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

Sintesi Tecnica: Stima della Spesa Energetica basata sull'Accelerometria durante le Attività della Vita Quotidiana

Definizione del Problema
La Spesa Energetica per l'Attività Fisica (PAEE) è un parametro critico per il controllo dell'obesità e il monitoraggio della salute, che presenta un'elevata variabilità sia tra gli individui che all'interno di una singia giornata. Sebbene la PAEE possa essere misurata accuratamente tramite calorimetria indiretta (dati respiratori breath-by-breath), questo metodo manca della portabilità necessaria per il monitoraggio della vita quotidiana. Di conseguenza, esiste la necessità di strumenti basati su sensori indossabili, specificamente accelerometri, per stimare la PAEE. Una sfida centrale in questo dominio è determinare la posizione ottimale del sensore. Mentre il centro di massa (COM) del corpo, tipicamente situato vicino alla parte bassa della schiena o al bacino, è teoricamente ideale per catturare il movimento dell'intero corpo, il polso è diventato una posizione popolare a causa della diffusione di dispositivi indossabili da polso (es. Apple Watch, Fitbit). Tuttavia, l'efficacia dei sensori basati sul polso nel stimare la PAEE rispetto alle configurazioni basate sul COM rimane sotto-indagata, in particolare per quanto riguarda se un singolo sensore sia sufficiente o se siano necessarie composizioni multi-sensore per approssimare l'accelerazione del COM.

Metodologia
Lo studio ha valutato e confrontato quattro distinte composizioni di accelerometri per la stima della PAEE durante le Attività della Vita Quotidiana (ADL):

1. Configurazioni basate sul COM:
   • Pelvis-acc: Un singolo accelerometro sul bacino.
   • 3-acc: Un accelerometro sul bacino combinato con due accelerometri sulle cosce.
2. Configurazioni basate sul polso:
   • l-wrist-acc: Un singolo accelerometro sul polso sinistro.
   • r-wrist-acc: Un singolo accelerometro sul polso destro.

Raccolta Dati:
Dieci partecipanti (30% femmine) hanno eseguito una sequenza randomizzata di ADL, tra cui sedersi, stare in piedi, lavoro al computer, faccende domestiche (lavare il pavimento, lavare i piatti), salire le scale ed esercizi su tapis roulant/bicicletta. I dati respiratori (VO2 e VCO2) raccolti tramite un sistema COSMED K5 hanno servito come ground truth per la PAEE. Cinque sensori Movella Xsens DOT (30 Hz) hanno registrato l'accelerazione a 3 assi (pelvi, entrambe le cosce, entrambi i polsi). Il pre-processing dei dati ha incluso la rimozione dell'accelerazione gravitazionale, il filtraggio passa-basso (6 Hz) e il ricampionamento a 1 Hz. La PAEE è stata derivata sottraendo il Tasso Metabolico a Riposo (RMR) dalla Spesa Energetica Totale (TEE).

Modelli:
Due metodi di stima consolidati sono stati implementati sul dataset:

1. Regressione Lineare (LR): Ha utilizzato la feature $IAA_{tot}$ (somma dell'accelerazione assoluta integrata su tre assi) come input. Per la configurazione a 3 accelerometri, sono state utilizzate tre variabili $IAA_{tot}$ indipendenti.
2. CNN-LSTM: Un modello di deep learning che prende in input i dati di accelerazione a 3 assi pre-elaborati. Per i singoli sensori, la matrice di input era 3x30 (3 assi, finestra di 30 secondi); per la configurazione a 3 accelerometri, la dimensione delle feature è stata concatenata a 9x30.

Entrambi i modelli hanno eseguito una previsione con orizzonte di 1 secondo utilizzando una finestra scorrevole di 30 secondi. Le prestazioni sono state valutate utilizzando la validazione incrociata Leave-One-Subject-Out, l'Errore Quadratico Medio Normalizzato (NRMSE) e i valori di R-quadro ($R^2$). La significatività statistica è stata valutata tramite ANOVA a misure ripetute e t-test accoppiati con correzione di Bonferroni.

Risultati Chiave

• Prestazioni del Modello: Entrambi i modelli LR e CNN-LSTM hanno ottenuto i migliori risultati con la configurazione 3-acc (basata sul COM). Il modello CNN-LSTM ha raggiunto l'$R^2$ più alto di 0,53 (NRMSE = 0,64), mentre il modello LR ha ottenuto un $R^2$ di 0,41 (NRMSE = 0,72).
• COM vs Polso: Le due configurazioni basate sul COM (3-acc e pelvis-acc) hanno superato significativamente le configurazioni basate sul polso ($p < 0,05$). Le configurazioni basate sul polso hanno dimostrato quasi nessuna capacità predittiva, con valori di $R^2$ vicini allo 0 (compresi tra -0,02 e 0,06) e alti valori di NRMSE (~0,95).
• Composizione del Sensore: Non è stata trovata alcuna differenza significativa tra il singolo sensore pelvico (pelvis-acc) e la composizione a tre sensori (3-acc) per nessuno dei due modelli ($p = 0,278$ per $R^2$), suggerendo che un singolo sensore vicino al COM sia sufficiente per rappresentare l'accelerazione del COM per questo compito.
• Simmetria del Polso: Non è stata trovata alcuna differenza significativa tra i sensori del polso destro e sinistro ($p = 0,329$).
• Confronto tra Modelli: Non è stata trovata alcuna differenza significativa tra i modelli LR e CNN-LSTM in termini di NRMSE o $R^2$ ($p > 0,05$), indicando che la feature lineare $IAA_{tot}$ è paragonabile in potere predittivo all'architettura più complessa CNN-LSTM per questo specifico dataset.

Significatività e Rivendicazioni
L'articolo conclude che, per una stima accurata della PAEE durante le ADL, gli approcci di modellazione basati sul COM sono superiori agli approcci basati sul polso. Gli autori affermano che gli accelerometri indossati al polso, quando utilizzati isolatamente, non riescono a riflettere efficacemente l'accelerazione del COM, risultando in una capacità predittiva trascurabile per la PAEE. Ciò mette in discussione le affermazioni di usabilità dei dispositivi commerciali indossati al polso che si affidano esclusivamente all'accelerazione per il tracciamento della spesa energetica.

Lo studio suggerisce che un singolo sensore posizionato vicino al COM (es. bacino) è sufficiente per catturare la dinamica del movimento necessaria, poiché l'aggiunta di sensori sulle cosce non ha migliorato significativamente le prestazioni rispetto alla configurazione con solo il bacino. Gli autori mantengono una posizione moderata, osservando che, sebbene la stima basata sul polso sia attualmente limitata, le prestazioni potrebbero migliorare con l'aggiunta di ulteriori modalità sensoriali (es. frequenza cardiaca) o se venissero sviluppati metodi per mappare meglio l'accelerazione del polso rispetto all'accelerazione del COM. Raccomandano che la ricerca futura si concentri sulla validazione di questi risultati con dataset più ampi ed esplori altre posizioni dei sensori (es. torace, braccio superiore) che possano approssimare meglio l'accelerazione del COM.