Новый метод может точно измерять общую физическую форму на носимых устройствах

Исследователи из Кембриджа разработали метод точного измерения общей физической подготовки на носимых устройствах — и более надежный, чем современные потребительские умные часы и фитнес-мониторы — без необходимости физических упражнений.

Обычно тесты для точного измерения VO2max — ключевого измерения общей физической подготовки и важного предиктора сердечно-сосудистых заболеваний и риска смертности — требуют дорогостоящего лабораторного оборудования и в основном ограничены элитными спортсменами. Новый метод использует машинное обучение для прогнозирования VO2max — способности организма выполнять аэробную работу — во время повседневной деятельности без необходимости в контекстуальной информации, такой как измерения GPS.

В том, что на сегодняшний день является крупнейшим исследованием такого рода, исследователи собрали данные об активности более 11 000 участников Fenland Study с помощью носимых датчиков, а часть участников снова протестировали семь лет спустя. Исследователи использовали данные для разработки модели для прогнозирования VO2max, которая затем была проверена в сравнении с третьей группой, которая провела стандартный лабораторный тест с физической нагрузкой. Модель показала высокую степень точности по сравнению с лабораторными тестами и превосходит другие подходы.

Некоторые умные часы и фитнес-мониторы, представленные в настоящее время на рынке, заявляют, что обеспечивают оценку VO2max, но поскольку алгоритмы, лежащие в основе этих прогнозов, не публикуются и могут быть изменены в любое время, неясно, точны ли прогнозы или режим упражнений. оказывает какое-либо влияние на VO2max человека с течением времени.

Модель, разработанная в Кембридже, является надежной, прозрачной и обеспечивает точные прогнозы только на основе данных о частоте сердечных сокращений и акселерометра. Поскольку модель также может обнаруживать изменения физической формы с течением времени, она также может быть полезна для оценки уровней физической подготовки для всего населения и выявления влияния тенденций образа жизни. Результаты сообщаются в журнале НПЖ Цифровая медицина.

Измерение VO2max считается «золотым стандартом» фитнес-тестов. Профессиональные спортсмены, например, проверяют свой VO2max, измеряя потребление кислорода, когда они тренируются до изнеможения. Существуют и другие способы измерения физической подготовки в лаборатории, такие как реакция частоты сердечных сокращений на тесты с физической нагрузкой, но для них требуется оборудование, такое как беговая дорожка или велотренажер. Кроме того, напряженные упражнения могут быть опасны для некоторых людей.

VO2max — не единственный показатель физической подготовки, но он важен для выносливости и является сильным предиктором диабета, сердечных заболеваний и других рисков смертности. Однако, поскольку большинство тестов VO2max проводится на людях, которые находятся в хорошей физической форме, трудно провести измерения у тех, кто не так здоров и может иметь риск сердечно-сосудистых заболеваний».

Д-р Сорен Брейдж, соавтор, Кембриджский центр эпидемиологии MRC

«Мы хотели знать, можно ли точно предсказать VO2max, используя данные с носимого устройства, чтобы не было необходимости в нагрузочном тесте», — сказал соавтор исследования доктор Димитрис Спатис из Кембриджского факультета компьютерных наук и технологий. «Наш главный вопрос заключался в том, могут ли носимые устройства измерять физическую форму в дикой природе. Большинство носимых устройств предоставляют такие показатели, как частота сердечных сокращений, шаги или время сна, которые являются косвенными показателями здоровья, но не связаны напрямую с результатами для здоровья».

Исследование было результатом сотрудничества между двумя отделами: группа из отдела эпидемиологии MRC предоставила экспертные знания в области здоровья населения и кардиореспираторной пригодности, а также данные из исследования Fenland Study — длительного исследования общественного здравоохранения на востоке Англии — в то время как команда из Департамент компьютерных наук и технологий предоставил экспертные знания в области машинного обучения и искусственного интеллекта для мобильных и носимых данных.

Участники исследования постоянно носили носимые устройства в течение шести дней. Датчики собирали 60 значений в секунду, что приводило к огромному количеству данных перед обработкой. «Нам пришлось разработать конвейер алгоритмов и соответствующие модели, которые могли бы сжимать этот огромный объем данных и использовать их для точного прогнозирования», — сказал Спатис. «Свободноживущий характер данных делает этот прогноз сложным, потому что мы пытаемся предсказать результат высокого уровня (фитнес) с зашумленными низкоуровневыми данными (носимые датчики)».

Исследователи использовали модель искусственного интеллекта, известную как глубокая нейронная сеть, для обработки и извлечения значимой информации из необработанных данных датчика и прогнозирования VO2max. Помимо прогнозов, обученные модели можно использовать для выявления подгрупп, особенно нуждающихся во вмешательстве, связанном с фитнесом.

Исходные данные 11 059 участников Fenland Study сравнивались с данными последующего наблюдения, полученными семь лет спустя, взятыми из подгруппы из 2675 первоначальных участников. Третья группа из 181 участника валидационного исследования UK Biobank прошла лабораторное тестирование VO2max для проверки точности алгоритма. Модель машинного обучения хорошо согласовывалась с измеренными значениями VO2max как на исходном уровне (согласие 82%), так и при последующем тестировании (согласие 72%).

«Это исследование является идеальной демонстрацией того, как мы можем использовать опыт в области эпидемиологии, общественного здравоохранения, машинного обучения и обработки сигналов», — сказал соавтор исследования доктор Игнасио Перес-Посуэло.

Исследователи говорят, что их результаты демонстрируют, как носимые устройства могут точно измерять физическую форму, но необходимо повысить прозрачность, чтобы можно было доверять измерениям коммерчески доступных носимых устройств.

«В принципе верно, что многие фитнес-мониторы и умные часы обеспечивают измерение VO2max, но очень сложно оценить обоснованность этих заявлений», — сказал Браге. «Модели обычно не публикуются, и алгоритмы могут регулярно меняться, из-за чего людям трудно определить, действительно ли их физическая форма улучшилась или она просто оценивается другим алгоритмом».

«Все, что в ваших умных часах связано со здоровьем и фитнесом, является оценочным», — сказал Спатис. «Мы прозрачны в нашем моделировании, и мы сделали это в масштабе. Мы показываем, что можем добиться лучших результатов, сочетая зашумленные данные и традиционные биомаркеры. Кроме того, все наши алгоритмы и модели имеют открытый исходный код, и каждый может их использовать. “

«Мы показали, что вам не нужен дорогостоящий тест в лаборатории, чтобы получить реальное измерение физической подготовки — носимые устройства, которые мы используем каждый день, могут быть такими же мощными, если за ними стоит правильный алгоритм», — сказал старший автор. Профессор Сесилия Масколо с факультета компьютерных наук и технологий. «Кардиофитнес является таким важным маркером здоровья, но до сих пор у нас не было средств для его масштабного измерения. Эти результаты могут иметь серьезные последствия для политики в области здравоохранения населения, поэтому мы можем выйти за рамки более слабых показателей здоровья, таких как масса тела. Индекс (ИМТ)».

Исследование было частично поддержано Колледжем Иисуса в Кембридже и Исследовательским советом по инженерным и физическим наукам (EPSRC), входящим в состав UK Research and Innovation (UKRI). Сесилия Масколо — член колледжа Иисуса в Кембридже.