🤖 machine learning

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

यह अध्ययन प्रदर्शित करता है कि दैनिक गतिविधियों के दौरान त्वरणमापी-आधारित ऊर्जा व्यय का अनुमान लगाना शरीर के द्रव्यमान केंद्र विन्यास (पेल्विस या पेल्विस प्लस जांघों) का उपयोग करने पर कलाई पर पहने जाने वाले उपकरणों की तुलना में काफी अधिक सटीक होता है, जिसमें तीन-त्वरणमापी सेटअप सर्वोत्तम भविष्य कहनेवाला प्रदर्शन प्रदान करता है।

मूल लेखक: Shuhao Que, Remco Poelarends, Peter Veltink, Miriam Vollenbroek-Hutten, Ying Wang

प्रकाशित 2026-06-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shuhao Que, Remco Poelarends, Peter Veltink, Miriam Vollenbroek-Hutten, Ying Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका शरीर एक व्यस्त निर्माण स्थल (construction site) है। "फिजिकल एक्टिविटी एनर्जी एक्सपेंडिचर" (PAEE) सरल शब्दों में वह ईंधन है जो आपका शरीर काम करते समय, चलते-फिरते और अपने दैनिक कार्यों को करते समय जलाता है। वैज्ञानिक यह जानना चाहते हैं कि आप वास्तव में कितना ईंधन उपयोग कर रहे हैं, लेकिन इसे पूरी तरह से मापने का एकमात्र तरीका आपको एक विशाल, भारी ब्रीदिंग मशीन से जोड़ना है जो आपकी हर सांस का विश्लेषण करती है। चूंकि घर पर ऐसा पहनना असंभव है, इसलिए शोधकर्ता आपके ऊर्जा उपयोग का अनुमान लगाने के लिए एक्सेलेरोमीटर (मोशन सेंसर) का उपयोग करते हैं।

यह शोध पत्र अनिवार्य रूप से एक "सेंसर मुकाबला" (sensor showdown) है। शोधकर्ता यह जानना चाहते थे कि: आपके ऊर्जा जलने का सटीक अनुमान लगाने के लिए इन मोशन सेंसरों को शरीर पर सबसे अच्छी जगह कहाँ लगाया जाए?

दो टीमें: "कोर" बनाम "रिस्ट" (The "Core" vs. The "Wrists")

शोधकर्ताओं ने दो अलग-अलग रणनीतियों के बीच एक प्रतियोगिता आयोजित की:

टीम 1: द कोर क्रू (COM-आधारित)
अपने शरीर के "सेंटर ऑफ मास" (COM) को एक कार के भारी, केंद्रीय इंजन की तरह समझें। यदि आप जानना चाहते हैं कि इंजन कितनी मेहनत कर रहा है, तो आपको इंजन के पास के कंपन को मापना चाहिए।

सेटअप: उन्होंने सेंसर को पेल्विस (कूल्हे के क्षेत्र) और जांघों पर लगाया।
तर्क: चूंकि पेल्विस और जांघें आपके शरीर के गुरुत्वाकर्षण केंद्र के करीब हैं, इसलिए उनकी गति आपके पूरे शरीर की गति का प्रतिनिधित्व करती है। यह कार के चेसिस के कंपन को मापने जैसा है ताकि यह पता चल सके कि पूरा वाहन कितनी तेजी से जा रहा है।

टीम 2: द रिस्ट वॉचर्स (The Wrist Watchers)
यह टीम उन लोकप्रिय स्मार्टवॉच और फिटनेस ट्रैकर्स का प्रतिनिधित्व करती है जिन्हें हम सभी अपनी कलाइयों पर पहनते हैं।

सेटअप: सेंसर को बाईं कलाई और दाईं कलाई पर रखा गया था।
तर्क: क्योंकि हर कोई कलाई पर घड़ियाँ पहनता है, इसलिए इनका उपयोग करना सुविधाजनक है। लेकिन कलाई शरीर के इंजन से बहुत दूर है। यह कार के इंजन के काम करने का अंदाजा केवल कार के रियरव्यू मिरर (पीछे देखने वाले शीशे) के कंपन को देखकर लगाने जैसा है।

टेस्ट ड्राइव

नौ स्वयंसेवकों ने "जीवन के एक दिन" का परीक्षण किया। वे बैठे, खड़े हुए, पढ़ते रहे, सफाई की, सीढ़ियां चढ़ीं और ट्रेडमिल पर चले। इस दौरान, उन्होंने पहना:

5 मोशन सेंसर: एक पेल्विस पर, दो जांघों पर, और दो कलाइयों पर।
"ट्रुथ मशीन" (The Truth Machine): एक विशेष मास्क (COSMED K5) जिसने उनकी वास्तविक सांस लेने की प्रक्रिया को मापा ताकि यह गणना की जा सके कि वे वास्तव में कितनी ऊर्जा जला रहे थे। यह "उत्तर कुंजी" (answer key) के रूप में कार्य करता था।

इसके बाद शोधकर्ताओं ने केवल मोशन सेंसर डेटा के आधार पर ऊर्जा जलने की भविष्यवाणी करने के लिए दो अलग-अलग "अनुमान लगाने वाली मशीनों" (गणितीय मॉडल) का उपयोग किया:

लीनियर रिग्रेशन (LR): एक सरल, क्लासिक गणितीय सूत्र।
CNN-LSTM: एक फैंसी, आधुनिक आर्टिफिशियल इंटेलिजेंस (AI) मॉडल जो मानव मस्तिष्क की तरह पैटर्न सीखता है।

परिणाम: कौन जीता?

परिणाम स्पष्ट थे, और "कोर क्रू" ने भारी अंतर से जीत हासिल की।

द कोर क्रू (पेल्विस और जांघें): इन सेंसरों ने बेहतरीन काम किया। चाहे उन्होंने केवल पेल्विस सेंसर का उपयोग किया हो या पेल्विस और दो जांघों के सेंसरों का, मॉडल सटीक रूप से भविष्यवाणी कर सके कि व्यक्ति कितनी ऊर्जा जला रहा था। AI मॉडल थोड़ा बेहतर था, लेकिन सरल गणितीय मॉडल भी बहुत अच्छा था।
- उपमा: यह सीधे इंजन को सुनने जैसा था; भविष्यवाणी एकदम सटीक थी।
द रिस्ट वॉचर्स: कलाई के सेंसर बुरी तरह विफल रहे। चाहे बाईं कलाई हो या दाईं कलाई, मॉडल कुछ भी उपयोगी भविष्यवाणी नहीं कर सके। उनकी भविष्यवाणियां इतनी खराब थीं कि वे मूल रूप से केवल तुक्के थे।
- उपमा: यह ट्रक के बंपर पर बैठी एक तितली को देखकर ट्रक की गति का अंदाजा लगाने जैसा है। कलाई बहुत हिलती है, लेकिन उसकी गति यह नहीं बताती कि शरीर का "इंजन" कितनी मेहनत कर रहा है।

मुख्य निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि यदि आप जानना चाहते हैं कि कोई व्यक्ति दैनिक गतिविधियों के दौरान कितनी ऊर्जा जला रहा है, तो आपको शरीर के कोर (केंद्र) को मापने की आवश्यकता है, न कि कलाइयों को।

एक सेंसर ही काफी है: दिलचस्प बात यह है कि केवल पेल्विस पर सेंसर लगाने से पेल्विस और दोनों जांघों पर सेंसर लगाने जितना ही अच्छा परिणाम मिला। आपको कवच के पूरे सेट की आवश्यकता नहीं है; सेंटर ऑफ मास के पास एक अच्छा सेंसर पर्याप्त है।
कलाई की चेतावनी: हालांकि व्यावसायिक स्मार्टवॉच दावा करती हैं कि वे आपकी कैलोरी बर्न को ट्रैक करती हैं, यह अध्ययन सुझाव देता है कि यदि वे केवल कलाई की गति का उपयोग कर रही हैं, तो वे बहुत ही गलत अनुमान लगा रही हैं। कलाई पूरे शरीर की गति को ऊर्जा व्यय (energy expenditure) की सटीक गणना करने के लिए पर्याप्त रूप से प्रतिबिंबित नहीं करती है।

संक्षेप में: यह मापने के लिए कि आपका शरीर कितनी मेहनत कर रहा है, इंजन (कोर) को सुनें, न कि रियरव्यू मिरर (कलाई) को।

तकनीकी सारांश: दैनिक जीवन की गतिविधियों के दौरान एक्सीलेरोमेट्री-आधारित ऊर्जा व्यय का अनुमान

समस्या विवरण
शारीरिक गतिविधि ऊर्जा व्यय (PAEE) मोटापे नियंत्रण और स्वास्थ्य निगरानी के लिए एक महत्वपूर्ण पैरामीटर है, जो व्यक्तियों के बीच और एक ही दिन के भीतर उच्च परिवर्तनशीलता प्रदर्शित करता है। जबकि PAEE को अप्रत्यक्ष कैलोरीमेट्री (साँस-दर-साँस श्वसन डेटा) के माध्यम से सटीक रूप से मापा जा सकता है, इस पद्धति में दैनिक जीवन की निगरानी के लिए पोर्टेबिलिटी का अभाव है। फलस्वरूप, पहनने योग्य सेंसर-आधारित उपकरणों, विशेष रूप से एक्सीलेरोमीटर के उपयोग की आवश्यकता है, ताकि PAEE का अनुमान लगाया जा सके। इस क्षेत्र में एक केंद्रीय चुनौती सेंसर के इष्टतम स्थान को निर्धारित करना है। जबकि शरीर का द्रव्यमान केंद्र (COM), जो आमतौर पर निचले पीठ या श्रोणि (pelvis) के पास होता है, संपूर्ण-शरीर की गति को कैप्चर करने के लिए सैद्धांतिक रूप से आदर्श है, कलाई ने उपभोक्ता कलाई-पहनने वाले उपकरणों (जैसे Apple Watch, Fitbit) की व्यापकता के कारण एक लोकप्रिय स्थान बना लिया है। हालांकि, COM-आधारित कॉन्फ़िगरेशन की तुलना में PAEE का अनुमान लगाने में कलाई-आधारित सेंसरों की प्रभावकारिता अभी भी कम-अध्ययनित है, विशेष रूप से इस संबंध में कि क्या एकल सेंसर पर्याप्त हैं या यदि COM त्वरण के करीब पहुँचने के लिए मल्टी-सेंसर संरचनाओं की आवश्यकता है।

कार्यप्रणाली
इस अध्ययन ने दैनिक जीवन की गतिविधियों (ADL) के दौरान PAEE अनुमान के लिए चार अलग-अलग एक्सीलेरोमीटर संरचनाओं का मूल्यांकन और तुलना की:

COM-आधारित सेटिंग्स:
- Pelvis-acc: श्रोणि (pelvis) पर एक एकल एक्सीलेरोमीटर।
- 3-acc: एक श्रोणि एक्सीलेरोमीटर को दो जांघ एक्सीलेरोमीटर के साथ मिलाकर।
कलाई-आधारित सेटिंग्स:
- l-wrist-acc: बाईं कलाई पर एक एकल एक्सीलेरोमीटर।
- r-wrist-acc: दाईं कलाई पर एक एकल एक्सीलेरोमीटर।

डेटा संग्रह:
दस प्रतिभागियों (30% महिला) ने ADL के एक रैंडमाइज्ड अनुक्रम को पूरा किया, जिसमें बैठना, खड़ा होना, लैपटॉप पर काम करना, घरेलू काम (पोछा लगाना, बर्तन धोना), सीढ़ियाँ चढ़ना, और ट्रेडमिल/साइकिल चलाना शामिल था। ग्राउंड ट्रुथ के रूप में COSMED K5 सिस्टम के माध्यम से एकत्र किए गए श्वसन डेटा (VO2 और VCO2) का उपयोग किया गया। पाँच Movella Xsens DOT सेंसर (30 Hz) ने श्रोणि, दोनों जांघों और दोनों कलाइयों पर 3-अक्षीय त्वरण (3-axis acceleration) रिकॉर्ड किया। ग्रेविटेशनल त्वरण को हटाने, लो-पास फ़िल्टरिंग (6 Hz), और 1 Hz पर रीसैंपलिंग करने के बाद डेटा प्रीप्रोसेसिंग की गई। PAEE को कुल ऊर्जा व्यय (TEE) से रेस्टिंग मेटाबॉलिक रेट (RMR) को घटाकर प्राप्त किया गया।

मॉडल:
इस डेटासेट पर दो स्थापित अनुमान विधियों को लागू किया गया:

लीनियर रिग्रेशन (LR): इसमें इनपुट के रूप में $IAA_{tot}$ (तीन अक्षों के माध्यम से एकीकृत पूर्ण त्वरण का योग) फीचर का उपयोग किया गया। 3-acc सेटिंग के लिए, तीन स्वतंत्र $IAA_{tot}$ वेरिएबल्स का उपयोग किया गया।
CNN-LSTM: एक डीप लर्निंग मॉडल जो प्री-प्रोसेस्ड 3-अक्षीय त्वरण डेटा को इनपुट के रूप में लेता है। एकल सेंसरों के लिए, इनपुट मैट्रिक्स 3x30 (3 अक्ष, 30-सेकंड विंडो) था; 3-acc सेटिंग के लिए, फीचर डायमेंशन को 9x30 तक संयोजित (concatenate) किया गया।

दोनों मॉडल 30-सेकंड की स्लाइडिंग विंडो का उपयोग करके 1-सेकंड क्षितिज पूर्वानुमान (forecasting) करते हैं। प्रदर्शन का मूल्यांकन Leave-One-Subject-Out क्रॉस-वैलिडेशन, नॉर्मलाइज्ड रूट-मीन-स्क्वेर्ड एरर (NRMSE), और R-स्क्वेर्ड ( $R^2$ ) मानों का उपयोग करके किया गया। सांख्यिकीय महत्व का आकलन रिपीटेड मेजर्स ANOVA और बोनफेरोनी सुधार के साथ पेयर्ड टी-टेस्ट के माध्यम से किया गया।

प्रमुख परिणाम

मॉडल प्रदर्शन: दोनों LR और CNN-LSTM मॉडल ने 3-acc (COM-आधारित) सेटिंग के साथ अपने सर्वोत्तम परिणाम दिए। CNN-LSTM मॉडल ने उच्चतम $R^2$ का 0.53 (NRMSE = 0.64) प्राप्त किया, जबकि LR मॉडल ने $R^2$ का 0.41 (NRMSE = 0.72) प्राप्त किया।
COM बनाम कलाई: दो COM-आधारित सेटिंग्स (3-acc और pelvis-acc) ने कलाई-आधारित सेटिंग्स की तुलना में काफी बेहतर प्रदर्शन किया ( $p < 0.05$ )। कलाई-आधारित सेटिंग्स ने लगभग कोई प्रेडिक्टिव पावर नहीं दिखाई, जिसमें $R^2$ मान 0 के करीब (रेंज -0.02 से 0.06) और उच्च NRMSE मान (~0.95) थे।
सेंसर संरचना: एकल श्रोणि सेंसर (pelvis-acc) और तीन-सेंसर संरचना (3-acc) के बीच कोई महत्वपूर्ण अंतर नहीं पाया गया ( $R^2$ के लिए $p = 0.278$ ), जो यह सुझाव देता है कि इस कार्य के लिए COM त्वरण का प्रतिनिधित्व करने हेतु COM के पास स्थित एक एकल सेंसर पर्याप्त है।
कलाई समरूपता (Wrist Symmetry): बाएं और दाएं कलाई के सेंसरों के बीच कोई महत्वपूर्ण अंतर नहीं पाया गया ( $p = 0.329$ )।
मॉडल तुलना: NRMSE या $R^2$ के संदर्भ में LR और CNN-LSTM मॉडल के बीच कोई महत्वपूर्ण अंतर नहीं पाया गया ( $p > 0.05$ ), जो यह दर्शाता है कि इस विशिष्ट डेटासेट के लिए लीनियर फीचर $IAA_{tot}$ , अधिक जटिल CNN-LSTM आर्किटेक्चर के समान प्रेडिक्टिव पावर रखता है।

महत्व और दावे
यह शोध निष्कर्ष निकालता है कि ADL के दौरान सटीक PAEE अनुमान के लिए, कलाई-आधारित दृष्टिकोण की तुलना में COM-आधारित मॉडलिंग दृष्टिकोण श्रेष्ठ हैं। लेखक दावा करते हैं कि कलाई पर पहने जाने वाले एक्सीलेरोमीटर, जब अकेले उपयोग किए जाते हैं, तो COM त्वरण को प्रभावी ढंग से प्रतिबिंबित करने में विफल रहते हैं, जिसके परिणामस्वरूप नगण्य प्रेडिक्टिव पावर होती है। यह उन वाणिज्यिक कलाई-पहनने वाले उपकरणों के उपयोग के दावों को चुनौती देता है जो ऊर्जा व्यय ट्रैकिंग के लिए केवल त्वरण पर निर्भर करते हैं।

अध्ययन सुझाव देता है कि ADL के दौरान सटीक PAEE अनुमान के लिए, COM के पास स्थित एक एकल सेंसर (जैसे श्रोणि) आवश्यक गति गतिकी (movement dynamics) को कैप्चर करने के लिए पर्याप्त है, क्योंकि जांघ सेंसर जोड़ने से pelvis-only सेटअप की तुलना में प्रदर्शन में कोई महत्वपूर्ण सुधार नहीं हुआ। लेखक एक मध्यम रुख बनाए रखते हैं, यह नोट करते हुए कि हालांकि कलाई-आधारित अनुमान वर्तमान में सीमित है, प्रदर्शन अन्य सेंसर मोडैलिटीज (जैसे हृदय गति) के साथ बेहतर हो सकता है, या यदि ऐसे तरीके विकसित किए जाएं जो कलाई के त्वरण को COM त्वरण के साथ बेहतर ढंग से मैप कर सकें। वे अनुशंसा करते हैं कि भविष्य के शोध को बड़े डेटासेट के साथ इन निष्कर्षों को मान्य करने और अन्य सेंसर स्थानों (जैसे छाती, ऊपरी बांह) का पता लगाने पर ध्यान केंद्रित करना चाहिए जो COM त्वरण के करीब बेहतर रूप से पहुँच सकते हैं।

दो टीमें: "कोर" बनाम "रिस्ट" (The "Core" vs. The "Wrists")

टेस्ट ड्राइव

परिणाम: कौन जीता?

मुख्य निष्कर्ष

इसी तरह के और पेपर