⚡ electrical engineering

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

Dit artikel stelt een op fysiologische modellen gebaseerde uitgebreide Kalman-filter (PM-EKF) voor die een vereenvoudigd metabolismemodel integreert met data van traagheids- en hartslag-sensoren om gepersonaliseerde, interpreteerbare en nauwkeurige schattingen van het energieverbruik bij dagelijkse fysieke activiteit te leveren, en dat op een gevalideerde dataset beter presteert dan zowel lineaire regressie als deep learning-benaderingen.

Oorspronkelijke auteurs: Shuhao Que, Remco Poelarends, Valentina Breschi, Ying Wang

Gepubliceerd 2026-04-30

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shuhao Que, Remco Poelarends, Valentina Breschi, 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

Het Grote Plaatje: Schatten hoeveel "brandstof" je verbrandt

Stel je voor dat je lichaam een auto is. Wanneer je rijdt, verbrandt de motor brandstof. In het menselijk lichaam is deze "brandstof" energie, en de "uitlaatgassen" zijn het kooldioxide dat je uitademt. Wetenschappers willen precies weten hoeveel brandstof je elke dag verbrandt (fysieke activiteitenergieverbruik, of PAEE) om je gezondheid te begrijpen.

De "gouden standaard" voor het meten hiervan is een gigantisch, omstandig masker dat elke ademhaling meet die je doet. Het is nauwkeurig, maar je kunt het niet dragen naar de supermarkt of tijdens het wasgoed. Daarom gebruiken onderzoekers smartwatches en fitness trackers (draagbare sensoren) om het antwoord te schatten.

Het Probleem: De meeste huidige trackers zijn als zwarte dozen. Ze kijken naar je beweging en hartslag, voeren dit door een complex computerprogramma (zoals een neurale netwerken) en spugen een getal uit. Ze werken redelijk, maar ze begrijpen niet echt waarom het getal zo is. Als de data er raar uitziet, kan de computer een verkeerde gok maken, of zelfs een negatief getal voor verbrande energie geven (wat onmogelijk is!).

De Oplossing: De auteurs van dit artikel hebben een nieuw systeem gebouwd dat PM-EKF heet. In plaats van een zwarte doos, hebben ze een transparante, op natuurkunde gebaseerde motor gebouwd die nabootst hoe je longen, bloed en spieren eigenlijk werken.

Hoe Het Werkt: De "Slimme Piloot"-Analogie

Stel je het schatten van je energieverbranding voor als het vliegen van een vliegtuig van punt A naar punt B.

De Kaart (Het Fysiologische Model):
De auteurs hebben een vereenvoudigde kaart gemaakt van hoe je lichaam werkt. Het heeft drie belangrijke stops:
- De Longen: Waar je zuurstof opneemt.
- De Circulatie: Je hart dat bloed pompt.
- De Spieren: Waar de energie wordt gebruikt.
  Deze kaart volgt de wetten van de natuurkunde en biologie. Het weet dat als je je benen beweegt, je spieren meer zuurstof nodig hebben en je hart sneller moet pompen om dit te leveren.
De Sensoren (De Invoer):
Het systeem gebruikt twee soorten gegevens van je draagbare apparaten:
- IMU's (Inertial Measurement Units): Dit zijn zoals versnellingsmeters in je telefoon. Ze meten hoe snel en hard je lichaamsdelen (bekken en dijen) bewegen. Dit vertelt het systeem het "mechanische werk" dat je doet.
- Hartslag (HR): Dit is de pols. Het vertelt het systeem hoe hard je hart werkt om brandstof te leveren.
De Piloot (De Uitgebreide Kalman-filter - EKF):
Dit is het "brein" van het systeem. Stel je een piloot voor die een vliegtuig vliegt met een kaart (het fysiologische model), maar ook een GPS die soms storingen heeft (de ruisende sensorgegevens).
- De Kaart voorspelt waar het vliegtuig zou moeten zijn op basis van natuurkunde.
- De GPS vertelt de piloot waar het vliegtuig echt is op basis van sensoren.
- De Piloot (EKF) vergelijkt de twee voortdurend. Als de GPS onstabiel is, vertrouwt de piloot meer op de kaart. Als de kaart er verkeerd uitziet, past de piloot aan op basis van de GPS.
- Hierdoor kan het systeem de ruis gladstrijken en een stabiele, realistische schatting geven van je energieverbranding, zelfs als de sensoren een beetje springerig zijn.

Het Experiment: De "Levendig Lab"-Test

De onderzoekers testten dit systeem op 9 mensen in een laboratorium dat het echte leven simuleerde.

De Opstelling: De deelnemers droegen sensoren op hun bekken en dijen, plus een hartslagmonitor. Ze droegen ook een high-tech "gouden standaard" masker (COSMED K5) om hun werkelijke gasuitwisseling adem voor adem te meten.
De Activiteiten: Ze deden een mix van dingen: zitten, lezen, staan, dweilen, boeken stapelen, lopen op een loopband, trappen beklimmen en fietsen.
De Vergelijking: Ze stelden hun nieuwe "Slimme Piloot" (PM-EKF) tegenover twee andere methoden:
1. Lineaire Regressie (LR): Een eenvoudige, ouderwetse wiskundige formule.
2. CNN-LSTM: Een chique, moderne "zwarte doos" AI (Deep Learning).

De Resultaten: Wie Won?

Het artikel beweert dat hun nieuwe systeem (PM-EKF) de winnaar was, maar met enkele interessante nuances:

Algemene Nauwkeurigheid: De PM-EKF was over het algemeen het meest nauwkeurig. Het kwam beter overeen met het "gouden standaard" masker dan de AI of de eenvoudige wiskundige formule.
- Analogie: Als de maskerscore 100 is, scoorde PM-EKF 72, de AI 65 en de eenvoudige wiskunde 52.
Het "Negatieve Energie"-Probleem: De AI en de eenvoudige wiskunde maakten soms een domme fout: ze voorspelden dat mensen negatieve calorieën verbrandden terwijl ze stilstonden (wat fysiek onmogelijk is). De PM-EKF maakte deze fout nooit, omdat zijn "kaart" van het lichaam fysiek verhindert dat er onmogelijke getallen worden berekend.
De Strijd bij Lage Intensiteit: De AI en de eenvoudige wiskunde waren verschrikkelijk in het schatten van energieverbranding tijdens taken met lage intensiteit (zoals zitten of staan). Ze gokten vaak wild hoge getallen. De PM-EKF bleef kalm en nauwkeurig tijdens deze rustige momenten.
De Fiets-Glitch: De PM-EKF had één specifieke zwakte: Fietsen. Het onderschatte hoeveel energie mensen verbrandden tijdens het fietsen.
- Waarom? De sensoren zaten op de benen en het bekken. Wanneer je fietst, bewegen je benen in een cirkel, maar je lichaam springt niet veel op en neer. De sensoren konden het volledige inspanningsniveau van de fietsweerstand niet "zien", dus was de berekening van het "mechanische werk" te laag. De AI was echter beter in het schatten van de fietsgetallen, omdat het gewoon patronen uit de data had gememoriseerd zonder zich om de natuurkunde te bekommeren.
De Hartslag-Verassing: De onderzoekers testten wat er gebeurde als ze de hartslagsensor uit de vergelijking haalden.
- Resultaat: Het maakte niet veel uit! De PM-EKF (en de andere modellen) presteerde bijna hetzelfde met of zonder hartslaggegevens.
- Waarom? Bij de activiteiten die ze testten (voornamelijk lopen, staan en lichte huishoudelijke klusjes) was de beweging van het lichaam (vastgelegd door de benensensoren) de grootste drijver van energieverbranding. De hartslag voegde niet veel extra informatie toe.

De Conclusie

Het artikel concludeert dat je geen "zwarte doos" AI nodig hebt om te schatten hoeveel energie je verbrandt. Door een systeem te bouwen dat de natuurkunde van het menselijk lichaam begrijpt (hoe longen, bloed en spieren met elkaar interageren), kun je een betrouwbaardere, realistischere en "zinnigere" schatting krijgen.

Het is interpreteerbaar: Je kunt in de "zwarte doos" kijken en de geschatte zuurstofniveaus in het bloed en de lucht in de longen zien.
Het is robuust: Het geeft geen gekke antwoorden (zoals negatieve calorieën).
Het werkt zonder hartslagmonitor: Voor dagelijkse activiteiten is het vaak voldoende om alleen te weten hoeveel je lichaam beweegt om een goede schatting te krijgen.

De auteurs merken op dat hoewel het systeem geweldig is, het meer testen nodig heeft met meer mensen en verschillende soorten activiteiten om voor iedereen perfect te zijn.

1. Probleemstelling

Het monitoren van de energie-exploitatie door fysieke activiteit (PAEE) in het dagelijks leven is cruciaal voor het beoordelen van metabole gezondheid en ziekterisico's. Hoewel indirecte calorimetrie (gasanalyse) de gouden standaard is, is deze onpraktisch voor continue monitoring in het vrije leven. Bijgevolg worden draagbare sensoren (Inertial Measurement Units - IMU's, en Hartslag - HR) veel gebruikt.

Echter, bestaande methoden ondervinden aanzienlijke beperkingen:

Gebrek aan fysiologische interpreteerbaarheid: De meeste huidige benaderingen zijn puur datagedreven (bijv. Lineaire Regressie, Neuronale Netwerken). Ze koppelen sensorsignalen statistisch aan PAEE zonder de onderliggende fysiologische mechanismen (gasuitwisseling, metabolisme) te modelleren.
Black-Box-aard: Deze modellen missen intrinsieke interpreteerbaarheid, waardoor het moeilijk is om uit te leggen waarom een schatting is gemaakt of om fysiologische consistentie te waarborgen (bijv. het vermijden van negatieve waarden voor energieverbruik).
Problemen met generaliseerbaarheid: Datagedreven modellen hebben vaak moeite met verschuivingen in verdelingen (verschillende individuen of activiteitstypen) en kunnen fysiologisch onwaarschijnlijke resultaten opleveren.

2. Methodologie: Het PM-EKF-kader

De auteurs stellen een Fysiologisch Model-gebaseerde Extended Kalman Filter (PM-EKF) voor. Deze benadering integreert een vereenvoudigd mechanistisch model van de menselijke fysiologie met een EKF om sensordata te fuseren. Het kader werkt op drie niveaus:

A. Signaalniveau (Preprocessing & Proxies)

Inputs: Hartslag (HR) van ECG en lichaamsversnelling van drie IMU's (bekken, linker dijbeen, rechter dijbeen).
IMU-afgeleide metabole proxy: Het systeem berekent de mechanische kinetische energie ( $E(t)$ $E (t)$ ) die nodig is om lichaamssegmenten te verplaatsen, gebaseerd op snelheid afgeleid uit IMU-integratie.
- Deze mechanische energie wordt omgezet in een geschatte zuurstofopname ( $R_{MO2}$ ) en koolstofdioxideproductie ( $R_{MCO2}$ ) met behulp van een gebundelde efficiency-factor ( $\mu$ ) en een omrekenfactor (19,6 KJ/L $O_2$ ).
- Opmerking: Deze proxy dient als de "observatie" voor de filter en vertegenwoordigt de bewegingsgerelateerde metabole vraag.

B. Modellering (Fysiologische State-Space)

De kerninnovatie is een drie-compartiment fysiologisch model (Longen, Circulatie, Spierweefsel) dat de respiratoire regellus en gasuitwisseling weergeeft.

Staatvector ( $x$ ): Het model volgt vijf latente fysiologische toestanden:
1. Alveolaire $O_2$ -partieeldruk ( $P_{A,O2}$ )
2. Alveolaire $CO_2$ -partieeldruk ( $P_{A,CO2}$ )
3. Veneuze $O_2$ -concentratie ( $C_{v,O2}$ )
4. Veneuze $CO_2$ -concentratie ( $C_{v,CO2}$ )
5. Alveolaire ventilatie ( $V_{TA}$ )
Procesmodel: Een reeks niet-lineaire differentiaalvergelijkingen die de massabalans voor $O_2$ en $CO_2$ over de compartimenten beschrijven. HR wordt gebruikt als externe input om het hartminuutvolume ( $Q$ ) aan te drijven, wat de gasvervoer beïnvloedt.
Meetmodel: De IMU-afgeleide metabole proxies ( $R_{MO2}, R_{MCO2}$ ) worden behandeld als ruisachtige observaties van de daadwerkelijke gasuitwisselingsfluxen die door het fysiologische model worden voorspeld.

C. Inference-niveau (Extended Kalman Filter)

De EKF schat de latente fysiologische toestanden recursief.
Voorspellingstap: Propageert toestanden voorwaarts op basis van de fysiologische dynamiek aangedreven door HR.
Correctiestap: Update de toestandschattingen met behulp van de IMU-afgeleide metabole proxies om modelonzekerheid en meetruis te corrigeren.
Output: De afgeleide latente toestanden worden gebruikt om de uiteindelijke PAEE te berekenen met Weirs formule, die $O_2$ -opname en $CO_2$ -productie relateert aan energieverbruik.

3. Belangrijkste Bijdragen

Mechanistische Interpreteerbaarheid: In tegenstelling tot black-box AI-modellen, modelleert PM-EKF expliciet de causale keten van lichaamsbeweging $\to$ mechanisch werk $\to$ gasuitwisseling $\to$ energieverbruik. De latente toestanden (bijv. alveolaire druk) hebben directe fysiologische betekenis.
Fysiologische Beperkingen: Door het model te embedden in een EKF, worden de schattingen beperkt door biologische wetten (bijv. massabalans, ideale gaswet), wat fysiologisch onmogelijke outputs (zoals negatief energieverbruik) voorkomt.
Nieuwe Sensorfusie: De methode behandelt IMU-data niet alleen als directe voorspeller, maar als een observatie van metabole vraag die een fysiologisch procesmodel, aangedreven door HR, corrigeert.
Geen Training Vereist: Het model is gebaseerd op eerste principes en vereist geen grote dataset voor "training" in de zin van machine learning, waardoor het potentieel generaliseerbaarder is over individuen heen.

4. Experimentele Resultaten

Het model werd gevalideerd op een dataset van 9 gezonde proefpersonen die verschillende Activiteiten van het Dagelijks Leven (ADL) uitvoerden, waaronder zitten, lopen, dweilen, fietsen en traplopen. De grondwaarheid werd geleverd door een COSMED K5 ademhaling-analysator (breath-by-breath).

Prestatiemetrics (Mediaan $R^2$ ):
- PM-EKF (met HR): 0,72 (Reeks: 0,60–0,87)
- CNN-LSTM (Datagedreven): 0,65
- Lineaire Regressie (Datagedreven): 0,52
- Statistische Significantie: PM-EKF presteerde significant beter dan zowel LR ( $p=0,012$ ) als CNN-LSTM ( $p=0,039$ ).
Prestaties bij Lage Intensiteit:
- PM-EKF excelleerde bij lage intensiteiten (NRMSE = 0,19), terwijl datagedreven modellen slecht presteerden (NRMSE > 1,0, slechter dan een gemiddelde voorspeller) en af en toe negatieve PAEE-waarden voorspelden.
- PM-EKF had een 0% schendingspercentage voor fysiologische grenzen (PAEE $\ge$ 0), vergeleken met 0,53% voor CNN-LSTM.
HR-Afhankelijkheid:
- Verrassend genoeg degradeerde het verwijderen van HR-input uit de PM-EKF (vastzetten op een constante) de prestaties niet significant ( $R^2$ bleef ~0,76).
- Dit suggereert dat voor de geteste ADL's de door IMU's vastgelegde mechanische belasting de dominante drijver was van de PAEE-schatting, en HR in deze specifieke context redundant informatie leverde.
Waargenomen Beperkingen:
- Het model onderschatte PAEE systematisch tijdens fietsen. Dit wordt toegeschreven aan het feit dat de IMU-gebaseerde mechanische proxy de externe weerstand (ergometerbelasting) niet vastlegt en de vaste efficiency-factor ( $\mu$ ) niet aanpast aan de dynamiek van fietsen.

5. Betekenis en Conclusie

Het PM-EKF-kader vertegenwoordigt een paradigma-shift van puur datagedreven PAEE-schatting naar fysiologie-gestuurde schatting.

Klinische Relevantie: Het biedt niet alleen een getal, maar interpreteerbare latente toestanden (bijv. gasuitwisselingsraten) die kunnen dienen als biomarkers voor metabole gezondheid.
Robuustheid: Het model behoudt fysiologische plausibiliteit zelfs in scenario's met lage intensiteit waar datagedreven modellen falen, waardoor het geschikt is voor continue monitoring in de echte wereld.
Toekomstperspectief: Hoewel de huidige studie aantoont dat IMU's voldoende zijn voor ADL, is de toekomstige werk gericht op het verbeteren van de fiets-schatting (door aanpassing van de efficiency-factor) en het valideren van het model op grotere, diversere populaties, inclusief mensen met metabole stoornissen.

Kortom, het artikel toont aan dat het embedden van een vereenvoudigd fysiologisch model in een Kalman Filter nauwkeurigere, interpreteerbare en robuustere PAEE-schattingen oplevert dan puur statistische methoden, met name voor dagelijkse activiteiten met lage tot gemiddelde intensiteit.