🤖 machine learning

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

Deze studie toont aan dat de schatting van de energieverbranding op basis van versnellingsmeters tijdens dagelijkse activiteiten aanzienlijk nauwkeuriger is wanneer gebruik wordt gemaakt van configuraties rond het zwaartepunt van het lichaam (bekken of bekken plus bovenbenen) vergeleken met aan de pols gedragen apparaten, waarbij de opstelling met drie versnellingsmeters de beste voorspellende prestaties oplevert.

Oorspronkelijke auteurs: Shuhao Que, Remco Poelarends, Peter Veltink, Miriam Vollenbroek-Hutten, Ying Wang

Gepubliceerd 2026-06-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Shuhao Que, Remco Poelarends, Peter Veltink, Miriam Vollenbroek-Hutten, Ying Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je lichaam een drukke bouwplaats is. De "Physical Activity Energy Expenditure" (PAEE) is simpelweg de hoeveelheid brandstof die je lichaam verbrandt terwijl je werkt, beweegt en je dagelijkse klusjes doet. Wetenschappers willen precies weten hoeveel brandstof je verbruikt, maar de enige manier om dit perfect te meten, is door je aan te sluiten op een enorme, zware ademhalingsmachine die elke ademteug die je neemt analyseert. Omdat het onmogelijk is om die thuis te dragen, gebruiken onderzoekers versnellingsmeters (bewegingssensoren) om je brandstofverbruik te schatten op basis van hoeveel je beweegt.

Dit artikel is in feite een "sensor-showdown". De onderzoekers wilden weten: Wat is de beste plek om deze bewegingssensoren te bevestigen om een nauwkeurige schatting van je energieverbruik te krijgen?

De twee teams: De "Core Crew" versus de "Wrist Watchers"

De onderzoekers zetten een wedstrijd op tussen twee verschillende strategieën:

Team 1: De Core Crew (COM-gebaseerd)
Beschouw het "zwaartepunt" (Center of Mass of COM) van je lichaam als de zware, centrale motor van een auto. Als je wilt weten hoe hard de motor werkt, moet je de trillingen vlak bij de motor meten.

De opstelling: Ze plaatsten sensoren op het bekken (de heupregio) en de dijbenen.
De logica: Omdat het bekken en de dijen dicht bij het zwaartepunt van je lichaam liggen, vertegenwoordigen hun bewegingen de beweging van je gehele lichaam. Het is alsof je de trillingen van het chassis van een auto meet om te weten hoe snel het hele voertuig rijdt.

Team 2: De Wrist Watchers
Dit team vertegenwoordigt de populaire smartwatches en fitness trackers die we allemaal om onze polsen dragen.

De Opstelling: Sensoren werden geplaatst op de linkerpols en de rechterpols.
De Logica: Omdat iedereen een horloge draagt, is het handig om de pols te gebruiken. Maar de pols bevindt zich ver weg van de "motor" van het lichaam. Het is alsof je probeert te raden hoe hard een automotor werkt door alleen naar de trilling van de achteruitkijkspiegel te kijken.

De proefrit

Negen vrijwilligers gingen door een "dag uit het leven" test. Ze zaten, stonden, lazen, maakten schoon, liepen trappen en liepen op een loopband. Terwijl zij dit deden, droegen ze:

5 Bewegingssensoren: Eén op het bekken, twee op de dijen en twee op de polsen.
De "Waarheidsmachine": Een speciaal masker (COSMED K5) dat hun werkelijke ademhaling mat om exact te berekenen hoeveel energie ze verbruikten. Dit diende als de "antwoordenlijst".

De onderzoekers gebruikten vervolgens twee verschillende "gokmachines" (wiskundige modellen) om het energieverbruik te voorspellen op basis van alleen de gegevens van de bewegingssensor:

De Lineaire Regressie (LR): Een eenvoudige, klassieke wiskundige formule.
De CNN-LSTM: Een fancy, modern Kunstmatige Intelligentie (AI) model dat patronen leert zoals een menselijk brein.

De resultaten: Wie won er?

De resultaten waren duidelijk, en de "Core Crew" won met een overweldigende voorsprong.

De Core Crew (Bekken & Dijbenen): Deze sensoren deden een geweldig werk. Of ze nu alleen de bekkensensor gebruikten of het bekken plus de twee dijbenen, de modellen konden nauwkeurig voorspellen hoeveel energie de persoon verbruikte. Het AI-model was iets beter, maar het eenvoudige wiskundige model was ook erg goed.
- Analogie: Het was alsof je direct naar de motor luisterde; de voorspelling was spot on.
De Wrist Watchers: De polssensoren faalden jammerlijk. Of het nu de linker- of rechterpols was, de modellen konden niets nuttigs voorspellen. Hun voorspellingen waren zo slecht dat ze in feite willekeurige gokjes waren.
- Analogie: Het was alsof je de snelheid van een vrachtwagen probeert te raden door te kijken naar een vlinder die op de bumper landt. De pols beweegt veel, maar die beweging vertelt je niet hoe hard de "motor" van het lichaam werkt.

De belangrijkste conclusie

Het artikel concludeert dat als je wilt weten hoeveel energie een persoon verbrandt tijdens dagelijkse activiteiten, je de kern van het lichaam moet meten, niet de polsen.

Eén sensor is genoeg: Interessant genoeg werkte het plaatsen van een sensor enkel op het bekken bijna net zo goed als het plaatsen van sensoren op het bekken én beide dijen. Je hebt geen volledig harnas nodig; één goede sensor nabij het zwaartepunt is voldoende.
Een waarschuwing over de pols: Hoewel commerciële smartwatches beweren je calorieverbruik bij te houden, suggereert deze studie dat als zij alleen de beweging van de pols gebruiken, ze waarschijnlijk maar wat gokken. De pols weerspiegelt de beweging van het hele lichaam simpelweg niet goed genoeg om het energieverbruik nauwkeurig te berekenen.

Kortom: Om te meten hoe hard je lichaam werkt, moet je naar de motor luisteren (de kern), en niet naar de achteruitkijkspiegel (de pols).

Technische Samenvatting: Accelerometrie-gebaseerde schatting van energieverbruik tijdens activiteiten van het dagelijks leven

Probleemstelling
Het fysieke activiteitsenergieverbruik (PAEE) is een cruciale parameter voor obesitasbestrijding en gezondheidsmonitoring, waarbij het een hoge variabiliteit vertoont zowel tussen individuen als binnen een enkele dag. Hoewel PAEE nauwkeurig gemeten kan worden via indirecte calorimetrie (ademhalingsgegevens per ademteug), mist deze methode de draagbaarheid die nodig is voor monitoring tijdens het dagelijks leven. Daarom is er behoefte aan draagbare sensortools, specifiek versnellingsmeters (accelerometers), om PAEE te schatten. Een centrale uitdaging in dit domein is het bepalen van de optimale sensorlocatie. Terwijl het zwaartepunt van het lichaam (COM), doorgaans nabij de onderrug of het bekken, theoretisch ideaal is voor het vastleggen van de totale lichaamsbeweging, is de pols populair geworden als locatie vanwege de prevalentie van consumentenapparaten om de pols (bijv. Apple Watch, Fitbit). Echter, de effectiviteit van polsgebaseerde sensoren bij het schatten van PAEE in vergelijking met COM-gebaseerde configuraties is onvoldoende onderzocht, met name of enkelvoudige sensoren volstaan of dat multi-sensor composities vereist zijn om de COM-versnelling te benaderen.

Methodologie
De studie evalueerde en vergeleek vier verschillende accelerometer-composities voor PAEE-schatting tijdens activiteiten van het dagelijks leven (ADL):

COM-gebaseerde instellingen:
- Pelvis-acc: Een enkele versnellingsmeter op het bekken.
- 3-acc: Eén bekken-versnellingsmeter gecombineerd met twee dij-versnellingsmeters.
Polsgebaseerde instellingen:
- l-wrist-acc: Een enkele versnellingsmeter op de linkerpols.
- r-wrist-acc: Een enkele versnellingsmeter op de rechterpols.

Gegevensverzameling:
Tien deelnemers (30% vrouw) voerden een gerandomiseerde sequentie van ADL's uit, waaronder zitten, staan, werken aan een laptop, huishoudelijke taken (dweilen, afwassen), trappenlopen en loopband-/fietsen-oefeningen. Respiratoire gegevens (VO2 en VCO2) verzameld via een COSMED K5-systeem dienden als de grondwaarheid (ground truth) voor PAEE. Vijf Movella Xsens DOT-sensoren (30 Hz) registreerden 3-assige versnelling op het bekken, beide dijen en beide polsen. De gegevenspre-processing omvatte het verwijderen van de zwaartekrachtversnelling, een laagdoorlaatfilter (6 Hz) en het hersampelen naar 1 Hz. PAEE werd afgeleid door de rustmetabolische snelheid (RMR) af te trekken van het totale energieverbruik (TEE).

Modellen:
Twee gevestigde schattingsmethoden werden geïmplementeerd op de dataset:

Lineaire Regressie (LR): Maakte gebruik van de feature $IAA_{tot}$ (som van de geïntegreerde absolute versnelling over drie assen) als input. Voor de 3-acc instelling werden drie onafhankelijke $IAA_{tot}$ variabelen gebruikt.
CNN-LSTM: Een deep learning model dat gepre-processen 3-assige versnellingsdata als input neemt. Voor enkelvoudige sensoren was de inputmatrix 3x30 (3 assen, 30-seconden venster); voor de 3-acc instelling werd de feature-dimensie geconcateneerd naar 9x30.

Beide modellen voerden 1-seconde horizonvoorspelling uit met behulp van een 30-seconden glijdend venster. Prestaties werden geëvalueerd met Leave-One-Subject-Out cross-validatie, Normalized Root-Mean-Squared Error (NRMSE) en R-kwadraat ( $R^2$ ) waarden. Statistische significantie werd beoordeeld via repeated measures ANOVA en gepaarde t-toetsen met Bonferroni-correctie.

Belangrijkste Resultaten

Modelprestaties: Zowel de LR als de CNN-LSTM modellen leverden hun beste resultaten met de 3-acc (COM-gebaseerde) instelling. Het CNN-LSTM model bereikte de hoogste $R^2$ van 0,53 (NRMSE = 0,64), terwijl het LR model een $R^2$ van 0,41 (NRMSE = 0,72) bereikte.
COM vs. Pols: De twee COM-gebaseerde instellingen (3-acc en pelvis-acc) presteerden significant beter dan de polsgebaseerde instellingen ( $p < 0,05$ ). De polsgebaseerde instellingen vertoonden bijna geen voorspellende kracht, met $R^2$ -waarden dicht bij 0 (variërend van -0,02 tot 0,06) en hoge NRMSE-waarden (~0,95).
Sensorcompositie: Er was geen significant verschil tussen de enkele bekken-sensor (pelvis-acc) en de drie-sensor compositie (3-acc) voor noch voor het LR- noch voor het CNN-LSTM model ( $p = 0,278$ voor $R^2$ ), wat suggereert dat een enkele sensor nabij het COM voldoende is om de COM-versnelling te representeren voor deze taak.
Polsymmetrie: Er werd geen significant verschil gevonden tussen de linker- en rechterpols-sensoren ( $p = 0,329$ ).
Modelvergelijking: Er werd geen significant verschil gevonden tussen de LR en de CNN-LSTM modellen in termen van NRMSE of $R^2$ ( $p > 0,05$ ), wat aangeeft dat de lineaire feature $IAA_{tot}$ vergelijkbaar is in voorspellende kracht met de complexere CNN-LSTM architectuur voor deze specifieke dataset.

Betekenis en Claims
Het artikel concludeert dat voor nauwkeurige PAEE-schatting tijdens ADL, COM-gebaseerde modelleringsbenaderingen superieur zijn aan polsgebaseerde benaderingen. De auteurs stellen dat polsgebaseerde versnellingsmeters, wanneer ze geïsoleerd worden gebruikt, er niet in slagen de COM-versnelling effectief te reflecteren, wat resulteert in een verwaarloosbare voorspellende kracht voor PAEE. Dit daagt de bruikbaarheidsclaims van commerciële polsgebaseerde apparaten uit die uitsluitend vertrouwen op versnelling voor het bijhouden van energieverbruik.

De studie suggereert dat een enkele sensor geplaatst nabij het COM (bijv. het bekken) voldoende is om de noodzakelijke bewegingsdynamiek te vangen, aangezien het toevoegen van dij-sensoren de prestaties niet significant verbeterde ten opzichte van de pelvis-alleen setup. De auteurs houden een bescheiden standpunt aan door op te merken dat hoewel de polsgebaseerde schatting momenteel beperkt is, de prestaties kunnen verbeteren met aanvullende sensormodaliteiten (bijv. hartslag) of als er methoden worden ontwikkeld om polsversnelling beter in kaart te brengen naar COM-versnelling. Zij bevelen aan dat toekomstig onderzoek zich moet richten op het valideren van deze bevindingen met grotere datasets en het verkennen van andere sensorlocaties (bijv. borst, bovenarm) die het COM-versnelling beter kunnen benaderen.

De twee teams: De "Core Crew" versus de "Wrist Watchers"

De proefrit

De resultaten: Wie won er?

De belangrijkste conclusie

Meer zoals dit