优化游戏化心脏评估中的 VO2max 预测：利用有效特征选择和精炼协议构建稳健模型
信号处理
2025-07-22 v1
摘要
VO2max 是指示心肌-呼吸系统健康的关键指标，反映身体在剧烈运动期间可利用氧气的 maximum 量。准确测量 VO2max 对评估心血管健康并预测临床结果至关重要。然而，当前的 VO2max 估计方法，如心肌-呼吸运动检查（CPET），需要昂贵的设备和有培训人员的监督，限制了大规模筛查的可及性。初步努力已尝试创建更易访问的方法，例如 Cardiopulmonary Spot Jog Test（CPSJT）。不幸的是，这些早期尝试导致较高的误差范围，使其不适用于广泛使用。在本研究中，我们通过精炼 CPSJT 协议来提高预测精度。一个关键贡献是改进的特征提取，包括性别、体质指数、有氧时长和无氧时长。这一针对性方法有助于简化模型以增强预测精度，同时最小化过拟合风险。在来自印度人群的 44 名受试者队列中，我们评估了 various machine learning 模型的性能。采用分层 5 折交叉验证，线性回归的均方根误差（RMSE）为 5.78，随机森林为 5.15，支持向量回归为 5.17。所有模型都显示出强烈的测试相关性和较低的 RMSE 值，凸显其稳健可靠的性能。
引用
@article{arxiv.2507.14138,
title = {Optimizing VO2max Prediction in Gamified Cardiac Assessment: Leveraging Effective Feature Selection and Refined Protocols for Robust Models},
author = {Vaishnavi C K and Sricharan Vijayarangan and Sri Gayathri G and Danush Adhithya N and Alex Joseph and Preejith SP and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2507.14138},
year = {2025}
}
备注
Accepted and Presented in IEEE IECBES 2024