Reconocimiento de Postura y Actividad y Estimación del Gasto Energético en una Plataforma Portátil

El uso de sensores portátiles acoplados con la potencia de procesamiento de teléfonos móviles puede ser una forma atractiva de proporcionar retroalimentación en tiempo real sobre la actividad física y el gasto energético (EE). Aquí, describimos el uso de un sistema de sensor portátil basado en zapatos (SmartShoe) con un teléfono móvil para el reconocimiento en tiempo real de varias posturas/actividades físicas y el EE resultante. Para abordar las limitaciones de potencia de procesamiento y memoria del teléfono, comparamos el uso de máquinas de soporte vectorial (SVM), discriminación logística multinomial (MLD) y perceptrones multicapa (MLP) para la clasificación de posturas y actividades seguidas de la estimación de EE ramificada por actividad. Los algoritmos fueron validados utilizando datos de 15 sujetos que realizaron hasta 15 actividades diferentes de la vida diaria durante una estancia de 4 horas en un calorímetro de habitación. MLD y MLP demostraron una precisión de clasificación de actividad prácticamente idéntica a SVM (∼ 95%) mientras redujeron el tiempo de ejecución y los requisitos de memoria en un factor de >10 3. La comparación de la estimación de EE por minuto utilizando modelos ramificados por actividad resultó en una predicción precisa de EE (RMSE = 0.78 kcal/min para la clasificación de actividad SVM y MLD, 0.77 kcal/min para MLP frente a un RMSE de 0.75 kcal/min para anotación manual). Estos resultados sugieren que los algoritmos computacionales de bajo consumo pueden ser utilizados con éxito para el monitoreo en tiempo real de la actividad física y la estimación de EE en una plataforma portátil.