Novo modelo computacional melhora o rastreamento da atividade física por meio de sensores de pulso

Resumo rápido: Pesquisadores criaram e testaram um novo modelo computacional chamado ActiNet para classificar a intensidade da atividade física usando dados de sensores de pulso. O novo modelo teve desempenho superior ao de um método padrão de referência em diferentes grupos de idade e sexo.

Os rastreadores de condicionamento físico em nossos pulsos coletam quantidades massivas de dados de movimento, mas transformar esses números em informações claras sobre a saúde é um grande desafio para os cientistas.

O que aconteceu, em palavras simples

Pesquisadores liderados por autores como A. Acquah, S. Chan e A. Doherty estudaram dados de 151 participantes do projeto CAPTURE-24, com idades entre 18 e 91 anos, idade média de 42 anos e 66 por cento do sexo feminino. Eles treinaram um modelo chamado ActiNet, que usa uma rede de aprendizado profundo autorsupervisionada combinada com suavização por modelo oculto de Markov. Eles compararam o ActiNet com um método de referência de floresta aleatória e descobriram que o ActiNet alcançou pontuações de desempenho mais altas para identificar a intensidade da atividade.

Pontos principais

• Participantes do estudo e dados: A pesquisa utilizou até 24 horas de dados de acelerômetro de pulso coletados de 151 participantes do grupo CAPTURE-24.
• O modelo ActiNet: O ActiNet consiste no HARNet, um modelo ResNet-V2 modificado de 18 camadas que usa aprendizado autorsupervisionado, seguido por suavização por modelo oculto de Markov.
• Comparação de desempenho: O ActiNet alcançou uma pontuação F1 macro média de 0,82 e uma pontuação kappa de Cohen média de 0,86, superando as pontuações do modelo de referência de floresta aleatória de 0,76 e 0,80.
• Resultados consistentes: As melhorias de desempenho do novo modelo permaneceram consistentes em diferentes subgrupos com base em idade e sexo.

Termos explicados

• acelerômetro — Um sensor que mede movimento, aceleração e deslocamento físico. Exemplo: O dispositivo de contagem de passos usado no pulso que mede o seu movimento diário.
• aprendizado autorsupervisionado — Um tipo de aprendizado de máquina em que um modelo computacional ensina a si mesmo a entender padrões a partir de dados não rotulados antes de realizar tarefas específicas. Exemplo: Um estudante olhando para centenas de peças de quebra-cabeça não ordenadas em uma mesa para descobrir como elas se encaixam antes de tentar resolver a imagem completa.
• modelo oculto de Markov — Uma ferramenta matemática usada para prever uma sequência de eventos com base em condições em mudança. Exemplo: Adivinhar se está chovendo lá fora ao longo do dia apenas verificando se as pessoas carregam guarda-chuvas para dentro de um edifício.

Por que isso importa

Ferramentas precisas ajudam os pesquisadores a estudar como a atividade física se relaciona com os desfechos de saúde em estudos epidemiológicos em larga escala, que investigam padrões de saúde em populações humanas.

O que ainda não sabemos

A extensão em que esses modelos trazem melhorias tangíveis para o desempenho de classificação e o efeito nas composições previstas de intensidade da atividade diária era desconhecida anteriormente. O estudo baseia-se na população do CAPTURE-24, e os autores observam que esses achados incentivam o uso futuro, mas não representam uma solução definitiva para todas as populações ou contextos médicos possíveis.

Fonte: Scientific Reports. O original é licenciado como CC BY. Este texto é uma adaptação feita com auxílio de IA (resumida, simplificada e traduzida) e pode diferir do original.