Estimation de la consommation d'oxygène avec des réseaux de neurones avancés

La Consommation d'oxygène, souvent appelée absorption d'oxygène, est un moyen courant d'évaluer l'efficacité avec laquelle une personne marche ou court. C'est important parce que la façon dont nous échangeons l'oxygène et le dioxyde de carbone est directement liée à la façon dont nos corps utilisent l'énergie. Pour la marche ou la course régulière, cela peut être mesuré directement avec des appareils spéciaux comme des analyseurs métaboliques ou des spiromètres portables. Cependant, ces dispositifs peuvent être difficiles à utiliser tout le temps, coûteux et parfois nécessitent du personnel formé pour les faire fonctionner.

À cause de ces problèmes, les chercheurs ont cherché des moyens d'estimer la consommation d'oxygène en utilisant des méthodes indirectes. Au cours des vingt dernières années, beaucoup se sont concentrés sur l'utilisation d'autres variables pour aider à faire ces estimations. De nouvelles avancées technologiques, comme les petits capteurs portables et l'apprentissage automatique, ont rendu cela possible. L'un des moyens les plus populaires d'estimer la consommation d'oxygène est d'examiner les données de Fréquence cardiaque.

De nombreux produits commerciaux, comme les systèmes de surveillance de la fréquence cardiaque personnelle, utilisent les informations sur la fréquence cardiaque pour estimer les niveaux d'oxygène et l'utilisation d'énergie. Cependant, la fréquence cardiaque peut varier en raison de facteurs comme l'âge, le sexe, le niveau de forme physique, le type d'exercice et même les changements d'environnement. Pour tenir compte de cela, un indice de fréquence cardiaque (HRI) est souvent utilisé au lieu de simplement la fréquence cardiaque. Cet indice est calculé en divisant la fréquence cardiaque d'une personne par sa fréquence cardiaque au repos, ce qui réduit le besoin d'ajustements individuels.

En plus des données de fréquence cardiaque, d'autres caractéristiques avancées comme les intervalles entre les battements de cœur et les schémas respiratoires pendant différents exercices peuvent être utilisées. Cependant, certaines études ont trouvé que ces méthodes ne sont pas toujours très précises, surtout pendant les exercices à faible et à haute intensité, car la relation entre la fréquence cardiaque et la consommation d'oxygène n'est pas toujours claire.

D'autres facteurs peuvent aussi influencer le lien entre la fréquence cardiaque et la consommation d'oxygène. Cela inclut des conditions comme l'altitude, la durée de l'exercice, le niveau d'hydratation, les médicaments, l'état de forme physique et l'heure de la journée. Par exemple, en vélo, des facteurs comme la fréquence respiratoire, la puissance mécanique et la vitesse de pédalage peuvent fournir des données précieuses pour estimer les niveaux d'oxygène.

Quand les gens marchent ou courent dehors sans restrictions, les dispositifs portables peuvent suivre des caractéristiques comme le taux de respiration, la fréquence des pas, la vitesse et les variations de vitesse pour aider à ces estimations. Dans une étude, les chercheurs ont utilisé un dispositif qui combinait un système de navigation inertielle (INS) avec un GPS pour recueillir des données de mouvement. Ce dispositif mesurait différents paramètres comme l'accélération, la vitesse et la position du corps.

En utilisant ces paramètres de mouvement avec les données de fréquence cardiaque, les chercheurs ont trouvé que les réseaux de neurones LSTM pouvaient fournir de bonnes estimations de la consommation d'oxygène. Leur précision a atteint un niveau indiquant que ces réseaux avancés pouvaient estimer efficacement combien d'oxygène une personne utilise. Ils ont comparé cela à une autre méthode utilisant des points de données différents, qui a donné des résultats légèrement moins précis.

Un problème avec les études précédentes était qu'elles utilisaient souvent les données du même individu pour l'entraînement et le test, ce qui signifie que le modèle n'était pas testé sur différentes personnes. Cette approche peut être très lente et peu pratique, car elle nécessite de recueillir des données sur la même personne plusieurs fois. Idéalement, les chercheurs voulaient créer un modèle formé sur un groupe diversifié d'individus et l'utiliser pour estimer la consommation d'oxygène pour n'importe quelle personne immédiatement.

Dans ce contexte, l'objectif était d'évaluer divers modèles de réseaux neuronaux qui pourraient estimer la consommation d'oxygène en fonction d'une plus large gamme de vitesses de marche et de course en utilisant les données recueillies auprès de nombreux individus et en tenant compte des paramètres de fréquence cardiaque et de mouvement.

#Objectifs de recherche

Les objectifs de la recherche étaient triples :

1. Montrer que des améliorations pouvaient être apportées à la précision du modèle LSTM par rapport aux études précédentes en utilisant une stratégie de sortie anticipée et en affinant les hyperparamètres, ce qui a conduit à une réduction notable des erreurs d'estimation.

2. Démontrer que des modèles de réseaux neuronaux plus complexes pouvaient fournir des estimations plus précises entre différents sujets comparés aux modèles précédents qui se concentraient seulement sur des données individuelles.

3. Fournir une meilleure analyse de corrélation entre les caractéristiques d'entrée recueillies (paramètres de mouvement et fréquence cardiaque) et la sortie (consommation d'oxygène) pour donner des raisons pour lesquelles les réseaux neuronaux ont bien performé dans leurs estimations.

#Méthodologie

#Participants

Seize volontaires en bonne santé âgés de 18 à 35 ans ont participé à des tests en extérieur sur un terrain plat. Ces participants comprenaient à la fois des coureurs récréatifs et des individus moins actifs. L'étude a été approuvée par un comité d'éthique, et tous les participants ont accepté de participer.

Chaque participant portait un enregistreur de données, un spiromètre portable pour mesurer la respiration, et une ceinture thoracique pour la fréquence cardiaque. L'enregistreur de données recueillait des informations à l'aide d'un système GPS combiné avec un système de navigation inertielle pour suivre le mouvement de l'individu. L'utilisation d'oxygène et d'autres métriques respiratoires étaient enregistrées pendant des périodes de marche, de course et de repos à l'aide d'un analyseur de gaz respiratoire mobile.

Pour établir une ligne de base, chaque participant se reposait pendant cinq minutes avant de commencer toute activité. Ils suivaient ensuite un parcours avec des vitesses variables, contrôlées par des lumières LED le long de la piste, s'assurant qu'ils maintenaient le bon rythme. Après chaque changement de vitesse, ils prenaient de courtes pauses pour permettre à leur fréquence cardiaque et à leurs niveaux d’oxygène de revenir plus près des valeurs de repos.

#Collecte des données

Le spiromètre enregistrait la consommation d'oxygène et les taux respiratoires toutes les cinq secondes. Pour garantir l'exactitude, il était recalibré avant chaque session de mesure. Pour une cohérence, les données sur l'oxygène et la fréquence cardiaque étaient synchronisées dans le temps.

Pour améliorer l'analyse, les données de mouvement étaient analysées étape par étape, permettant aux chercheurs de calculer des métriques couramment utilisées dans l'analyse de la démarche. Ces données étaient également appariées à la fréquence des mesures de fréquence cardiaque et aux valeurs de consommation d'oxygène.

Les chercheurs se concentraient sur certaines caractéristiques d'entrée supposées corréler fortement avec la consommation d'oxygène. Celles-ci comprenaient la vitesse moyenne, les variations de vitesse, la durée des pas, les mouvements verticaux et la fréquence cardiaque. Ces entrées étaient utilisées pour former des réseaux neuronaux pour de meilleures estimations de la consommation d'oxygène.

#Formation des réseaux neuronaux

Au départ, un modèle LSTM simple a été testé pour estimer la consommation d'oxygène, en utilisant une structure de réseau neuronal basique. Les chercheurs ont pu estimer avec succès la consommation d'oxygène sur la base des données recueillies auprès des participants.

Pour améliorer la précision du modèle, plusieurs ajustements ont été apportés. Une stratégie de sortie anticipée a été introduite pour permettre au modèle de cesser l'entraînement une fois qu'il avait atteint un niveau de précision satisfaisant. D'autres méthodes, comme la réduction du nombre d'unités cachées dans la couche LSTM et l'application d'un taux d'apprentissage adaptatif, ont également été employées.

De plus, divers types de réseaux neuronaux ont été testés pour voir lesquels pouvaient fournir les meilleures estimations lorsqu'ils étaient formés sur des groupes divers. Cela incluait des réseaux de régression et des configurations permettant la modélisation de données à base de temps (comme la vitesse et la fréquence cardiaque) et de données catégorielles (comme l'âge ou le sexe des participants).

#Évaluation de la performance du modèle

La performance des différents modèles a été évaluée en comparant leur consommation d'oxygène estimée aux mesures directes recueillies pendant les tests. Les chercheurs ont utilisé des analyses statistiques, comme le calcul de l'erreur quadratique moyenne (RMSE), pour mesurer la précision.

L'analyse a révélé à quel point les modèles réussissaient à estimer la consommation d'oxygène à partir des données individuelles et des données inter-sujets plus diversifiées. Les chercheurs ont trouvé que certains modèles surpassaient les autres, indiquant les avantages potentiels d'utiliser des architectures de réseaux neuronaux plus sophistiquées.

#Résultats

#Résultats des estimations individuelles

En comparant la performance des différents modèles, la configuration LSTM améliorée a montré des gains de précision significatifs par rapport aux modèles précédents. La RMSE moyenne a chuté de manière spectaculaire, indiquant que les modifications apportées à l'architecture étaient efficaces.

En termes de données des participants individuels, les modèles modifiés ont démontré une réduction du biais et un taux d'erreur moyen plus sain lors de l'estimation de la consommation d'oxygène.

#Résultats des estimations de groupe

Pour les estimations entre différents individus, une configuration particulière utilisant un réseau Xception a montré la meilleure performance. Avec une combinaison de caractéristiques spécifiques aux participants, elle a réussi à atteindre une RMSE plus basse que les anciens modèles LSTM, suggérant qu'elle pourrait être un outil efficace pour des estimations de consommation d'oxygène en temps réel même lorsqu'elle est formée sur différents individus.

D'autres réseaux ont bien performé, mais aucun n'a atteint le même niveau de précision que le modèle Xception. Cela suggère que l'exploration continue de différents types de réseaux neuronaux pourrait donner lieu à de meilleures méthodes pour estimer la consommation d'oxygène.

#Discussion

#Corrélation et analyse des données

La recherche a fourni une analyse de corrélation détaillée, démontrant quelles caractéristiques d'entrée avaient les relations les plus significatives avec la consommation d'oxygène. Les données de vitesse et de fréquence cardiaque étaient parmi les plus corrélées, tandis que d'autres facteurs comme l'oscillation verticale montraient une relation complexe et hautement non linéaire.

Cette analyse de corrélation a également révélé des différences basées sur le sexe quant à la façon dont certaines caractéristiques étaient liées à la consommation d'oxygène, suggérant que les futurs modèles pourraient bénéficier d'une personnalisation pour tenir compte de ces variations.

#Implications pour les applications réelles

Les résultats ont de grandes implications pour l'utilisation de ces modèles dans des contextes pratiques. Avec la technologie portable devenant plus courante, la capacité d'estimer la consommation d'oxygène en temps réel ouvre de nouvelles possibilités pour le suivi de la condition physique, la surveillance de la santé et l'amélioration des performances athlétiques.

Un avantage significatif est le potentiel d'utiliser ces modèles dans des dispositifs portables. Cela permettrait aux individus de se surveiller eux-mêmes leur consommation d'oxygène pendant diverses activités, fournissant des aperçus sur leur niveau de forme physique sans avoir besoin d'équipements encombrants ou de laboratoires.

#Directions de recherche futures

Bien que les résultats soient prometteurs, il reste des domaines pour de futures recherches. Il serait bénéfique de tester ces modèles dans diverses conditions, notamment lors d'exercices de faible et de haute intensité. Il y a aussi un potentiel à explorer comment différentes données d'entraînement pourraient influencer la précision des estimations de consommation d'oxygène.

De plus, compte tenu des différences dans les corrélations des données entre les participants masculins et féminins, il serait intéressant d'évaluer si des modèles spécifiques au sexe donnent de meilleurs résultats dans des ensembles de données diversifiés.

Enfin, il est crucial d'examiner comment ces modèles d'estimation peuvent être mis à jour avec de nouvelles données. À mesure que la technologie portable continue de se développer, s'assurer que les modèles maintiennent leur précision à mesure qu'ils recueillent plus de données spécifiques aux utilisateurs sera essentiel pour améliorer leur utilité dans des applications quotidiennes.

#Conclusion

Estimer avec précision la consommation d'oxygène offre une occasion précieuse d'améliorer notre compréhension des dépenses énergétiques pendant les activités physiques. En utilisant des techniques de modélisation avancées, les chercheurs ont montré qu'il est possible d'atteindre des niveaux élevés de précision dans l'estimation de ces valeurs.

Les résultats de cette recherche ont du potentiel pour des applications réelles, permettant un meilleur suivi de la santé et de meilleures évaluations de performance dans divers contextes. La poursuite de l'exploration et du perfectionnement de ces modèles conduira probablement à de nouvelles avancées, fournissant aux individus des moyens plus accessibles de surveiller leur condition physique et leur santé en temps réel.