoires (VO2 et VCO2) collectées via un système COSMED K5 ont servi de vérité de terrain pour la DEAP. Cinq capteurs Movella Xsens DOT (30 Hz) ont enregistré l'accélération sur 3 axes (pelvis, deux cuisses et deux poignets). Le prétraitement des données a consisté à supprimer l'accélération gravitationnelle, à appliquer un filtre passe-bas (6 Hz) et à rééchantillonner à 1 Hz. La DEAP a été dérivée en soustrayant le métabolisme de repos (RMR) de la dépense énergétique totale (TEE).

Modèles :
Deux méthodes d'estimation établies ont été implémentées sur le jeu de données :

1. Régression Linéaire (LR) : Utilise la caractéristique $IAA_{tot}$ (somme de l'accélération absolue intégrée sur trois axes) comme entrée. Pour la configuration 3-acc, trois variables $IAA_{tot}$ indépendantes sont utilisées.
2. CNN-LSTM : Un modèle d'apprentissage profond prenant les données d'accélération sur 3 axes prétraitées comme entrée. Pour les capteurs uniques, la matrice d'entrée est de 3x30 (3 axes, fenêtre de 30 secondes) ; pour la configuration 3-acc, la dimension des caractéristiques est concaténée à 9x30.

Les deux modèles effectuent une prévision à horizon de 1 seconde en utilisant une fenêtre glissante de 30 secondes. La performance a été évaluée par validation croisée de type "Leave-One-Subject-Out" (exclusion d'un sujet), par l'erreur quadratique moyenne normalisée (NRMSE) et par les valeurs de R-carré ($R^2$). La signification statistique a été évaluée via une ANOVA à mesures répétées et des tests t appariés avec correction de Bonferroni.

Résultats clés

• Performance des modèles : Les modèles LR et CNN-LSTM ont obtenu leurs meilleurs résultats avec la configuration 3-acc (basée sur le COM). Le modèle CNN-LSTM a atteint le $R^2$ le plus élevé de 0,53 (NRMSE = 0,64), tandis que le modèle LR a atteint un $R^2$ de 0,41 (NRMSE = 0,72).
• COM vs Poignet : Les deux configurations basées sur le COM (3-acc et pelvis-acc) ont significativement surpassé les configurations basées sur le poignet ($p < 0,05$). Les configurations basées sur le poignet ont démontré un pouvoir prédictif quasi nul, avec des valeurs de $R^2$ proches de 0 (allant de -0,02 à 0,06) et des valeurs de NRMSE élevées (~0,95).
• Composition des capteurs : Il n'y a aucune différence significative entre le capteur unique du bassin (pelvis-acc) et la composition à trois capteurs (3-acc) pour les deux modèles ($p = 0,278$ pour $R^2$), suggérant qu'un seul capteur placé près du COM est suffisant pour représenter l'accélération du COM pour cette tâche.
• Symétrie du poignet : Aucune différence significative n'a été trouvée entre les capteurs du poignet gauche et droit ($p = 0,329$).
• Comparaison des modèles : Aucune différence significative n'a été trouvée entre les modèles LR et CNN-LSTM en termes de NRMSE ou de $R^2$ ($p > 0,05$), indiquant que la caractéristique linéaire $IAA_{tot}$ est comparable en pouvoir prédictif à l'architecture plus complexe CNN-LSTM pour ce jeu de données spécifique.

Signification et affirmations
L'article conclut que pour une estimation précise de la DEAP lors des AVQ, les approches de modélisation basées sur le COM sont supérieures aux approches basées sur le poignet. Les auteurs affirment que les accéléromètres portés au poignet, lorsqu'ils sont utilisés isolément, ne parviennent pas à refléter efficacement l'accélération du COM, entraînant un pouvoir prédictif négligeable pour la DEAP. Cela remet en question les affirmations d'utilisabilité des dispositifs commerciaux portés au poignet qui reposent uniquement sur l'accélération pour le suivi de la dépense énergétique.

L'étude suggère qu'un capteur unique placé près du COM (ex. : le bassin) est suffisant pour capturer la dynamique de mouvement nécessaire, car l'ajout de capteurs sur les cuisses n'a pas amélioré significativement les performances par rapport à la configuration avec le bassin seul. Les auteurs maintiennent une position modeste, notant que bien que l'estimation basée sur le poignet soit actuellement limitée, les performances pourraient s'améliorer avec des modalités de capteurs supplémentaires (ex. : fréquence cardiaque) ou si des méthodes sont développées pour mieux mapper l'accélération du poignet vers l'accélération du COM. Ils recommandent que les recherches futures se concentrent sur la validation de ces résultats avec des ensembles de données plus larges et explorent d'autres emplacements de capteurs (ex. : poitrine, bras) qui pourraient mieux approximer l'accélération du COM.