Schatting van het energiegebruik en classificeren van fysieke activiteit met draagbare meters

Fysieke activiteit (PA) wordt gedefinieerd als alle lichaamsbeweging die wordt
geproduceerd door skeletspieren die energie verbruiken. Het wetenschappelijk
bewijs voor de gunstige effecten is onweerlegbaar. Het is bewezen dat
regelmatige PA helpt bij het voorkomen en behandelen van verschillende
niet-overdraagbare ziekten zoals hartaandoeningen, beroertes, diabetes en
verschillende vormen van kanker.
PA is een complex begrip dat wordt gekenmerkt door frequentie, intensiteit,
tijd en type (FITT). Om het effect van PA op de gezondheid en ons algemeen
welzijn te begrijpen, is het essentieel om alle vier de kenmerken van PA te
controleren. Een PA-classificatiealgoritme kan de hoeveelheid tijd
classificeren die in verschillende lichaamshoudingen en activiteiten wordt
doorgebracht. Dit maakt het mogelijk om frequentie, tijd en type te beoordelen.
Om PA volledig te karakteriseren, moet de intensiteit worden geschat. Dit kan
worden gedaan door de schatting van energieverbruik.
Wearables spelen een cruciale rol in de monitoring van PA. Ze zijn een
praktische manier om objectieve PA-gegevens in het dagelijks leven te
verzamelen, op een niet-invasieve manier, tegen relatief lage kosten. Bovendien
kunnen ze worden toegepast als een motiverende tool om PA te verhogen.
Accelerometrie is veel gebruikt om PA te kwantificeren en EE te voorspellen met
behulp van lineaire en niet-lineaire modellen. De relatie tussen EE en
acceleratie verschilt echter van activiteit tot activiteit. Fietsen kan
bijvoorbeeld dezelfde versnellingsamplitude genereren als hardlopen, maar de EE
kan sterk verschillen. Het is duidelijk dat versnelling alleen een beperkte
nauwkeurigheid heeft om EE van verschillende activiteiten te schatten.
Het verbeteren van de schatting van EE kan worden bereikt door eerst het
activiteitstype te classificeren. Voor elk type activiteit kunnen verschillende
schattingen worden gebruikt. Er zijn talloze methoden om PA te classificeren en
EE te schatten. Literatuur beschrijft het gebruik van op regressie gebaseerde
vergelijkingen in combinatie met afkappunten, lineaire modellen, niet-lineaire
modellen, beslisbomen, kunstmatige neurale netwerken, enz. Het is nog steeds
onduidelijk wat de beste methode zou zijn om EE te schatten, om nog maar te
zwijgen van welke kenmerken zouden bijdragen aan het model.
Een andere mogelijkheid is om een relevant biosignaal toe te voegen aan het
schattingsmodel. Hartslag, ademhalingssnelheid, temperatuur zijn allemaal
signalen die een reactie hebben die verband houdt met een toename van PA.
Hartslag is eerder gebruikt om de EE-schatting te verbeteren in combinatie met
accelerometrie. Hoe de ademhalingsfrequentie en temperatuur kunnen bijdragen
aan de schatting van EE is nog onduidelijk.
Het doel van het huidige onderzoek is dan ook tweeledig. Ten eerste om de
bijdrage van verschillende variabelen (fysiologische signalen) aan de schatting
van EE en de classificatie van PA te onderzoeken. Ten tweede, ontwikkelen en
valideren van een model om EE te schatten en PA te classificeren in
gesimuleerde free-living omstandigheden op basis van de relevante variabelen.

Primair Doel:
Het primaire doel van de studie is het ontwikkelen en valideren van een
algoritme voor het schatten van energieverbruik en classificeren van fysieke
activiteit op basis van draagbare sensoren. Om dit mogelijk te maken zullen de
relevante signalen die bijdrage aan de schatting van het energieverbruik en
classificeren van fysieke activiteit worden geidentificeerd.

Secundaire doelen:
Op basis van de verzamelde data zal:
- een algoritme voor detectie van hartslag(variabiliteit) ontwikkeld en
gevalideerd worden
- de bijdrage van verschillende bio signalen tot de schatting van het
energieverbruik worden vastgesteld
- de mogelijk voor een ogenblikkelijke schatting van het energieverbruik worden
onderzocht

Onderzoeksopzet:
Cross-sectional ontwikkel en validatie studie. Met behulp van gestratificeerde
herhaalde k-fold cross validation zullen de modelen voor het classificeren van
fysieke activiteit en het schatten van energiegebruik ontwikkeld en gevalideerd
worden.

Setting:
De data zal verzameld worden in de faciliteiten van de Metabolic Research Unit
Maastricht (MRUM).

Duur van het onderzoek:
12 maanden vanaf de start van de eerste inclusie, gepland voor maart 2022, na
goedkeuring van de METC.

De mogelijke risico's en belasting voor de deelnemers zijn minimaal. De
wearables en elektrodes worden met medisch gecertificeerde pleisters
aangebracht. Desalniettemin, kunnen deelnemers mogelijks huidiritatie
ondervinden van de pleisters.
The activiteiten in het gesimulueerde free-living protocol, dragen geen
bijkomende risico's met zich mee. Het zijn allemaal dagdagelijkse activiteiten.
Verder zullen deelnemers wandelen, rennen op een loopband op een gematigde
snelheid. Om hun geschiktheid te toetsen zullen we de PAR-Q+ als inclusie
critarium gebruiken.
Er zijn geen grote risico's verbonden aan deelname aan deze studie. De
belasting voor deelnemers is laag tot matig.