Lämpövirtauksen ja koneoppimisen hyödyntäminen lepoenergiankulutuksen arvioinnissa

Abstract

Johdanto. Energiankulutuksen luotettava määrittäminen on haastavaa arkipäiväisissä tilanteissa. Suora ja epäsuora kalorimetria ovat luotettavia menetelmiä, mutta ne eivät sovellu päivittäisen energiankulutuksen mittaamiseen. Sen sijaan älykellot tai muut kannettavat kuluttajakäyttöiset laitteet olisivat tarkoitukseen käytännöllisiä, mutta toistaiseksi niiden antamat energiankulutusarviot ovat tutkimuksissa osoittautuneet epätarkoiksi. Tässä tutkielmassa esitetään uusi potentiaalinen menetelmä, joka soveltuisi energiankulutuksen arviointiin kuluttajakäytössä. Menetelmässä käytetään koneoppivasti koulutettua algoritmia, johon syötetään henkilön esitiedot (ikä, sukupuoli, pituus ja paino) sekä mitattu lämpövirtaus ja syke. Tutkimuksessa selvitetään, poikkeavatko edellä mainitulla menetelmällä saadut lepoenergiankulutusarviot hengityskaasujen perusteella määritetystä kulutuksesta. Lisäksi menetelmän osalta tutkitaan, mitä muuttujia yhdistelemällä energiankulutuksesta saataisiin lepotilassa mahdollisimman tarkka arvio. Viimeisenä tutkimusaiheena selvitetään, onko kehonkoostumuksella yhteyttä menetelmän arviointitarkkuuteen. Menetelmät. Tutkittavilta (n = 58) mitattiin levossa samanaikaisesti hengityskaasuja, sykettä ja lämpövirtausta. Menetelmässä 1 energiankulutus laskettiin hengityskaasuista Weirin (1949) kaavalla. Menetelmässä 2 energiankulutusarvio johdettiin esitiedoista, lämpövirtauksesta ja sykkeestä syöttäen ne koneoppivasti koulutettuun malliin. Tutkimusaineisto muodostui yhteensä kolmessa mittapisteessä suoritetuista mittauksista. Mittapisteillä oli erilaiset kehonkoostumukselliset tavoitteet riippuen tutkittavan ryhmästä. Kilpailijaryhmä (n = 27) eli kilpailevat fitnessurheilijat muokkasivat kehonkoostumustaan lajinomaiseen kilpailukuntoon. Kontrolliryhmä (n = 31) koostui myös fitnessharrastajista, mutta he eivät olleet osallistumassa kilpailuihin tai pyrkineet vähentämään kehon rasvakudoksen määrää. Tulokset. Menetelmillä 1 ja 2 määritetyt lepoenergiankulutukset eivät eronneet tilastollisessa vertailussa. Lämpövirtaus osoittautui lepoenergiankulutuksen arvioinnissa hyödylliseksi muuttujaksi, sillä lämpövirtaus korreloi energiankulutuksen ja hapenkulutuksen kanssa. Sen sijaan energiankulutuksen ja leposykkeen välillä ei ollut korrelaatiota. Esitietoja ja lämpövirtausta hyödyntävä versio menetelmän 2 mallista antoi pienimmän keskimääräisen energiankulutuksen arviointivirheen (6,73 %). Kilpailija- ja kontrolliryhmien välillä ei ollut eroa menetelmän 2 toimivuudessa. Sen sijaan sukupuolten välillä arviointitarkkuudessa oli eroa, kun menetelmän 2 ennustevirheet olivat naisilla merkitsevästi (p < 0,05) suurempia. Johtopäätökset. Tutkimuksessa testattu menetelmä 2 antoi lupaavaa näyttöä lämpövirtausta ja koneoppimista hyödyntävästä energiankulutuksen arvioinnista. Alle 7 % keskimääräinen virhe on huomattavasti pienempi, kuin mitä rannekäyttöisten laitteiden energiankulutusarvioiden virheet ovat olleet aiemmissa tutkimuksissa. Naisten tuloksissa toistaiseksi havaittu suurempi virhe tulee luultavasti pienenemään mitä pidemmälle algoritmin kehittämistä jatketaan. Lisäksi tarkan arvioinnin mahdollistaminen edellyttää vielä lisää tutkimusta kehitettävien laitteiden toimivuudesta eri ympäristöissä ja ihmisryhmissä.