Skip to main content

Improved estimation of energy expenditure by artificial neural network modeling

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

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.

L’estimation de la dépense énergétique dans la vie de tous les jours peut servir en clinique à l’évaluation de l’état de santé et à une évaluation personnelle du mode de vie et du niveau global d’activité physique. Les mesures de validation sont coûteuses ou réservées à la clinique. Les appareils portatifs (cardiofréquencemètre, podomètre) gagnent en popularité, mais la précision de leurs équations de prédiction demeure douteuse. Cette étude applique le modèle des réseaux neuronaux artificiels pour estimer la dépense d’énergie en lui fournissant différents signaux d’entrées dynamiques (accélérométrie, fréquence cardiaque au-dessus de la valeur de repos (« HRar »), électromyographie (« EMG »)). On entraîne donc neuf modèles de propagation en boucle ouverte « feedforward » et en boucle fermée « feedback » avec l’objectif de minimiser la moyenne du carré des erreurs (« MSE ») de l’ensemble des données. Le modèle 1, incluant seulement l’accélérométrie, et le modèle 2, incluant seulement la HRar, donnent de piètres résultats et révèlent une plus grande MSE que tous les autres modèles (p < 0,001). Le modèle 3, incluant l’accélérométrie et la HRar, affiche une performance globale semblable aux modèles EMG. La validation de tous les modèles se fait par la simulation de toutes les séries de données non entraînées. La MSE de tous les modèles augmente quand ces derniers sont testés au moyen des données de validation. Encore une fois, les modèles 1 et 2 se comportent lamentablement; la MSE du modèle 3 est inférieure à toutes sauf à celle de deux modèles EMG. Le carré des coefficients de corrélation des mesures observées et prédites de la dépense énergétique des modèles 3 à 9 varie entre 0,745 et 0,817. L’analyse de l’erreur moyenne calculée dans une catégorie spécifique de mouvements révèle que les modèles EMG semblent supérieurs pour la prédiction d’une plus grande dépense d’énergie; la combinaison de l’accélérométrie et de la HRar s’avère toutefois une solution plus économique présentant suffisamment de précision.

Document Type: Research Article

Publication date: 2008-12-01

More about this publication?
  • This bimonthly journal has a 30-year history of publishing, first as the Canadian Journal of Sport Sciences, and later as the Canadian Journal of Applied Physiology. It publishes original research articles, reviews, and commentaries, focussing on the application of physiology, nutrition, and metabolism to the study of human health, physical activity, and fitness. The published research, reviews, and symposia will be of interest to exercise physiologists, physical fitness and exercise rehabilitation specialists, public health and health care professionals, as well as basic and applied physiologists, nutritionists, and biochemists.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free ContentFree content
  • Partial Free ContentPartial Free content
  • New ContentNew content
  • Open Access ContentOpen access content
  • Partial Open Access ContentPartial Open access content
  • Subscribed ContentSubscribed content
  • Partial Subscribed ContentPartial Subscribed content
  • Free Trial ContentFree trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more