Un nuevo modelo informático mejora el seguimiento de la actividad física mediante sensores de muñeca

En resumen: Investigadores construyeron y probaron un nuevo modelo informático llamado ActiNet para clasificar la intensidad de la actividad física utilizando datos de sensores de muñeca. El nuevo modelo funcionó mejor que un método de referencia estándar en diferentes grupos de edad y sexo.

Los monitores de actividad física en nuestras muñecas recopilan cantidades masivas de datos de movimiento, pero convertir esos números en información clara sobre la salud es un gran desafío para los científicos.

Qué ocurrió, en palabras sencillas

Investigadores liderados por autores como A. Acquah, S. Chan y A. Doherty estudiaron datos de 151 participantes en el proyecto CAPTURE-24, con edades comprendidas entre los 18 y los 91 años, una edad media de 42 años y un 66 por ciento de mujeres. Entrenaron un modelo llamado ActiNet, que utiliza una red de aprendizaje profundo autosupervisado combinada con una suavización mediante modelos ocultos de Markov. Compararon ActiNet con un método de referencia de bosque aleatorio y descubrieron que ActiNet logró puntuaciones de rendimiento más altas para identificar la intensidad de la actividad.

Puntos clave

• Participantes del estudio y datos: La investigación utilizó hasta 24 horas de datos de acelerómetro de muñeca recopilados de 151 participantes del grupo CAPTURE-24.
• El modelo ActiNet: ActiNet consta de HARNet, un modelo ResNet-V2 modificado de 18 capas que utiliza aprendizaje autosupervisado, seguido de una suavización mediante modelos ocultos de Markov.
• Comparación de rendimiento: ActiNet alcanzó una puntuación F1 macro media de 0,82 y una puntuación kappa de Cohen media de 0,86, superando las puntuaciones de 0,76 y 0,80 del modelo de referencia de bosque aleatorio.
• Resultados consistentes: Las mejoras de rendimiento del nuevo modelo se mantuvieron constantes en diferentes subgrupos según la edad y el sexo.

Términos explicados

• acelerómetro — Un sensor que mide el movimiento, la aceleración y el desplazamiento físico. Ejemplo: El dispositivo de seguimiento de pasos que se lleva en la muñeca y cuenta el movimiento diario.
• aprendizaje autosupervisado — Un tipo de aprendizaje automático en el que un modelo informático se enseña a sí mismo a comprender patrones a partir de datos no etiquetados antes de realizar tareas específicas. Ejemplo: Un estudiante que observa cientos de piezas de rompecabezas sin ordenar sobre una mesa para averiguar cómo encajan antes de intentar resolver la imagen completa.
• modelo oculto de Markov — Una herramienta matemática utilizada para predecir una secuencia de eventos basándose en condiciones cambiantes. Ejemplo: Adivinar si está lloviendo afuera durante el día simplemente comprobando si la gente lleva paraguas al entrar en un edificio.

Por qué importa

Las herramientas precisas ayudan a los investigadores a estudiar cómo la actividad física se relaciona con los resultados de salud en estudios epidemiológicos a gran escala, que investigan los patrones de salud en poblaciones humanas.

Lo que aún no sabemos

Se desconocía hasta qué punto estos modelos aportan mejoras tangibles al rendimiento de la clasificación y el efecto en las composiciones predichas de intensidad de la actividad diaria. El estudio se basa en la población de CAPTURE-24, y los autores señalan que estos hallazgos fomentan su uso futuro, pero no representan una solución definitiva para todas las poblaciones o contextos médicos posibles.

Fuente: Scientific Reports. El original tiene licencia CC BY. Este texto es una adaptación hecha con ayuda de IA (resumida, simplificada y traducida) y puede diferir del original.