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

1. Enunciazione del Problema

Il monitoraggio del dispendio energetico legato all'attività fisica (PAEE) nella vita quotidiana è fondamentale per valutare la salute metabolica e il rischio di malattie. Sebbene la calorimetria indiretta (analisi dei gas) sia lo standard di riferimento, risulta impraticabile per un monitoraggio continuo in condizioni di vita libera. Di conseguenza, i sensori indossabili (Unità di Misura Inerziale - IMU, e Frequenza Cardiaca - HR) sono ampiamente utilizzati.

Tuttavia, i metodi esistenti presentano limitazioni significative:

• Mancanza di Interpretabilità Fisiologica: La maggior parte degli approcci attuali è puramente basata sui dati (ad es., Regressione Lineare, Reti Neurali). Mappano i segnali dei sensori sul PAEE in modo statistico senza modellare i meccanismi fisiologici sottostanti (scambio gassoso, metabolismo).
• Natura di "Scatola Nera": Questi modelli mancano di interpretabilità intrinseca, rendendo difficile spiegare perché è stata fatta una stima o garantire la coerenza fisiologica (ad es., evitando valori di dispendio energetico negativi).
• Problemi di Generalizzabilità: I modelli basati sui dati spesso faticano con gli spostamenti di distribuzione (diversi individui o tipi di attività) e possono produrre risultati fisiologicamente implausibili.

2. Metodologia: Il Framework PM-EKF

Gli autori propongono un Filtro di Kalman Esteso basato su Modello Fisiologico (PM-EKF). Questo approccio integra un modello meccanicistico semplificato della fisiologia umana con un EKF per fondere i dati dei sensori. Il framework opera su tre livelli:

A. Livello del Segnale (Pre-elaborazione e Proxy)

• Input: Frequenza Cardiaca (HR) da ECG e accelerazione corporea da tre IMU (bacino, coscia sinistra, coscia destra).
• Proxy Metabolico Derivato da IMU: Il sistema calcola l'energia cinetica meccanica ($E(t)$) necessaria per muovere i segmenti corporei basandosi sulla velocità derivata dall'integrazione degli IMU.
  • Questa energia meccanica viene convertita in una stima del tasso di consumo di ossigeno ($R_{MO2}$) e del tasso di produzione di anidride carbonica ($R_{MCO2}$) utilizzando un fattore di efficienza aggregato ($\mu$) e un fattore di conversione (19,6 KJ/L $O_2$).
  • Nota: Questo proxy funge da "osservazione" per il filtro, rappresentando la domanda metabolica legata al movimento.

B. Livello di Modellazione (Spazio di Stato Fisiologico)

L'innovazione centrale è un modello fisiologico a tre compartimenti (Polmoni, Circolazione, Tessuto Muscolare) che rappresenta il ciclo di controllo respiratorio e lo scambio gassoso.

• Vettore di Stato ($x$): Il modello traccia cinque stati fisiologici latenti:
  1. Pressione parziale alveolare di $O_2$ ($P_{A,O2}$)
  2. Pressione parziale alveolare di $CO_2$ ($P_{A,CO2}$)
  3. Concentrazione venosa di $O_2$ ($C_{v,O2}$)
  4. Concentrazione venosa di $CO_2$ ($C_{v,CO2}$)
  5. Ventilazione alveolare ($V_{TA}$)
• Modello di Processo: Un insieme di equazioni differenziali non lineari che descrivono il bilancio di massa per $O_2$ e $CO_2$ attraverso i compartimenti. L'HR è utilizzato come input esterno per guidare la gittata cardiaca ($Q$), che influenza il trasporto dei gas.
• Modello di Misura: I proxy metabolici derivati dagli IMU ($R_{MO2}, R_{MCO2}$) sono trattati come osservazioni rumorose dei flussi reali di scambio gassoso previsti dal modello fisiologico.

C. Livello di Inferenza (Filtro di Kalman Esteso)

• L'EKF stima ricorsivamente gli stati fisiologici latenti.
• Passo di Previsione: Propaga gli stati in avanti basandosi sulle dinamiche fisiologiche guidate dall'HR.
• Passo di Correzione: Aggiorna le stime degli stati utilizzando i proxy metabolici derivati dagli IMU per correggere l'incertezza del modello e il rumore di misura.
• Output: Gli stati latenti inferiti sono utilizzati per calcolare il PAEE finale utilizzando la formula di Weir, che correla il consumo di $O_2$ e la produzione di $CO_2$ al dispendio energetico.

3. Contributi Chiave

1. Interpretabilità Meccanicistica: A differenza dei modelli AI a scatola nera, il PM-EKF modella esplicitamente la catena causale dal movimento corporeo $\to$ lavoro meccanico $\to$ scambio gassoso $\to$ dispendio energetico. Gli stati latenti (ad es., pressione alveolare) hanno un significato fisiologico diretto.
2. Vincoli Fisiologici: Incorporando il modello all'interno di un EKF, le stime sono vincolate dalle leggi biologiche (ad es., bilancio di massa, legge dei gas ideali), prevenendo output fisiologicamente impossibili (come un dispendio energetico negativo).
3. Fusione Innovativa dei Sensori: Il metodo tratta i dati IMU non solo come un predittore diretto, ma come un'osservazione della domanda metabolica che corregge un modello di processo fisiologico guidato dall'HR.
4. Nessun Addestramento Richiesto: Il modello si basa su principi primi e non richiede un ampio set di dati per l'"addestramento" nel senso dell'apprendimento automatico, rendendolo potenzialmente più generalizzabile tra gli individui.

4. Risultati Sperimentali

Il modello è stato validato su un set di dati di 9 soggetti sani che eseguivano varie Attività della Vita Quotidiana (ADL), tra cui sedersi, camminare, passare l'aspirapolvere, andare in bicicletta e salire le scale. Il dato di riferimento è stato fornito da un analizzatore respiratorio breath-by-breath COSMED K5.

• Metriche di Prestazione ($R^2$ Mediana):

  • PM-EKF (con HR): 0,72 (Intervallo: 0,60–0,87)
  • CNN-LSTM (Basato sui dati): 0,65
  • Regressione Lineare (Basata sui dati): 0,52
  • Significatività Statistica: Il PM-EKF ha superato significativamente sia la RL ($p=0,012$) che la CNN-LSTM ($p=0,039$).

• Prestazioni a Bassa Intensità:

  • Il PM-EKF ha eccellito a basse intensità (NRMSE = 0,19), mentre i modelli basati sui dati hanno performato male (NRMSE > 1,0, peggio di un predittore basato sulla media) e occasionalmente hanno previsto valori di PAEE negativi.
  • Il PM-EKF ha avuto un tasso di violazione dello 0% per i limiti fisiologici (PAEE $\ge$ 0), rispetto allo 0,53% per la CNN-LSTM.

• Dipendenza dall'HR:

  • Sorprendentemente, rimuovere l'input HR dal PM-EKF (fissandolo a un valore costante) non ha degradato significativamente le prestazioni ($R^2$ rimasta ~0,76).
  • Questo suggerisce che per le ADL testate, il carico meccanico catturato dagli IMU è stato il motore dominante della stima del PAEE, e l'HR ha fornito informazioni ridondanti in questo contesto specifico.

• Limitazioni Osservate:

  • Il modello ha sistematicamente sottostimato il PAEE durante il ciclismo. Questo è attribuito al fatto che il proxy meccanico basato sugli IMU non riesce a catturare la resistenza esterna (carico dell'ergometro) e al fatto che il fattore di efficienza fisso ($\mu$) non si adatta alle dinamiche del ciclismo.

5. Significato e Conclusione

Il framework PM-EKF rappresenta un cambiamento di paradigma dalla stima del PAEE puramente basata sui dati alla stima guidata dalla fisiologia.

• Rilevanza Clinica: Fornisce non solo un numero, ma stati latenti interpretabili (ad es., tassi di scambio gassoso) che potrebbero servire come biomarcatori per la salute metabolica.
• Robustezza: Il modello mantiene la plausibilità fisiologica anche in scenari a bassa intensità dove i modelli basati sui dati falliscono, rendendolo adatto al monitoraggio continuo nel mondo reale.
• Prospettive Future: Sebbene lo studio attuale mostri che gli IMU sono sufficienti per le ADL, il lavoro futuro mira a migliorare la stima del ciclismo (adattando il fattore di efficienza) e a validare il modello su popolazioni più ampie e diversificate, inclusi soggetti con disturbi metabolici.

In sintesi, il documento dimostra che l'incorporazione di un modello fisiologico semplificato all'interno di un Filtro di Kalman produce stime di PAEE più accurate, interpretabili e robuste rispetto ai metodi puramente statistici, in particolare per le attività quotidiane a intensità da bassa a moderata.