Estimating oxygen uptake and energy expenditure during treadmill walking by neural network analysis of easy-to-obtain inputs
Notice bibliographique
Résumé
The study of oxygen uptake (V̇o2) dynamics during walking exercise transitions adds valuable information regarding fitness. However, direct V̇o2measurements are not practical for general population under realistic settings. Devices to measure V̇o2are associated with elevated cost, uncomfortable use of a mask, need of trained technicians, and impossibility of long-term data collection. The objective of this study was to predict the V̇o2dynamics from heart rate and inputs from the treadmill ergometer by a novel artificial neural network approach. To accomplish this, 10 healthy young participants performed one incremental and three moderate constant work rate treadmill walking exercises. The speed and grade used for the moderate-intensity protocol was related to 80% of the V̇o2response at the gas exchange threshold estimated during the incremental exercise. The measured V̇o2was used to train an artificial neural network to create an algorithm able to predict the V̇o2based on easy-to-obtain inputs. The dynamics of the V̇o2response during exercise transition were evaluated by exponential modeling. Within each participant, the predicted V̇o2was strongly correlated to the measured V̇o2( = 0.97 ± 0.0) and presented a low bias (~0.2%), enabling the characterization of the V̇o2dynamics during treadmill walking exercise. The proposed algorithm could be incorporated into smart devices and fitness equipment, making them suitable for tracking changes in aerobic fitness and physical health beyond the infrequent monitoring of patients during clinical interventions and rehabilitation programs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».