Improved estimation of energy expenditure by artificial neural network modeling
Notice bibliographique
Résumé
Estimation of energy expenditure in daily living conditions can be a tool for clinical assessment of health status, as well as a self-measure of lifestyle and general activity levels. Criterion measures are either prohibitively expensive or restricted to laboratory settings. Portable devices (heart rate monitors, pedometers) have gained recent popularity, but accuracy of the prediction equations remains questionable. This study applied an artificial neural network modeling approach to the problem of estimating energy expenditure with different dynamic inputs (accelerometry, heart rate above resting (HRar), and electromyography (EMG)). Nine feed-forward back-propagation models were trained, with the goal of minimizing the mean squared error (MSE) of the training datasets. Model 1 (accelerometry only) and model 2 (HRar only) performed poorly and had significantly greater MSE than all other models (p < 0.001). Model 3 (combined accelerometry and HRar) had overall performance similar to EMG models. Validation of all models was performed by simulating untrained datasets. MSE of all models increased when tested with validation data. While models 1 and 2 again performed poorly, model 3 MSE was lower than all but 2 EMG models. Squared correlation coefficients of measured and predicted energy expenditure for models 3 to 9 ranged from 0.745 to 0.817. Analysis of mean error within specific movement categories indicates that EMG models may be better at predicting higher-intensity energy expenditure, but combined accelerometry and HRar provides an economical solution, with sufficient accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».