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

技術要約：日常生活動作における加速度計に基づくエネルギー消費量の推定

問題提起
身体活動エネルギー消費量（PAEE）は、肥満管理および健康モニタリングにおける重要なパラメータであるが、個人間および同一人物の１日内においても高い変動性を示す。PAEEは間接熱量測定法（呼気の呼吸データ）によって正確に測定できるが、この手法には日常生活中の継続的なモニタリングに必要な携帯性が欠けている。そのため、ウェアラブルセンサー、特に加速度計を用いたPAEE推定のためのツールが必要とされている。この領域における中心的な課題は、最適なセンサー設置場所を決定することである。全身の動きを捉える上で理論的に理想的なのは、下背部や骨盤付近にある身体の重心（COM）であるが、消費者向けの手首装着型デバイス（Apple WatchやFitbitなど）の普及により、手首が一般的な装着部位となっている。しかし、COMベースの構成と比較した場合の手首ベースのセンサーによるPAEE推定の有効性は、特に単一のセンサーで十分なのか、あるいはCOMの加速度を近似するためにマルチセンサー構成が必要なのかという点において、十分に調査されていない。

研究手法
本研究では、日常生活動作（ADL）中のPAEE推定における4つの異なる加速度計の構成を評価・比較した。

1. COMベースの設定:
   • Pelvis-acc: 骨盤に配置された単一の加速度計。
   • 3-acc: 1つの骨盤加速度計と2つの大腿部加速度計の組み合わせ。
2. 手首ベースの設定:
   • l-wrist-acc: 左手首に配置された単一の加速度計。
   • r-wrist-acc: 右手首に配置された単一の加速度計。

データ収集:
10名の参加者（女性30%）が、座位、立位、ノートPC作業、家事（モップ掛け、皿洗い）、階段昇降、トレッドミル/サイクリング運動を含むランダム化された一連のADLを行った。COSMED K5システムを通じて収集された呼吸データ（VO2およびVCO2）がグラウンドトゥルース（正解値）として用いられた。5つのMovella Xsens DOTセンサー（30 Hz）を使用して、骨盤、両大腿、両手首の3軸加速度を記録した。データの前処理として、重力加速度の除去、ローパスフィルタリング（6 Hz）、および1 Hzへのリサンプリングを行った。PAEEは、総エネルギー消費量（TEE）から安静時代謝率（RMR）を差し引くことで導出した。

モデル:
確立された2つの推定手法を本データセットに適用した。

1. 線形回帰（LR）: 入力として特徴量 $IAA_{tot}$（3軸にわたる積分絶対加速度の総和）を利用した。3-acc設定では、3つの独立した $IAA_{tot}$ 変数を使用した。
2. CNN-LSTM: 前処理済みの3軸加速度データを入力とするディープラーニングモデル。単一センサーの場合、入力行列は30秒間の3x30（3軸、30秒ウィンドウ）であり、3-acc設定の場合、特徴量次元は9x30に連結された。

両モデルは、30秒のスライディングウィンドウを用いた1秒ホライゾンの予測を行った。性能は、Leave-One-Subject-Out交差検証、正規化平方根平均二乗誤差（NRMSE）、および決定係数（$R^2$）を用いて評価された。統計的有意性は、反復測定ANOVAおよびボンフェローニ補正を用いたペアードt検定によって評価された。

主な結果

• モデル性能: LRおよびCNN-LSTMの両モデルは、**3-acc（COMベース）**の設定において最良の結果を示した。CNN-LSTMモデルは最高 $R^2$ 0.53（NRMSE = 0.64）を達成し、LRモデルは $R^2$ 0.41（NRMSE = 0.72）を達成した。
• COM vs. 手首: 2つのCOMベースの設定（3-accおよびpelvis-acc）は、手首ベースの設定よりも有意に優れた性能を示した（$p < 0.05$）。手首ベースの設定は予測力がほとんどなく、$R^2$ 値は0に近く（-0.02から0.06の範囲）、NRMSEは高かった（~0.95）。
• センサー構成: 単一の骨盤センサー（pelvis-acc）と3つのセンサー構成（3-acc）の間には、どちらのモデルにおいても有意な差は認められなかった（$R^2$ に関して $p = 0.278$）。これは、このタスクにおいては、COM付近に配置された単一のセンサーがCOMの加速度を代表するのに十分であることを示唆している。
• 手首の対称性: 左手首と右手首のセンサー間に有意な差は見られなかった（$p = 0.329$）。
• モデル比較: NRMSEまたは $R^2$ において、LRとCNN-LSTMの間に有意な差は見られなかった（$p > 0.05$）。これは、この特定のデータセットにおいては、線形特徴量 $IAA_{tot}$ がより複雑なCNN-LSTMアーキテクチャと同等の予測力を有していることを示している。

意義および主張
本論文は、ADLにおける正確なPAEE推定のためには、手首ベースのアプローチよりもCOMベースのモデリングアプローチが優れていると結論付けている。著者らは、手首装着型の加速度計を単独で使用する場合、COMの加速度を効果的に反映できず、その結果、PAEEに対する予測力が無視できるレベルになるという主張をしている。これは、加速度のみに依存してエネルギー消費量を追跡する市販の手首装着型デバイスの有用性の主張に疑問を投げかけるものである。

本研究は、COMに近い位置に配置された単一のセンサー（例：骨盤）があれば、COMの加速度を捉えるのに十分であることを示唆している。なぜなら、大腿部センサーを追加してもpelvis-onlyの設定よりも性能が有意に向上しなかったためである。著者らは、手首ベースの推定は現在制限されているものの、追加のセンサーモダリティ（例：心拍数）を導入するか、あるいは手首の加速度をCOMの加速度へとより良くマッピングする手法が開発されれば、性能が向上する可能性があるとして、控えめな姿勢を維持している。彼らは、今後の研究において、より大きなデータセットを用いてこれらの知見を検証することや、COMの加速度をより良く近似できる可能性のある他のセンサー位置（例：胸部、上腕）を探索することを推奨している。