ディープラーニングとウェアラブルセンサーデータを用いた身体活動時の子どものエネルギー支出の予測

Predicting children's energy expenditure during physical activity using deep learning and wearable sensor data.

• Abdul Hamid
• Michael J Duncan
• Emma L J Eyre
• Yanguo Jing

抄録

本研究では、一連の機械学習モデルを検討し、三軸加速度計から身体活動（PA）の代謝等価量（MET）の観点から、子どものエネルギー消費量を評価する際の有効性を評価した。また、センサーの配置（腰、足首、手首のいずれか）が機械学習モデルの予測性能に与える影響も調べた。8～11歳の健康な白人の子供28人（女の子13人、男の子15人）が、異なるレベルのPAを反映した一連の活動（仰臥位、座位、レゴで遊ぶ、ゆっくり歩く、中程度のペースで走る、サッカーボールを足の甲でパスする、オーバーアームで投げたりキャッチしたりする、静止した状態でサイクリングをする）を行った。エネルギー消費量と身体活動量は、4か所（非利き手首、利き手首、利き腰、利き足首）に装着した加速度計（GENEActivモニター）と呼吸ごとの熱量測定データを用いて、すべての活動中に評価した。MET値は、座ってレゴで遊んでいるときの1.2±0.2から時速6.5kmで走っているときの4.1±0.8までの範囲であった。加速度計データからMET値を決定するために機械学習モデルを使用し、PAデータを予測する際にどの配置位置がより効果的であるかを決定しました。この研究では、新規の機械学習モデルを使用することで、90%の精度でMET値を正確に予測できることが明らかになった。モデルは、PA中に手首や足首の動きがより一貫していたため、優位な手首や足首の位置を好むことを示しました。これらの位置を使用した機械学習モデルは、子供のPAのMETsを正確に予測するために効果的に使用できることが明らかになりました。

This study examined a series of machine learning models, evaluating their effectiveness in assessing children's energy expenditure, in terms of the metabolic equivalents (MET) of physical activity (PA), from triaxial accelerometery. The study also determined the impact of the sensor placement (waist, ankle or wrist) on the machine learning model's predictive performance. Twenty-eight healthy Caucasian children aged 8-11years (13 girls, 15 boys) undertook a series of activities reflective of different levels of PA (lying supine, seated and playing with Lego, slow walking, medium walking, and a medium paced run, instep passing a football, overarm throwing and catching and stationary cycling). Energy expenditure and physical activity were assessed during all activities using accelerometers (GENEActiv monitor) worn on four locations (i.e. non-dominant wrist, dominant wrist, dominant waist, dominant ankle) and breath-by-breath calorimetry data. MET values ranged from 1.2 ± 0.2 for seated playing with Lego to 4.1 ± 0.8 for running at 6.5 kmph. Machine learning models were used to determine the MET values from the accelerometer data and to determine which placement location performed more effectively in predicting the PA data. The study identified that novel machine learning models can be used to accurately predict METs, with 90% accuracy. The models showed a preference towards the dominant wrist or ankle as the movement in those positions were more consistent during PA. It was evident that machine learning models using these locations can be effectively used to accurately predict METs for PA in children.