时间卷积网络根据可穿戴传感器跨运动强度预测动态氧摄取响应
机器学习
2021-10-14 v2
摘要
氧耗（VO）提供了已确立的心肺功能与运动能力的临床和生理学指标。然而，VO 监测主要局限于专业实验室环境，使其广泛监测难以实现。在此，我们研究利用时间卷积网络（TCN）从可穿戴传感器在功率车运动中时序预测 VO。我们从集成纺织传感器的智能衫采集心肺信号，并以代谢系统测得真值 VO 作为对照，对象为 22 名年轻健康成人。受试者完成一项斜坡递增和三项伪随机二值序列运动方案，以评估一系列 VO 动态。所开发的 TCN 模型利用因果卷积跨越有效历史长度来建模 VO 的时间依赖特性。最优历史长度通过跨超参数值的最小验证损失确定。性能最佳的模型编码了 218 s 历史长度（TCN-VO A），而 187 s、97 s 和 76 s 的验证损失偏离最优值不足 3%。TCN-VO A 在所有运动强度下显示出强预测精度（均值，95% CI）（-22 ml.min，[-262, 218]），涵盖从低-中等（-23 ml.min，[-250, 204]）、低-高（14 ml.min，[-252, 280]）、通气阈-高（-49 ml.min，[-274, 176]）到最大（-32 ml.min，[-261, 197]）运动的过渡。基于 16090 s 预测 VO 的逐秒身体活动分类能以高准确度（94.1%）区分剧烈、中等和轻度活动。该系统利用可穿戴传感器在非实验室环境中跨一系列运动强度实现定量有氧活动监测，用于监测运动处方依从性与个人体能。
引用
@article{arxiv.2105.09987,
title = {Temporal convolutional networks predict dynamic oxygen uptake response from wearable sensors across exercise intensities},
author = {Robert Amelard and Eric T Hedge and Richard L Hughson},
journal= {arXiv preprint arXiv:2105.09987},
year = {2021}
}