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

Resumo Técnico: Estimativa de Gasto Energético Baseada em Acelerometria Durante Atividades da Vida Diária

Definição do Problema
O Gasto Energético de Atividade Física (GEAF) é um parâmetro crítico para o controle da obesidade e monitoramento da saúde, exibindo alta variabilidade tanto entre indivíduos quanto dentro de um único dia. Embora o GEAF possa ser medido com precisão via calorimetria indireta (dados respiratórios respiração a respiração), este método carece de portabilidade para o monitoramento da vida diária. Consequentemente, há uma necessidade de ferramentas baseadas em sensores vestíveis, especificamente acelerômetros, para estimar o GEAF. Um desafio central neste domínio é determinar a localização ideal do sensor. Enquanto o centro de massa (COM) do corpo, tipicamente próximo à região lombar ou pelve, é teoricamente ideal para capturar o movimento de todo o corpo, o pulso tornou-se um local popular devido à prevalência de dispositivos de consumo usados no pulso (ex: Apple Watch, Fitbit). No entanto, a eficácia dos sensores baseados no pulso na estimativa do GEAF em comparação com configurações baseadas no COM permanece subinvestigada, particularmente no que diz respeito a se sensores únicos são suficientes ou se composições de múltiplos sensores são necessárias para aproximar a aceleração do COM.

Metodologia
O estudo avaliou e comparou quatro composições distintas de acelerômetros para a estimativa de GEAF durante Atividades da Vida Diária (AVD):

1. Configurações baseadas no COM:
   • Pelvis-acc: Um acelerômetro único na pelve.
   • 3-acc: Um acelerômetro na pelve combinado com dois acelerômetros nas coxas.
2. Configurações baseadas no pulso:
   • l-wrist-acc: Um acelerômetro único no pulso esquerdo.
   • r-wrist-acc: Um acelerômetro único no pulso direito.

Coleta de Dados:
Dez participantes (30% do sexo feminino) realizaram uma sequência randomizada de AVDs, incluindo sentar, levantar, trabalho no laptop, tarefas domésticas (passar pano, lavar louça), subir escadas e exercícios de esteira/ciclismo. Os dados respiratórios (VO2 e VCO2) coletados via um sistema COSMED K5 serviram como o padrão-ouro para o GEAF. Cinco sensores Movella Xsens DOT (30 Hz) registraram aceleração em 3 eixos no pelve, em ambas as coxas e em ambos os pulsos. O pré-processamento dos dados incluiu a remoção da aceleração gravitacional, filtragem passa-baixa (6 Hz) e reamostragem para 1 Hz. O GEAF foi derivado subtraindo a Taxa Metabólica de Repouso (TMR) do Gasto Energético Total (GET).

Modelos:
Dois métodos de estimativa estabelecidos foram implementados no conjunto de dados:

1. Regressão Linear (LR): Utilizou a característica $IAA_{tot}$ (soma da aceleração absoluta integrada através de três eixos) como entrada. Para a configuração de 3-acc, três variáveis $IAA_{tot}$ independentes foram utilizadas.
2. CNN-LSTM: Um modelo de aprendizado profundo que utiliza dados de aceleração de 3 eixos pré-processados como entrada. Para sensores únicos, a matriz de entrada era 3x30 (3 eixos, janela de 30 segundos); para a configuração de 3-acc, a dimensão da característica foi concatenada para 9x30.

Ambos os modelos realizaram previsão de horizonte de 1 segundo usando uma janela deslizante de 30 segundos. O desempenho foi avaliado utilizando validação cruzada Leave-One-Subject-Out, Erro Quadrático Médio Normalizado (NRMSE) e valores de R-quadrado ($R^2$). A significância estatística foi avaliada via ANOVA de medidas repetidas e testes t pareados com correção de Bonferroni.

Resultos Principais

• Desempenho do Modelo: Ambos os modelos LR e CNN-LSTM obtiveram seus melhores resultados com a configuração 3-acc (baseada no COM). O modelo CNN-LSTM alcançou o maior $R^2$ de 0,53 (NRMSE = 0,64), enquanto o modelo LR alcançou um $R^2$ de 0,41 (NRMSE = 0,72).
• COM vs. Pulso: As duas configurações baseadas no COM (3-acc e pelvis-acc) superaram significativamente as configurações baseadas no pulso ($p < 0,05$). As configurações baseadas no pulso demonstraram quase nenhum poder preditivo, com valores de $R^2$ próximos a 0 (variando de -0,02 a 0,06) e altos valores de NRMSE (~0,95).
• Composição de Sensores: Não houve diferença significativa entre o sensor único na pelve (pelvis-acc) e a composição de três sensores (3-acc) para ambos os modelos ($p = 0,278$ para $R^2$), sugerindo que um único sensor próximo ao COM é suficiente para representar a aceleração do COM para esta tarefa.
• Simetria do Pulso: Não foi encontrada diferença significativa entre os sensores do pulso esquerdo e direito ($p = 0,329$).
• Comparação de Modelos: Não foi encontrada diferença significativa entre os modelos LR e CNN-LSTM em termos de NRMSE ou $R^2$ ($p > 0,05$), indicando que a característica linear $IAA_{tot}$ é comparável em poder preditivo à arquitetura mais complexa CNN-LSTM para este conjunto de dados específico.

Significância e Alegações
O artigo conclui que, para uma estimativa precisa de GEAF durante AVD, abordagens de modelagem baseadas no COM são superiores às abordagens baseadas no pulso. Os autores alegam que acelerômetros usados no pulso, quando utilizados isoladamente, falham em refletir efetivamente a aceleração do COM, resultando em poder preditivo negligenciável para o GEAF. Isso desafia as alegações de usabilidade de dispositivos comerciais de pulso que dependem exclusivamente da aceleração para o rastreamento do gasto energético.

O estudo sugere que um único sensor colocado próximo ao COM (ex: pelve) é suficiente para capturar a dinâmica de movimento necessária, visto que a adição de sensores nas coxas não melhorou significativamente o desempenho em relação à configuração apenas de pelve. Os autores mantêm uma postura modesta, observando que, embora a estimativa baseada no pulso seja atualmente limitada, o desempenho pode melhorar com modalidades de sensores adicionais (ex: frequência cardíaca) ou se métodos forem desenvolvidos para mapear melhor a aceleração do pulso para a aceleração do COM. Eles recomendam que pesquisas futuras foquem em validar esses achados com conjuntos de dados maiores e explorar outras localizações de sensores (ex: tórax, braço superior) que possam aproximar melhor a aceleração do COM.