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

यहाँ शोध पत्र "PM-EKF: A Physiological Model-Based Extended Kalman Filter for Daily-Life Physical Activity Energy Expenditure Estimation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

दैनिक जीवन में शारीरिक गतिविधि ऊर्जा व्यय (Physical Activity Energy Expenditure - PAEE) की निगरानी करना चयापचय स्वास्थ्य (metabolic health) और रोग के जोखिम के आकलन के लिए महत्वपूर्ण है। जबकि अप्रत्यक्ष कैलोरीमिति (गैस विश्लेषण) स्वर्ण मानक (gold standard) है, निरंतर, मुक्त-जीवन निगरानी के लिए यह व्यावहारिक नहीं है। फलस्वरूप, पहनने योग्य सेंसर (इनर्शियल मेजरमेंट यूनिट्स - IMUs, और हार्ट रेट - HR) व्यापक रूप से उपयोग किए जाते हैं।

हालाँकि, मौजूदा पद्धतियों को महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

• शारीरिक व्याख्यात्मकता का अभाव (Lack of Physiological Interpretability): अधिकांश वर्तमान दृष्टिकोण पूरी तरह से डेटा-संचालित (जैसे, लीनियर रिग्रेशन, न्यूरल नेटवर्क) हैं। वे शारीरिक तंत्र (गैस विनिमय, चयापचय) को मॉडल किए बिना सांख्यिकीय रूप से सेंसर संकेतों को PAEE से जोड़ते हैं।
• ब्लैक-बॉक्स प्रकृति (Black-Box Nature): इन मॉडलों में अंतर्निहित व्याख्यात्मकता की कमी होती है, जिससे यह समझाना कठिन हो जाता है कि किसी अनुमान को क्यों बनाया गया या शारीरिक निरंतरता (जैसे, नकारात्मक ऊर्जा व्यय मानों से बचना) सुनिश्चित करना कठिन होता है।
• सामान्यीकरण संबंधी मुद्दे (Generalizability Issues): डेटा-संचालित मॉडल अक्सर वितरण बदलावों (विभिन्न व्यक्तियों या गतिविधि प्रकारों) के साथ संघर्ष करते हैं और शारीरिक रूप से अकल्पनीय परिणाम दे सकते हैं।

2. कार्यप्रणाली: PM-EKF ढांचा (Methodology: The PM-EKF Framework)

लेखक एक फिजियोलॉजिकल मॉडल-आधारित एक्सटेंडेड कलमन फिल्टर (PM-EKF) का प्रस्ताव करते हैं। यह दृष्टिकोण सेंसर डेटा को फ्यूज करने के लिए एक एक्सटेंडेड कलमन फिल्टर (EKF) के साथ मानव शरीर क्रिया विज्ञान (human physiology) के एक सरलीकृत यांत्रिक मॉडल को एकीकृत करता है। यह ढांचा तीन स्तरों पर कार्य करता है:

A. सिग्नल स्तर (Signal Level: Preprocessing & Proxies)

• इनपुट: ECG से हृदय गति (HR) और तीन IMUs (पेल्विस, बायां जांघ, दायां जांघ) से शरीर का त्वरण (acceleration)।
• IMU-व्युत्पन्न मेटाबॉलिक प्रॉक्सी (IMU-Derived Metabolic Proxy): सिस्टम IMU एकीकरण से प्राप्त वेग के आधार पर शरीर के अंगों को चलाने के लिए आवश्यक यांत्रिक गतिज ऊर्जा ($E(t)$) की गणना करता है।
  • इस यांत्रिक ऊर्जा को एक संचित दक्षता कारक ($\mu$) और एक रूपांतरण कारक (19.6 KJ/L $O_2$) का उपयोग करके अनुमानित ऑक्सीजन खपत दर ($R_{MO2}$) और कार्बन डाइऑक्साइड उत्पादन दर ($R_{MCO2}$) में परिवर्तित किया जाता है।
  • नोट: यह प्रॉक्सी फ़िल्टर के लिए "अवलोकन" (observation) के रूप में कार्य करती है, जो गति-संबंधी चयापचय मांग का प्रतिनिधित्व करती है।

B. मॉडलिंग स्तर (Modeling Level: Physiological State-Space)

मुख्य नवाचार एक तीन-कम्पार्टमेंट फिजियोलॉजिकल मॉडल (फेफड़े, परिसंचरण, मांसपेशी ऊतक) है जो श्वसन नियंत्रण लूप और गैस विनिमय का प्रतिनिधित्व करता है।

• स्टेट वेक्टर ($x$): मॉडल पांच गुप्त शारीरिक अवस्थाओं (latent physiological states) को ट्रैक करता है:
  1. एल्वियोलर $O_2$ आंशिक दबाव ($P_{A,O2}$)
  2. एल्वियोलर $CO_2$ आंशिक दबाव ($P_{A,CO2}$)
  3. वेनस $O_2$ सांद्रता ($C_{v,O2}$)
  4. वेनस $CO_2$ सांद्रता ($C_{v,CO2}$)
  5. एल्वियोलर वेंटिलेशन ($V_{TA}$)
• प्रोसेस मॉडल (Process Model): गैस विनिमय के लिए द्रव्यमान संतुलन (mass balance) का वर्णन करने वाले गैर-रेखीय अवकल समीकरणों (nonlinear differential equations) का एक सेट। HR का उपयोग कार्डियक आउटपुट ($Q$) को संचालित करने के लिए एक बाहरी इनपुट के रूप में किया जाता है, जो गैस परिवहन को प्रभावित करता है।
• मेजरमेंट मॉडल (Measurement Model): IMU-व्युत्पन्न मेटाबॉलिक प्रॉक्सी ($R_{MO2}, R_{MCO2}$) को वास्तविक गैस-विनिमय फ्लक्स के शोर युक्त अवलोकनों के रूप में माना जाता है, जो शारीरिक मॉडल द्वारा अनुमानित हैं।

C. इन्फरेंस स्तर (Inference Level: Extended Kalman Filter)

• EKF पुनरावर्ती रूप से (recursively) गुप्त शारीरिक अवस्थाओं का अनुमान लगाता है।
• प्रेडिक्शन स्टेप (Prediction Step): HR द्वारा संचालित शारीरिक गतिकी के आधार पर अवस्थाओं को आगे बढ़ाता है।
• करेक्शन स्टेप (Correction Step): मॉडल अनिश्चितता और माप शोर को ठीक करने के लिए IMU-व्युत्पन्न मेटाबॉलिक प्रॉक्सी का उपयोग करके अवस्था अनुमानों को अपडेट करता है।
• आउटपुट: अनुमानित गुप्त अवस्थाओं का उपयोग वेयर्स फॉर्मूला (Weir's formula) का उपयोग करके अंतिम PAEE की गणना के लिए किया जाता है, जो $O_2$ खपत और $CO_2$ उत्पादन को ऊर्जा व्यय से जोड़ता है।

3. मुख्य योगदान (Key Contributions)

1. यांत्रिक व्याख्यात्मकता (Mechanistic Interpretability): ब्लैक-बॉक्स AI मॉडलों के विपरीत, PM-EKF स्पष्ट रूप से शरीर की गति $\to$ यांत्रिक कार्य $\to$ गैस विनिमय $\to$ ऊर्जा व्यय की कारण श्रृंखला (causal chain) को मॉडल करता है। गुप्त अवस्थाओं (जैसे, एल्वियोलर दबाव) का सीधा शारीरिक अर्थ होता है।
2. शारीरिक बाधाएं (Physiological Constraints): EKF के भीतर मॉडल को समाहित करके, अनुमान जैविक नियमों (जैसे, द्रव्यमान संतुलन, आदर्श गैस नियम) द्वारा सीमित होते हैं, जिससे शारीरिक रूप से असंभव आउटपुट (जैसे, नकारात्मक ऊर्जा व्यय) को रोका जा सकता है।
3. नया सेंसर फ्यूजन (Novel Sensor Fusion): यह विधि IMU डेटा को केवल एक प्रत्यक्ष भविष्यवक्ता के रूप में नहीं, बल्कि एक मेटाबॉलिक डिमांड के अवलोकन के रूप में मानती है जो HR द्वारा संचालित एक शारीरिक प्रक्रिया मॉडल को ठीक करती है।
4. प्रशिक्षण की आवश्यकता नहीं (No Training Required): मॉडल प्रथम सिद्धांतों (first principles) पर आधारित है और इसे मशीन लर्निंग के अर्थ में बड़े डेटासेट के लिए "प्रशिक्षण" की आवश्यकता नहीं है, जिससे यह व्यक्तियों के बीच अधिक सामान्यीकरण योग्य (generalizable) हो सकता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

मॉडल का सत्यापन 9 स्वस्थ विषयों के डेटासेट पर किया गया था जो विभिन्न दैनिक गतिविधियों (ADL) को कर रहे थे, जिसमें बैठना, चलना, पोछा लगाना, साइकिल चलाना और सीढ़ियां चढ़ना शामिल है। ग्राउंड ट्रुथ (ground truth) COSMED K5 ब्रीथ-बाय-ब्रीथ श्वसन विश्लेषक द्वारा प्रदान किया गया था।

• प्रदर्शन मेट्रिक्स (मध्यिका $R^2$):

  • PM-EKF (HR के साथ): 0.72 (रेंज: 0.60–0.87)
  • CNN-LSTM (डेटा-संचालित): 0.65
  • लीनियर रिग्रेशन (डेटा-संचालित): 0.52
  • सांख्यिकीय महत्व: PM-EKF ने दोनों LR ($p=0.012$) और CNN-LSTM ($p=0.039$) को महत्वपूर्ण रूप से पीछे छोड़ दिया।

• कम तीव्रता का प्रदर्शन (Low-Intensity Performance):

  • PM-EKF कम तीव्रता पर उत्कृष्ट रहा (NRMSE = 0.19), जबकि डेटा-संचालित मॉडल खराब प्रदर्शन करते रहे (NRMSE > 1.0, औसत भविष्यवक्ता से भी बदतर) और कभी-कभी नकारात्मक PAEE मानों की भविष्यवाणी करते रहे।
  • PM-EKF में शारीरिक सीमाओं के उल्लंघन की दर 0% थी (PAEE $\ge$ 0), जबकि CNN-LSTM के लिए यह 0.53% थी।

• HR निर्भरता (HR Dependence):

  • आश्चर्यजनक रूप से, PM-EKF से HR इनपुट को हटाने (इसे एक स्थिर मान पर रखने) से प्रदर्शन में कोई महत्वपूर्ण गिरावट नहीं आई ( $R^2$ ~0.76 बना रहा)।
  • यह सुझाव देता है कि परीक्षण की गई ADLs के लिए, IMU-कैप्चर किया गया यांत्रिक वर्कलोड PAEE अनुमान का प्रमुख चालक था, और HR ने इस विशिष्ट संदर्भ में अतिरिक्त (redundant) जानकारी प्रदान की।

• देखी गई सीमाएं (Limitations Observed):

  • मॉडल ने साइकिल चलाने के दौरान PAEE का व्यवस्थित रूप से कम अनुमान लगाया। इसका कारण IMU-आधारित यांत्रिक प्रॉक्सी द्वारा बाहरी प्रतिरोध (एर्गोमीटर लोड) को पकड़ने में विफलता और निश्चित दक्षता कारक ($\mu$) का साइकिलिंग गतिकी के अनुकूल न होना है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

PM-EKF ढांचा शुद्ध रूप से डेटा-संचालित PAEE अनुमान से फिजियोलॉजी-निर्देशित अनुमान की ओर एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है।

• नैदानिक प्रासंगिकता (Clinical Relevance): यह न केवल एक संख्या प्रदान करता है, बल्कि व्याख्या योग्य गुप्त अवस्थाएं (जैसे, गैस विनिमय दर) भी प्रदान करता है जो चयापचय स्वास्थ्य के लिए बायोमार्कर के रूप में काम कर सकती हैं।
• मजबूती (Robustness): मॉडल कम-तीव्रता वाले परिदृश्यों में भी शारीरिक तर्क बनाए रखता है जहाँ डेटा-संचालित मॉडल विफल हो जाते हैं, जिससे यह निरंतर, वास्तविक दुनिया की निगरानी के लिए उपयुक्त हो जाता है।
• भविष्य की दृष्टि (Future Outlook): जबकि वर्तमान अध्ययन दिखाता है कि ADLs के लिए IMUs पर्याप्त हैं, भविष्य के कार्यों का लक्ष्य साइकिलिंग अनुमान में सुधार करना (दक्षता कारक को अनुकूलित करके) और मॉडल को बड़े, विविध आबादी (मेटाबॉलिक विकारों सहित) पर मान्य करना है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि एक सरल शारीरिक मॉडल को कलमन फ़िल्टर (Kalman Filter) के भीतर समाहित करने से शुद्ध सांख्यिकीय विधियों की तुलना में अधिक सटीक, व्याख्या योग्य और मजबूत PAEE अनुमान प्राप्त होते हैं, विशेष रूप से कम-से-मध्यम तीव्रता वाली दैनिक गतिविधियों के लिए।