⚡ electrical engineering

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

本文提出了一种基于生理模型的扩展卡尔曼滤波器（PM-EKF），该滤波器将简化的代谢模型与惯性传感器和心率传感器数据相结合，以提供个性化、可解释且准确的日常生活体力活动能量消耗估计，在经验证的数据集上其表现优于线性回归和深度学习方法。

原作者： Shuhao Que, Remco Poelarends, Valentina Breschi, Ying Wang

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Shuhao Que, Remco Poelarends, Valentina Breschi, Ying Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗语言、类比和隐喻对论文的解释，严格遵循文中呈现的发现与主张。

宏观图景：估算你消耗了多少“燃料”

想象你的身体是一辆汽车。当你驾驶时，引擎会燃烧燃料。在人体中，这种“燃料”是能量，而“废气”就是你呼出的二氧化碳。科学家想要确切知道每天消耗了多少燃料（即体力活动能量消耗，PAEE），以了解你的健康状况。

测量这一指标的“金标准”是一个巨大且笨重的面罩，它能测量你每一次呼吸。它很准确，但你无法戴着它去杂货店或洗衣服。因此，研究人员使用智能手表和健身追踪器（可穿戴传感器）来推测答案。

问题所在： 大多数现有的追踪器就像黑盒。它们观察你的运动和心率，将其输入复杂的计算机程序（如神经网络），然后吐出一个数字。它们运作尚可，但并不真正理解为什么这个数字是那样的。如果数据看起来奇怪，计算机可能会猜错，甚至给出一个负的能量消耗值（这是不可能的！）。

解决方案： 本文作者建立了一个名为PM-EKF的新系统。与其使用黑盒，他们构建了一个透明的、基于物理的引擎，模拟你的肺部、血液和肌肉实际运作的方式。

工作原理：“智能飞行员”类比

将估算你的能量消耗想象成驾驶飞机从 A 点飞往 B 点。

地图（生理模型）：
作者创建了一个简化的人体运作地图。它有三个主要站点：
- 肺部： 你吸入氧气的地方。
- 循环系统： 你的心脏泵送血液。
- 肌肉： 能量被消耗的地方。
  这张地图遵循物理学和生物学定律。它知道如果你移动双腿，肌肉就需要更多氧气，心脏就必须泵送得更快以输送氧气。
传感器（输入）：
系统使用来自可穿戴设备的两类数据：
- IMU（惯性测量单元）： 这就像你手机里的加速度计。它们测量你的身体部位（骨盆和大腿）移动的速度和力度。这告诉系统你正在做多少“机械功”。
- 心率（HR）： 这是脉搏。它告诉系统心脏输送燃料的负荷有多大。
飞行员（扩展卡尔曼滤波 - EKF）：
这是系统的“大脑”。想象一名飞行员驾驶飞机，他有一张地图（生理模型），但也拥有一个有时会出故障的 GPS（嘈杂的传感器数据）。
- 地图根据物理学预测飞机应该在哪里。
- GPS根据传感器告诉飞行员飞机实际在哪里。
- 飞行员（EKF） 不断比较这两者。如果 GPS 信号不稳，飞行员更信任地图。如果地图似乎有偏差，飞行员则根据 GPS 进行调整。
- 这使得系统能够平滑掉噪声，即使传感器有些跳动，也能给出稳定、现实的能量消耗估算。

实验：“生活实验室”测试

研究人员在模拟真实生活的实验室中，对 9 名参与者测试了该系统。

设置： 参与者在骨盆和大腿上佩戴传感器，并配有心率监测器。他们还佩戴了一个高科技的“金标准”面罩（COSMED K5），用于测量实际的逐口气体交换。
活动： 他们进行了一系列混合活动：坐着、阅读、站立、拖地、堆书、在跑步机上行走、爬楼梯和骑自行车。
比较： 他们将新的“智能飞行员”（PM-EKF）与两种其他方法进行了对比：
1. 线性回归（LR）： 一种简单的、老式的数学公式。
2. CNN-LSTM： 一种花哨的现代“黑盒”人工智能（深度学习）。

结果：谁赢了？

论文声称他们的新系统（PM-EKF）是赢家，但有一些有趣的细微差别：

整体准确性： PM-EKF 整体最准确。它比人工智能或简单的数学公式更贴合“金标准”面罩。
- 类比： 如果面罩的得分为 100，PM-EKF 得分为 72，人工智能得分为 65，简单数学得分为 52。
“负能量”问题： 人工智能和简单数学有时会犯一个愚蠢的错误：它们预测人们在静止站立时消耗了负卡路里（这在物理上是不可能的）。PM-EKF 从未犯过这个错误，因为它的人体“地图”在物理上阻止了它计算出不可行的数字。
低强度活动的挣扎： 人工智能和简单数学在估算低强度活动（如坐着或站立）的能量消耗时表现糟糕。它们经常给出 wildly 过高的数字。PM-EKF 在这些安静时刻保持冷静和准确。
骑自行车的故障： PM-EKF 有一个特定的弱点：骑自行车。它低估了人们骑自行车时消耗的能量。
- 原因？ 传感器位于腿部和骨盆。当你骑自行车时，你的腿做圆周运动，但你的身体上下起伏不大。传感器无法“看到”自行车阻力的全部努力，因此“机械功”的计算过低。然而，人工智能在猜测骑自行车的数据方面表现更好，因为它只是记住了数据中的模式，而不关心物理学。
心率惊喜： 研究人员测试了如果从方程中移除心率传感器会发生什么。
- 结果： 这并不重要！无论是否有心率数据，PM-EKF（以及其他模型）的表现几乎相同。
- 原因： 在他们测试的活动中（主要是行走、站立和轻度家务），身体的运动（由腿部传感器捕捉）是能量消耗的最大驱动因素。心率并没有提供太多额外信息。

结论

论文得出结论，你不需要“黑盒”人工智能来猜测你消耗了多少能量。通过构建一个理解人体物理学（肺部、血液和肌肉如何相互作用）的系统，你可以获得更可靠、更现实且更“合理”的估算。

可解释性： 你可以查看“黑盒”内部，看到血液中的估算氧气水平和肺部的空气量。
鲁棒性： 它不会给出疯狂的答案（如负卡路里）。
无需心率监测器即可工作： 对于日常活动，仅知道身体移动了多少通常就足以获得良好的估算。

作者指出，虽然该系统很棒，但需要针对更多人和不同类型的活动进行更多测试，才能对每个人都完美适用。

以下是论文《PM-EKF：一种基于生理模型的扩展卡尔曼滤波器，用于日常体力活动能量消耗估算》的详细技术总结。

1. 问题陈述

监测日常生活中的体力活动能量消耗（PAEE）对于评估代谢健康和疾病风险至关重要。虽然间接测热法（气体分析）是金标准，但它不适用于连续的自由生活监测。因此，可穿戴传感器（惯性测量单元 - IMU 和心率 - HR）被广泛使用。

然而，现有方法面临显著局限：

缺乏生理可解释性：大多数当前方法纯粹是数据驱动的（例如线性回归、神经网络）。它们将传感器信号统计性地映射到 PAEE，而未对底层生理机制（气体交换、代谢）进行建模。
黑盒性质：这些模型缺乏内在的可解释性，难以解释估算的依据，或确保生理一致性（例如，避免负的能量消耗值）。
泛化性问题：数据驱动模型往往难以应对分布偏移（不同个体或活动类型），并可能产生生理上不合理的结果。

2. 方法论：PM-EKF 框架

作者提出了一种基于生理模型的扩展卡尔曼滤波器（PM-EKF）。该方法将简化的人体生理机制模型与 EKF 相结合，以融合传感器数据。该框架在三个层面上运行：

A. 信号层（预处理与代理指标）

输入：来自心电图的心率（HR）以及来自三个 IMU（骨盆、左大腿、右大腿）的身体加速度。
IMU 衍生的代谢代理指标：系统基于 IMU 积分导出的速度，计算移动身体节段所需的机械动能（ $E(t)$ $E (t)$ ）。
- 利用集总效率因子（ $\mu$ ）和转换因子（19.6 KJ/L $O_2$ ），将此机械能转换为估计的耗氧率（ $R_{MO2}$ ）和二氧化碳产生率（ $R_{MCO2}$ ）。
- 注：该代理指标作为滤波器的“观测值”，代表与运动相关的代谢需求。

B. 建模层（生理状态空间）

核心创新是一个三室生理模型（肺、循环、肌肉组织），代表呼吸控制回路和气体交换。

状态向量（ $x$ ）：模型追踪五个潜在生理状态：
1. 肺泡 $O_2$ 分压（ $P_{A,O2}$ ）
2. 肺泡 $CO_2$ 分压（ $P_{A,CO2}$ ）
3. 静脉 $O_2$ 浓度（ $C_{v,O2}$ ）
4. 静脉 $CO_2$ 浓度（ $C_{v,CO2}$ ）
5. 肺泡通气量（ $V_{TA}$ ）
过程模型：一组非线性微分方程，描述各室间 $O_2$ 和 $CO_2$ 的质量平衡。HR 用作外部输入以驱动心输出量（ $Q$ ），进而影响气体运输。
测量模型：IMU 衍生的代谢代理指标（ $R_{MO2}, R_{MCO2}$ ）被视为生理模型预测的实际气体交换通量的含噪观测值。

C. 推理层（扩展卡尔曼滤波器）

EKF 递归地估计潜在生理状态。
预测步骤：基于由 HR 驱动的生理动力学向前传播状态。
校正步骤：利用 IMU 衍生的代谢代理指标更新状态估计，以校正模型不确定性和测量噪声。
输出：推断出的潜在状态用于通过Weir 公式计算最终 PAEE，该公式将 $O_2$ 消耗和 $CO_2$ 产生与能量消耗联系起来。

3. 主要贡献

机制可解释性：与黑盒 AI 模型不同，PM-EKF 明确建模了从身体运动 $\to$ 机械功 $\to$ 气体交换 $\to$ 能量消耗的因果链。潜在状态（如肺泡压力）具有直接的生理意义。
生理约束：通过将模型嵌入 EKF，估算值受到生物定律（如质量守恒、理想气体定律）的约束，防止出现生理上不可能的输出（如负的能量消耗）。
新颖的传感器融合：该方法不仅将 IMU 数据视为直接预测因子，而且将其视为对代谢需求的观测值，用于校正由 HR 驱动的生理过程模型。
无需训练：该模型基于第一性原理，不需要机器学习意义上的大量数据集进行“训练”，使其在不同个体间具有潜在的更好泛化性。

4. 实验结果

该模型在 9 名健康受试者执行各种日常生活活动（ADL）的数据集上进行了验证，包括坐、走、拖地、骑自行车和爬楼梯。真值由 COSMED K5 逐次呼吸呼吸分析仪提供。

性能指标（中位数 $R^2$ ）：
- PM-EKF（含 HR）：0.72（范围：0.60–0.87）
- CNN-LSTM（数据驱动）：0.65
- 线性回归（数据驱动）：0.52
- 统计显著性：PM-EKF 显著优于线性回归（ $p=0.012$ ）和 CNN-LSTM（ $p=0.039$ ）。
低强度表现：
- PM-EKF 在低强度下表现优异（NRMSE = 0.19），而数据驱动模型表现不佳（NRMSE > 1.0，比均值预测器更差），且偶尔预测出负的 PAEE 值。
- PM-EKF 的生理界限违反率为 0%（PAEE $\ge$ 0），而 CNN-LSTM 为 0.53%。
HR 依赖性：
- 令人惊讶的是，从 PM-EKF 中移除 HR 输入（将其固定为常数）并未显著降低性能（ $R^2$ 仍保持在 ~0.76）。
- 这表明对于所测试的 ADL，IMU 捕获的机械负荷是 PAEE 估算的主要驱动因素，而在此特定情境下，HR 提供了冗余信息。
观察到的局限性：
- 该模型在骑自行车期间系统地低估了 PAEE。这归因于基于 IMU 的机械代理指标未能捕捉外部阻力（测功机负荷），且固定效率因子（ $\mu$ ）未能适应骑自行车的动力学特征。

5. 意义与结论

PM-EKF 框架代表了从纯粹数据驱动的 PAEE 估算向生理引导估算的范式转变。

临床相关性：它不仅提供一个数值，还提供可解释的潜在状态（如气体交换率），这些状态可作为代谢健康的生物标志物。
鲁棒性：即使在数据驱动模型失效的低强度场景中，该模型仍能保持生理合理性，使其适用于连续的现实世界监测。
未来展望：虽然当前研究表明 IMU 足以应对 ADL，但未来的工作旨在通过调整效率因子来改进骑自行车的估算，并在更大、更多样化的人群（包括患有代谢紊乱的人群）中验证该模型。

总之，该论文证明，将简化的生理模型嵌入卡尔曼滤波器，比纯粹统计方法能产生更准确、可解释且鲁棒的 PAEE 估算，特别是对于低至中等强度的日常活动。