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

以下は、論文「PM-EKF: A Physiological Model-Based Extended Kalman Filter for Daily-Life Physical Activity Energy Expenditure Estimation（PM-EKF：日常生活における身体活動エネルギー消費量推定のための生理モデルベース拡張カルマンフィルタ）」の詳細な技術的概要です。

1. 問題定義

日常生活における身体活動エネルギー消費量（PAEE）の監視は、代謝的健康および疾患リスクの評価にとって極めて重要です。間接熱量測定（ガス分析）はゴールドスタンダードですが、継続的な自由生活下での監視には実用的ではありません。その結果、ウェアラブルセンサー（慣性計測ユニット：IMU、および心拍数：HR）が広く利用されています。

しかし、既存の手法には重大な限界が存在します：

• 生理学的解釈性の欠如： 現在の大多数のアプローチは純粋にデータ駆動型（例：線形回帰、ニューラルネットワーク）です。これらは、ガス交換や代謝といった基礎的な生理学的メカニズムをモデル化することなく、センサー信号を統計的に PAEE にマッピングします。
• ブラックボックス性： これらのモデルは本質的な解釈性を欠いており、推定がなぜ行われたのかを説明したり、生理学的整合性（例：負のエネルギー消費値の回避など）を保証したりすることが困難です。
• 汎化性の問題： データ駆動型モデルは、分布のシフト（異なる個人や活動タイプ）に対してしばしば苦戦し、生理学的にあり得ない結果を生み出す可能性があります。

2. 手法：PM-EKF フレームワーク

著者らは、**生理モデルベース拡張カルマンフィルタ（PM-EKF）**を提案します。このアプローチは、人間の生理の簡略化されたメカニズムモデルと EKF を統合し、センサーデータを融合します。このフレームワークは 3 つのレベルで動作します：

A. シグナルレベル（前処理と代理変数）

• 入力： ECG から得られる心拍数（HR）と、3 つの IMU（骨盤、左大腿、右大腿）から得られる身体加速度。
• IMU 由来代謝代理変数： 系は、IMU 積分から導出された速度に基づき、身体セグメントを動かすために必要な機械的運動エネルギー $E(t)$ を計算します。
  • この機械的エネルギーは、集約効率係数（$\mu$）と変換係数（19.6 KJ/L $O_2$）を用いて、推定酸素消費率（$R_{MO2}$）および二酸化炭素産生率（$R_{MCO2}$）に変換されます。
  • 注記： この代理変数は、フィルタの「観測値」として機能し、運動に関連する代謝需要を表します。

B. モデリングレベル（生理学的状態空間）

中核的な革新は、呼吸制御ループとガス交換を表す3 コンパートメント生理モデル（肺、循環、筋肉組織）です。

• 状態ベクトル（$x$）： モデルは 5 つの潜在生理状態を追跡します：
  1. 肺胞 $O_2$ 分圧（$P_{A,O2}$）
  2. 肺胞 $CO_2$ 分圧（$P_{A,CO2}$）
  3. 静脈 $O_2$ 濃度（$C_{v,O2}$）
  4. 静脈 $CO_2$ 濃度（$C_{v,CO2}$）
  5. 肺胞換気量（$V_{TA}$）
• プロセスモデル： コンパートメント間における $O_2$ と $CO_2$ の質量収支を記述する非線形微分方程式のセット。HR は心拍出量（$Q$）を駆動する外部入力として使用され、これがガス輸送に影響を与えます。
• 測定モデル： IMU 由来の代謝代理変数（$R_{MO2}, R_{MCO2}$）は、生理モデルが予測する実際のガス交換フラックスのノイズを含む観測値として扱われます。

C. 推論レベル（拡張カルマンフィルタ）

• EKF は、潜在生理状態を再帰的に推定します。
• 予測ステップ： HR によって駆動される生理学的ダイナミクスに基づき、状態を前方へ伝播させます。
• 補正ステップ： IMU 由来の代謝代理変数を用いて状態推定値を更新し、モデルの不確実性と測定ノイズを補正します。
• 出力： 推定された潜在状態は、Weir の式を用いて最終的な PAEE を計算するために使用されます。この式は、$O_2$ 消費量と $CO_2$ 産生量をエネルギー消費量に関連付けます。

3. 主要な貢献

1. メカニズム的解釈性： ブラックボックス AI モデルとは異なり、PM-EKF は、身体運動 $\to$ 機械的仕事 $\to$ ガス交換 $\to$ エネルギー消費という因果連鎖を明示的にモデル化します。潜在状態（例：肺胞圧）は直接的な生理学的意味を持ちます。
2. 生理学的制約： モデルを EKF 内に埋め込むことで、推定値は質量収支や理想気体法則などの生物学的法則によって制約され、負のエネルギー消費など生理学的に不可能な出力を防ぎます。
3. 新規センサー融合： この手法は、IMU データを単なる直接予測変数としてではなく、HR によって駆動される生理プロセスモデルを補正する代謝需要の観測値として扱います。
4. トレーニング不要： このモデルは第一原理に基づいており、機械学習の文脈における大規模データセットでの「トレーニング」を必要としないため、個人間での汎化性がより高い可能性があります。

4. 実験結果

このモデルは、座る、歩く、雑巾がけ、自転車こぎ、階段昇降など、さまざまな日常生活動作（ADL）を行う 9 名の健康な被験者のデータセットで検証されました。真値は COSMED K5 呼吸ガス分析装置（ブレス・バイ・ブレス）によって提供されました。

• 性能指標（中央値 $R^2$）：

  • PM-EKF（HR あり）： 0.72（範囲：0.60–0.87）
  • CNN-LSTM（データ駆動型）： 0.65
  • 線形回帰（データ駆動型）： 0.52
  • 統計的有意性： PM-EKF は、線形回帰（$p=0.012$）および CNN-LSTM（$p=0.039$）の両方を有意に上回りました。

• 低強度パフォーマンス：

  • PM-EKF は低強度において優れており（NRMSE = 0.19）、データ駆動型モデルは性能が低く（NRMSE > 1.0、平均予測子よりも劣る）、時折負の PAEE 値を予測しました。
  • PM-EKF の生理学的境界（PAEE $\ge$ 0）に対する違反率は**0%**であり、CNN-LSTM の 0.53% と比較して優れていました。

• HR 依存性：

  • 驚くべきことに、PM-EKF から HR 入力を取り除き（一定値に固定しても）、性能は有意に低下しませんでした（$R^2$ は約 0.76 のまま）。
  • これは、テストされた ADL においては、IMU で捉えられた機械的負荷が PAEE 推定の主要な駆動因子であり、この特定の文脈では HR は冗長な情報を提供していたことを示唆しています。

• 観察された限界：

  • モデルは自転車こぎ中に PAEE を体系的に過小評価しました。これは、IMU ベースの機械的代理変数が外部抵抗（エルゴメータ負荷）を捉えられず、固定された効率係数（$\mu$）が自転車こぎのダイナミクスに適応しなかったことに起因します。

5. 意義と結論

PM-EKF フレームワークは、純粋なデータ駆動型 PAEE 推定から生理ガイド型推定へのパラダイムシフトを表しています。

• 臨床的関連性： これは単なる数値だけでなく、代謝健康のバイオマーカーとなり得る解釈可能な潜在状態（例：ガス交換率）を提供します。
• 頑健性： このモデルは、データ駆動型モデルが失敗する低強度のシナリオでも生理学的妥当性を維持し、継続的な実世界監視に適しています。
• 将来展望： 現在の研究では ADL に対して IMU で十分であることが示されましたが、将来的な作業では、効率係数を適応させることで自転車こぎの推定を改善し、代謝疾患を持つ人々を含むより大規模で多様な集団でモデルを検証することを目指しています。

要約すると、この論文は、単純な統計的手法よりも、カルマンフィルタ内に簡略化された生理モデルを埋め込むことが、特に低〜中強度の日常生活活動において、より正確で解釈可能かつ頑健な PAEE 推定をもたらすことを実証しています。