BR102020026639A2

BR102020026639A2 - Método para predição do consumo máximo de oxigênio em dispositivos vestíveis

Info

Publication number: BR102020026639A2
Application number: BR102020026639-0A
Authority: BR
Inventors: Dong Hyun Lee; In Taek Oh; Marcus De Assis Angeloni; Antonio Joia Neto; Ciro Cavani
Original assignee: Samsung Eletrônica da Amazônia Ltda.
Priority date: 2020-12-23
Filing date: 2020-12-23
Publication date: 2022-07-05
Also published as: US20220199244A1

Abstract

MÉTODO PARA PREDIÇÃO DO CONSUMO MÁXIMO DE OXIGÊNIO EM DISPOSITIVOS VESTÍVEIS. A presente invenção diz respeito a uma tecnologia de saúde com aplicação de aptidão cardiorrespiratória em dispositivos vestíveis. Mais especificamente, é descrito um método para prever o consumo máximo de oxigênio (VO2Max) em dispositivos vestíveis com restrição de memória usando conjuntos de aprendizado de máquina. A presente invenção está relacionada aos campos do bem-estar, da saúde e da inteligência artificial. Consiste em uma técnica que prevê o consumo máximo de oxigênio (VO2Max) em sessões de corrida em diferentes ritmos usando dispositivos vestíveis com restrição de memória. O método proposto requer menos de 5KB de memória para ser executado em um dispositivo vestível. Especificamente, em vista dos dados de perfil do usuário (idade, gênero, altura e peso), um conjunto de leituras de frequência cardíaca (HR) e a velocidade de uma sessão de corrida, o método proposto é capaz de estimar o VO2Max.

Description

MÉTODO PARA PREDIÇÃO DO CONSUMO MÁXIMO DE OXIGÊNIO EM DISPOSITIVOS VESTÍVEIS

CAMPO TÉCNICO

[0001] A presente invenção diz respeito a uma tecnologia de saúde com aplicação para estimativa da aptidão cardiorrespiratória de usuários utilizando dispositivos vestíveis. Mais especificamente, é descrito um método para prever o consumo máximo de oxigênio (VO2Max) em dispositivos vestíveis com restrição de memória usando conjuntos de algoritmos de aprendizado de máquina.

ANTECEDENTES

[0002] Dispositivos vestíveis são a tecnologia principal para ajudar as pessoas a melhorar sua saúde e bem-estar medindo e analisando seus sinais biológicos capturados usando sensores não invasivos (por exemplo, acelerômetros e por pulsos de luz). VO2Max é um componente necessário para fornecer um pacote de saúde completo em dispositivos vestíveis.

[0003] Diferentes atividades apresentam diferentes consumos de oxigênio e o aumento da intensidade de uma atividade resulta em mais oxigênio sendo consumido. Nesse sentido, o VO2Max se relaciona com o VO2 alcançado quando o consumo de oxigênio permanece em um estado estável, apesar de haver um aumento na carga de esforço.

[0004] Para a atividade de corrida, há duas entradas relevantes para a determinação da intensidade da carga de trabalho: velocidade e frequência cardíaca. O aumento da velocidade também aumenta a frequência cardíaca, como uma resposta do corpo para um determinado estímulo. Dependendo do condicionamento físico do indivíduo, ambos as entradas possuem comportamentos característicos diferentes em tempo e variação. Por exemplo, indivíduos com melhor condicionamento físico terão velocidades mais altas por mais tempo e a frequência cardíaca com menor variação. Além destes, outras entradas importantes são gênero, idade, peso e altura.

[0005] Séries temporais de velocidade e frequência cardíaca com informações sobre o usuário compõem um espaço de alta dimensão onde as regiões mais confiáveis para estimar o VO2Max correto devem ser encontradas.

[0006] O principal desafio nessa tecnologia é ser igualmente eficiente com variados tipos de pessoas (por exemplo, diferentes gêneros, faixas etárias e massas corporais). Portanto, a escolha adequada dos algoritmos é a forma de melhorar essa tecnologia de modo a abranger uma população mais heterogênea.

[0007] Como o consumo máximo de oxigênio se tornou um importante padrão de referência de aptidão cardiorrespiratória, pesquisadores vêm desenvolvendo e registrando estudos de protocolos máximos com o objetivo de melhorar a predição do valor de VO2Max. Esses tipos de protocolos medem, em geral, diretamente as taxas de troca gasosa durante a respiração do indivíduo usando equipamentos de referência e cargas de trabalho de alta intensidade, que é um exame caro e fisicamente exaustivo para os participantes.

[0008] A complexidade das medidas diretas, bem como as excessivas demandas físicas feitas sobre os pacientes, levaram ao desenvolvimento de diversos métodos indiretos de estimativa do VO2Max com base em protocolos submáximos.

[0009] Consequentemente, muitas pesquisas surgiram com o foco na predição do VO2Max a partir de protocolos de exercício submáximo, sendo que estes diferem entre si consideravelmente de acordo com o exercício e estímulo propostos. Alguns trabalhos utilizam diferentes protocolos submáximos como bicicleta ergométrica, dança aeróbica, futsal, esteira, entre outros.

[00010] O uso de diferentes protocolos submáximos pode resultar em valores diferentes do VO2Max, uma vez que cada exercício requer uma quantidade diferente de ativação de massa muscular. Além disso, algumas outras iniciativas tentam estimar o VO2Max usando protocolos que não envolvem exercício. Entretanto, a presente invenção se concentra em estimar VO2Max com base em um exercício de corrida ou caminhada que pode ser feito em uma esteira ou em um ambiente ao ar livre.

[00011] O documento de patente US 20110040193 intitulado "Fitness Test”, publicado em 17 de fevereiro de 2011, por FIRSTBEAT TECHNOLOGIES OY, descreve um método tendo uma etapa de pré-processamento para encontrar "segmentos de confiabilidade", excluindo os de baixa confiabilidade e, em seguida, combinando múltiplos segmentos para realizar uma estimativa ponderada do VO2Max a partir de dados de frequência cardíaca. No entanto, o método apresentado pelo presente pedido utiliza uma etapa de pré-processamento mais simples com base na variância do sinal e requer pouca memória para calcular os dados mais confiáveis. A outra grande diferença é que o método da presente invenção usa um conjunto de aprendizado de máquina para estimar o VO2Max, baseado na detecção de padrões para melhorar o desempenho geral em diferentes demografias. Em resumo, a presente invenção combina uma etapa de pré-processamento mais simples e um estimador mais poderoso, ao mesmo tempo em que é mais aplicável a dispositivos com restrição de memória.

[00012] O documento de patente US 9517028, publicado em 13 de dezembro de 2016, por FIRSTBEAT TECHNOLOGIES OY, descreve um método para calcular o Limiar Anaeróbico (AnT) a partir do sinal de frequência cardíaca. A principal semelhança com a presente invenção diz respeito à seleção de segmentos de frequência cardíaca com "fatores de maior probabilidade" e, em seguida, computar o AnT desses segmentos. AnT tem princípios semelhantes com VO2Max e é uma média para avaliar a intensidade do exercício.

[00013] A principal diferença com o método proposto reside na seleção dos pontos. A patente US 9571028 usa probabilidades máximas tendo como saída variabilidade instantânea dependendo do exercício, sendo que a presente invenção usa variância mínima, tendo como saída um ponto fixo durante um determinado período de dias.

[00014] O artigo "Submaximal Treadmill Exercise Test to Predict VO2Max in Fit Adults", publicado em dezembro de 2017 por P. Vehrs, J. George, G. Fellingham e S. Plowman & K. Dustman-Allen, descreve uma coleção de conjuntos de dados e um método para estimar VO2Max usando regressão linear. No presente pedido, utilizou-se um procedimento semelhante para coletar um conjunto de dados e onde houve um bom ajuste. Um dos modelos usados em nosso conjunto de aprendizado de máquina tem características semelhantes às utilizadas na publicação, mas está adequado ao conjunto de dados do presente pedido. As principais diferenças do presente pedido para a publicação são: a combinação de outros modelos de aprendizado de máquina, um pré-processamento para extrair bons dados e um processamento da saída para combinar previsões do mesmo paciente em múltiplos exercícios ao longo do tempo.

[00015] O artigo "Artificial neural network-based model for predicting VO2Max", publicado em março de 2011, por M. Akay, E. Zayid, E. Aktürk & J. George, propõe um modelo baseado em rede neural artificial para prever o VO2Max a partir de um teste de exercício de esteira submáximo. Embora o presente pedido também use redes neurais artificiais, aqui utiliza-se uma combinação de duas redes neurais, diferentes entradas e critérios para obter informações temporais, e uma arquitetura diferente em termos de número de neurônios e sua ativação.

[00016] Os métodos reais para estimar precisamente o consumo máximo de oxigênio (VO2Max) requerem equipamentos caros, protocolos de exercício exaustivos e supervisão médica. Nesse sentido, propõe-se um método baseado no aprendizado de máquina que estima o VO2Max a partir de exercícios físicos no próprio ritmo do usuário, usando dispositivos vestíveis ou outros dispositivos com restrições de memória, exigindo menos de 5KB de memória para seu funcionamento.

[00017] O consumo máximo de oxigênio é a taxa máxima, na qual o oxigênio pode ser consumido por um indivíduo. Esta taxa está fortemente relacionada com a capacidade do metabolismo aeróbico do corpo humano, indicando a capacidade máxima de sintetizar energia na presença de oxigênio. VO2Max é alcançado por exercícios intensos, de modo que qualquer trabalho adicional após o alcançar só pode ser feito sem o uso de oxigênio, ou seja, por respiração anaeróbia.

[00018] VO2Max é um índice de condicionamento físico comum para atletas. Quanto maior o seu valor, mais condicionado o atleta é. Por outro lado, um baixo valor VO2Max está associado a maior risco de doenças cardiovasculares.

[00019] Os métodos padrão ouro para medir o VO2Max utilizam dispositivos cardiorrespiratórios complexos para adquirir dados de troca de gás. Estes envolvem medidas de absorção de oxigênio na respiração (VO2), expiração de dióxido de carbono (VCO2) e ventilação pulmonar durante uma carga de trabalho física aumentada até o máximo em um estímulo de exercício progressivo. Para medir com precisão o valor VO2Max, o indivíduo deve atender a alguns critérios físicos ao realizar o protocolo máximo. Estes critérios são:

• duração mínima do exercício;
• alcance da frequência cardíaca máxima (com uma tolerância de cerca de 10 batidas por minuto);
• alcance da escala de Borg para esforço muscular ou respiratório acima de 8 (escala de 1 a 10);
• as leituras de VO2 indicando a presença de um platô;
• a razão entre o volume de saída de CO2 e o volume de entrada de O2 (relação de troca respiratória) ser superior a 1,1.

[00020] No entanto, este método de medição de VO2Max é de alto custo e exige esforço físico demasiado, uma vez que o equipamento para medir a troca de gás é muito caro e o protocolo de exercício necessário para chegar ao VO2Max requer um nível de esforço muito maior do que um exercício tradicional.

[00021] Para contornar esse problema, propõe-se um método para obter uma predição razoavelmente precisa do VO2Max usando dispositivos vestíveis muito mais baratos enquanto o indivíduo faz um protocolo de exercícios com menos esforço físico.

SUMÁRIO

[00022] A presente invenção está relacionada aos campos do bem-estar, da saúde e da inteligência artificial. Consiste em uma técnica que prevê o consumo máximo de oxigênio (VO2Max) em sessões de corrida em diferentes ritmos usando dispositivos vestíveis com restrição de memória. O método proposto requer menos de 5KB de memória para ser executado em um dispositivo vestível.

[00023] Especificamente, em vista dos dados de perfil do usuário (idade, gênero, altura e peso), um conjunto de leituras de frequência cardíaca (Heart Rate, HR) e a velocidade de uma sessão de corrida, o método proposto é capaz de estimar o VO2Max.

[00024] Além disso, o método realiza uma filtragem leve de sinais de frequência cardíaca e velocidade usando variância para selecionar os dados mais confiáveis e uma combinação de abordagens leves de aprendizado de máquina, por exemplo, regressão linear e redes neurais artificiais Perceptron multicamadas para detectar padrões a partir desses dados e prever o VO2Max.

[00025] Vale destacar que várias previsões são combinadas ao longo do tempo, dessa forma obtendo uma predição de VO2Max mais confiável visto que mais pontos e regiões são considerados.

[00026] Os modelos de aprendizado de máquina foram treinados usando um conjunto de dados proprietário que permitiu a compreensão das correlações entre as informações de VO2 coletadas por equipamentos profissionais e informações de sensores vestíveis.

[00027] Ademais, esta invenção usa um conjunto de aprendizado de máquina para estimar VO2Max, dependendo da detecção de padrões para melhorar o desempenho geral em diferentes demografias.

[00028] O método pode obter uma predição razoavelmente precisa do VO2Max usando apenas dados e sensores disponíveis na maioria dos smartwatches, como dados de perfil, frequência cardíaca (HR) com base no sensor fotopletismografia (PPG) e velocidade computada usando sensores de acelerômetro ou bibliotecas do Sistema de Posicionamento Global (GPS). Outra vantagem é que o método não requer o esforço máximo de um sujeito, permitindo que o usuário corra no local de sua preferência e no ritmo em que está acostumado a treinar. Além disso, o método usa uma combinação de recursos de baixa memória com abordagens leves de aprendizado de máquina para fazer as previsões, que requerem menos de 5KB de memória e são implementáveis em dispositivos com restrição de memória ou, até mesmo, microcontroladores.

BREVE DESCRIÇÃO DOS DESENHOS

[00029] Os objetivos e vantagens da presente invenção ficarão mais claros através da seguinte descrição detalhada do exemplo e desenhos não limitativos apresentados ao final deste documento.

[00030] A Figura 1 apresenta o fluxograma para estimativa de VO2Max, na qual são apresentadas as entradas das abordagens de aprendizado de máquina e os passos até a exibição do resultado da predição.

[00031] A Figura 2 ilustra um fluxograma em mais detalhes sobre o funcionamento da abordagem proposta.

[00032] A Figura 3 mostra o funcionamento da verificação de características estáveis.

[00033] A Figura 4 apresenta um exemplo da verificação dos valores estáveis.

[00034] A Figura 5 apresenta detalhes da exibição dos resultados do algoritmo ao usuário.

DESCRIÇÃO DETALHADA

[00035] Na Figura 1, apresenta-se uma visão geral do funcionamento do método da presente invenção. Primeiro, são fornecidas as informações do perfil do usuário 101, incluindo idade, gênero, altura e peso. Em segundo lugar, são capturadas duas entradas temporais compostas de leituras de frequência cardíaca e velocidade 102, depois divididas em janelas de tempo de n segundos sem sobreposição, que são processadas por um módulo extrator de características 103. O módulo extrator de características consiste em encontrar pontos na série temporal onde a frequência cardíaca e a velocidade estão mais correlacionadas com o VO2Max.

[00036] Para encontrar esses pontos de maior correlação, são selecionadas regiões onde o sinal de frequência cardíaca e a velocidade se mantiveram mais estáveis.

[00037] Neste sentido, a estabilidade do sinal é calculada utilizando-se um limiar no desvio padrão de M minutos do sinal amostrado a 1 Hz. Enquanto o desvio padrão do sinal for menor que o limiar, essa região é classificada como estável.

[00038] Para cada região estável, o ponto com menor desvio padrão é selecionado, e é utilizada a janela que o contém para calcular a média da frequência cardíaca e a velocidade como características. Finalmente, os dados do perfil são concatenados a estas médias como vetores de características 104.

[00039] Estes vetores de características são usados como entrada para um conjunto de modelos de aprendizado de máquina 105, como regressão linear e redes neurais artificiais Perceptron de multicamadas (MLP). Enquanto o usuário está correndo, cada valor previsto do conjunto é adicionado a um vetor de predição 106.

[00040] Com base em algumas regras, como tempo mínimo para mostrar o VO2Max ao usuário, um módulo de fusão de predição 107 usa uma soma ponderada no vetor de predição e fornece uma nova predição de VO2Max 108 a ser mostrada no dispositivo vestível do usuário 109.

[00041] Com as informações sobre VO2Max no dispositivo vestível, o usuário pode monitorar seu status de condicionamento físico, melhorias e possíveis adaptações em seu treinamento.

[00042] Na Figura 2, o funcionamento do método proposto é ilustrado em mais detalhes. A última predição mostrada ao usuário 201, quando disponível, é fornecida ao método de inicialização 204. Seu valor, bem como o coeficiente adotado e o timestamp de quando o último exercício foi realizado são utilizados no módulo de fusão 107, representado pelo módulo de média ponderada 210. Os dados de perfil do usuário 202, compostos por idade, gênero, altura e peso são exigidos na inicialização 204, onde são realizados cálculos preliminares, como a inicialização de entradas para regressores (207, 209) da rede neural artificial Perceptron multicamada (MLP) e a computação do termo independente da função do regressor linear (206).

[00043] Ademais, os dados do perfil (por exemplo, idade, gênero, altura e peso) são constantes no lote de dados que é usado como informação de exercício. No entanto, à medida que os dados do sensor variam ao longo do exercício, os dados temporais (203), como a frequência cardíaca (HR) e a velocidade são amostrados a 1 Hz e divididos em janelas de n-segundos.

[00044] Além disso, algumas restrições são definidas para verificar os valores mínimos e máximos esperados para a frequência cardíaca e a velocidade em uma sessão em execução, evitando-se assim cálculos equivocados provenientes de um erro de leitura dos sensores. Ainda, a verificação 205 é realizada, pois os valores estão sujeitos ao ruído nas etapas de aquecimento e recuperação do exercício, causando uma variação nesses valores que pode não corresponder ao estado físico geral do usuário.

[00045] Mesmo se a frequência cardíaca não estiver estável, o método aguarda os dados temporais da próxima janela de n-segundos.

[00046] Quando um intervalo estável é encontrado, é estimado seu ponto mais estável e ao chegar no final deste intervalo uma sinalização para fazer a predição é definida e, em seguida, um conjunto de preditores são executados, como por exemplo (mas não limitado a eles) a regressão linear 206 e o primeiro MLP.

[00047] A fim de reduzir o consumo de memória e calcular o desvio médio e padrão da série temporal, em vez de armazenar M minutos do sinal amostrado a 1Hz apenas a soma do sinal e a soma do sinal ao quadrado são utilizados.

[00048] Por exemplo, considerando que cada janela de dados temporais tem N segundos, a média móvel XA→A+M que é a média do sinal temporal com uma janela deslizante de M segundos com um passo de N segundos começando no segundo A pode ser calculada usando a seguinte equação:
XA→A+M=XA→A+N-1+XA+N→A+2N-1+XA+2N→A+3N-1+...+XA+M+1→A+M em que a média da série temporal do ponto X até o ponto Y é definida como:

[00049] Utilizando essa representação, a média móvel apenas armazenando M/N variáveis também é calculada.

[00050] Para calcular o desvio padrão, a seguinte equação é expandida:

[00051] Em seguida, para calcular o desvio padrão do sinal temporal com uma janela deslizante de M segundos com um passo de N segundos começando no segundo A, a seguinte equação é usada:

em que
χ2Α→Α+Μ = χ2A→A+N-l + χ2A+Ν→A+2Ν-1 + χ2Α+2Ν→Α+3Ν-1 +...+ x2A+M-N+1→A+M
e a média da série temporal quadrada do ponto X até o ponto Y x2x→Y é definida como

[00052] Usando esta representação podemos calcular o desvio padrão móvel apenas armazenando 2*M/N variáveis, onde M/ N veio de x2A→A+M e M/N de xA→A+M.

[00053] A regressão linear (206) é proposta com base em um processo de engenharia de características para selecionar as entradas levando em conta as compensações entre restrições de desempenho e memória e uma abordagem de validação cruzada para definir o coeficiente para cada entrada.

[00054] Dentre as entradas avaliadas, as características estendidas e algumas combinações delas, as seguintes seis entradas foram utilizadas para o regressor linear: frequência cardíaca, velocidade, idade, gênero, peso e a razão entre HR e velocidade (HR/S). A relação entre HR e a velocidade permite contemplar a relação entre estímulo (velocidade) e resposta (HR) em diferentes momentos do exercício, que junto com a filtragem do método de estabilização traz mais confiança e robustez na predição.

[00055] Depois de selecionar as entradas para a regressão linear, treina-se um modelo linear de mínimos quadrados. O conjunto de treinamento é dividido em um novo subconjunto de treino e validação, e um modelo linear com coeficientes para cada entrada é montado de modo a minimizar a soma residual de quadrados entre o gabarito do VO2Max do conjunto de validação e os valores previstos pela aproximação linear. A melhor aproximação foi encontrada utilizando-se um regressor que utilizou um subconjunto de entradas selecionadas (idade, gênero, velocidade, peso e frequência cardíaca), e retreinando o conjunto de dados de acordo com as novas entradas (por exemplo, frequência cardíaca/velocidade). Assim, a predição da regressão linear na presente invenção é obtida pela seguinte equação:
V02Max = n0 + (n1 * G) + (n2 * S) — (n3 * W) — (n4 * HR) — (n5 * A) + (n6* HR/S)
onde VO2Max está em ml/min/Kg, G refere-se ao gênero (0=feminino e 1=masculino), S refere-se à velocidade em Km/h, W refere-se ao peso em Kg, a HR refere-se à frequência cardíaca em batidas por minuto e A refere-se à idade em anos, e n0 ao n6 se referem a valores constantes utilizados para o ajuste (coeficientes da regressão linear).

[00056] A rede neural artificial Perceptron multicamada (MLP) 207 funciona como um modelo de regressão não linear e melhora os resultados, uma vez que a relação entre VO2Max e as características de entrada não são lineares. Devido às restrições de memória, o número de camadas ocultas e neurônios a serem utilizados é muito limitado, consequentemente reduzindo a capacidade do MLP de aproximar funções mais complexas.

[00057] Para lidar com essa limitação, utiliza-se uma abordagem hierárquica simples de redes neurais, combinando dois MLPs, em que cada MLP tem uma camada oculta.

[00058] Cada MLP foi treinado em um conjunto específico de participantes com diferentes faixas de VO2Max, a fim de simplificar a função de mapeamento que o MLP precisa para aproximar, enquanto ajuda a evitar o excesso de adaptação.

[00059] Assim, uma estratégia para fazer uma predição é definida com um primeiro MLP e baseada em uma verificação do valor previsto em relação a um limiar predefinido τ (208) . Portanto, uma nova predição com um segundo MLP (209) é feita para refinar a estimativa somente quando necessário. As entradas para ambos os MLP são idade, gênero, altura, peso, HR e velocidade.

[00060] Devido a um comportamento intrínseco do sistema cardiovascular humano, dependendo das condições ambientais e psicológicas, alterações podem ser registradas nas leituras dos sensores dos dispositivos vestíveis provocando alterações nos níveis de frequência cardíaca mesmo diante de uma velocidade constante. Isso pode se tornar um problema, uma vez que a resposta da HR à velocidade pode ser influenciada por fatores externos em algumas situações no conjunto de dados coletados para a presente invenção, e tendo em vista que apenas um dado de teste submáximo foi capturado para cada indivíduo no treinamento, podendo levar a um dado de valor atípico.

[00061] Para lidar com esse problema, milhares de modelos são treinados removendo uma porcentagem aleatória de participantes do conjunto de treinamento em cada tentativa e procurando escolher o modelo que melhor se encaixa no conjunto de dados de validação.

[00062] O primeiro MLP da arquitetura final, usada como exemplo na presente invenção, consiste em uma camada oculta com dois neurônios que foi treinado com sujeitos que têm VO2Max menor que τ + tolerância. Se a predição de VO2Max do primeiro MLP for maior que T, a predição é dada por um segundo MLP contendo uma camada oculta com quatro neurônios e treinada com participantes que possuem VO2Max maior que τ=tolerâcia.

[00063] A solução proposta na inovação permite previsões com outros modelos de aprendizado de máquina, mas devido às restrições de memória, apenas a combinação utilizando a regressão linear e o MLP é apresentada.

[00064] Com as previsões de cada modelo de aprendizagem de máquina e a predição de exercícios anteriores (quando disponíveis), é realizada uma média ponderada 210 para fundir as previsões.

[00065] Primeiro, a predição da regressão linear e do MLP são combinadas para cada região estável de n-segundos, em que a média de suas previsões é feita da seguinte forma:

onde V02Maxτ' é a predição fundida para a janela τ, V02MaxLR é a predição da regressão linear e V02MaxMLP é a predição do MLP.

[00066] Depois disso, um pesoT relacionado com a confiança desta região é alcançada com base no percentual de frequência cardíaca máxima teórica (pHR) da seguinte forma:

onde HR é a média das leituras da frequência cardíaca em uma janela de n-segundos e o denominador é uma estimativa da frequência cardíaca máxima de acordo com a idade.

[00067] O uso de um parâmetro base para atribuir pesos a cada predição se baseia em uma análise de correlação de algumas características em relação ao erro do algoritmo; valores mais elevados de pHR apresentaram uma correlação com um erro menor.

[00068] Em uma concretização preferencial do presente pedido, o valor atribuído ao pesoT é apresentado na Tabela 1 de acordo com o pHR.

[00069] Por fim, é realizada uma soma ponderada V02Maxτ' com previsões anteriores do VO2Max. A última predição mostrada ao usuário (201), quando disponível, tem seu peso reduzido de acordo com o tempo que a pessoa está sem se exercitar. Este fator de redução é linear de acordo com o número de dias desde o último registro de predição. Após 30 dias sem se exercitar, o valor cai para zero. A cada nova sessão de corrida, a somatória dos pesos é reajustada com decaimento temporal da seguinte forma:

[00070] Assim, a soma ponderada para obter a saída de VO2Max por tempo (211) é:

onde pesoτ é o peso computado para a região estável atual, pesoτ_1' é o peso acumulado até a região estável anterior, V02Max'τ é a predição atual, e VO2Maxτ_1 é a última predição computada.

[00071] É importante mencionar que para a próxima região estável, V02Maxτ vai se transformar em VOzMaxτ-1. O novo valor de pesoτ' será a soma de pesoτ_1'e pesoτ. A fim de evitar que o valor do peso aumente muito impedindo que novas previsões tenham efeito, o mínimo entre a soma de todos os pesos e PesoMax é aplicado. A equação para atualizar pesoτ' passa a ser a seguinte:
pesoτ' = min (peso'τ+pesoτ, PesoMax)
onde peso'τ_1 é o peso acumulado até a região estável anterior e pesoτ é o peso adotado para a última computação de VO2Max.

[00072] A Figura 3 fornece detalhes adicionais sobre a verificação dos valores estáveis. Uma sinalização é usada para indicar quando uma região estável começa e termina e, em seguida, armazena os valores médios de HR e velocidade com menor desvio padrão para esta região.

[00073] Regiões estáveis são regiões onde a HR não varia muito por um tempo pré-determinado, composto por um conjunto de W janelas de n-segundos. Assim, a entrada para a verificação são os dados de HR (301) com o desvio padrão entre as últimas W janelas de tempo.

[00074] Primeiro, o desvio padrão é comparado com um limiar pré-definido β (302). Se o desvio padrão for menor que β, a sinalização é definida como estável se ela ainda não estiver definida (303), e é verificado se este é o menor desvio padrão para esta região (304).

[00075] No caso afirmativo, os valores atuais de HR e velocidade (305) a serem utilizados na próxima predição (306) são armazenados. Por outro lado, se o desvio padrão for maior que β (302), verifica-se o status da variável de sinalização de estabilidade e, se não estiver definida, aguardam-se pelos próximos dados de HR. Se a variável estável estiver habilitada, faz-se a predição (306) e a sinalização é redefinida, indicando o fim da região estável atual.

[00076] Em resumo, uma vez que o desvio padrão da HR é inferior ao limiar β, uma região estável é iniciada. O fim desta região estável ocorre quando o desvio padrão da HR se torna maior do que o limiar. Dentro da região estável, o método armazena a HR e a velocidade do instante que possuem o menor desvio padrão, que será usado para fazer a predição. A predição é feita quando a região estável termina. Portanto, o método fornece o mesmo número de previsões que o número de regiões estáveis. O principal benefício do algoritmo de estabilidade para extrair características é manter uma boa qualidade de predição ao usar menos ciclos (em vez de executar o tempo todo), resultando em menor consumo de energia.

[00077] Na Figura 4, pode ser visto um gráfico de exemplo contendo cinco regiões estáveis durante um exercício, destacando o início e o término de cada região, bem como o ponto mais estável.

[00078] Adicionalmente, uma vez que o VO2Max é um parâmetro que tem uma baixa variância em um curto intervalo de tempo, se o algoritmo calcular previsões que variam amplamente, a confiança do resultado diminuirá. Esse comportamento indesejável pode ocorrer não por causa de um erro de algoritmo, mas por causa de um comportamento intrínseco do coração que, para diferentes condições ambientais (por exemplo, temperatura, clima, estresse, descida) pode apresentar oscilações nas leituras (com os sensores disponíveis), e assim podem mudar o valor no qual os batimentos cardíacos se estabilizarão dada uma velocidade constante.

[00079] Nesse sentido, o algoritmo precisa de algum tempo para obter um resultado estatisticamente preciso e estável quando em um ambiente não controlado, e isso significa que quando o usuário corre nas primeiras vezes, as entradas podem computar predições que variam amplamente.

[00080] Para resolver esse problema de variação, propõe-se um método que apresente ao usuário uma função mais suave do valor previsto.

[00081] Considere que as etapas apresentadas na Figura 2 estão contidas no bloco (501) representado na Figura 5. Para cada nova região estável 'k', têm-se uma predição associada P(k) (502), e para cada sessão de corrida 'x', tem-se um valor associado apresentado ao usuário U(x) (503). Para definir como o valor apresentado ao usuário é atualizado, a sessão de corrida 'x+1' tem 'n' regiões estáveis. Assim, para melhorar a experiência do usuário, o valor que está sendo mostrado ao usuário U(x+1) (504) é atualizado em função do último valor de usuário U(x) (503) e a última predição do algoritmo P(k+n) (501):
dU = f(U(x),P(k +n))
U(x + 1) = dU + U(x)
onde a função f é definida como uma função que obedeça a seguinte relação:
|f(U(x),P(k+n)|≤|P(k+n)-U(x)|;e

[00082] Um exemplo simples de f pode ser :

[00083] Assim, se torna possível controlar a variância máxima entre previsões consecutivas de VO2Max mostradas ao usuário.

[00084] Adicionalmente, a presente invenção inclui pelo menos um exemplo das inúmeras possibilidades de combinação de técnicas de aprendizado de máquina que podem ser implementadas como módulo de inteligência artificial (AI). Uma função associada com AI pode ser realizada por meio da memória não volátil, da memória volátil e do processador.

[00085] A presente invenção pode incluir um processador ou uma pluralidade de processadores. Neste sentido, um ou uma pluralidade de processadores pode ser um processador de uso geral, como uma unidade de processamento central (CPU), um processador de aplicativo (AP), uma unidade de processamento apenas gráfico, como uma unidade de processamento gráfico (GPU), uma unidade de processamento visual (VPU) e / ou um processador dedicado de AI, como uma unidade de processamento neural (NPU).

[00086] Ademais, os processadores controlam o processamento dos dados de entrada de acordo com uma regra de operação predefinida ou por um modelo de inteligência artificial (AI) armazenado na memória não volátil e/ou na memória volátil. A regra de operação predefinida ou modelo de inteligência artificial são fornecidos por meio de treinamento ou aprendizagem.

[00087] Neste caso, ser fornecido por meio de aprendizagem significa que, ao aplicar um algoritmo de aprendizagem a uma pluralidade de dados de aprendizagem, uma regra de operação predefinida ou modelo AI de uma característica desejada são realizados. A aprendizagem pode ser realizada em um próprio dispositivo no qual a inteligência artificial é realizada e/ou pode ser implementado por meio de um servidor/sistema separado.

[00088] O modelo de AI pode consistir em uma pluralidade de camadas de rede neural, em que cada camada apresenta uma pluralidade de valores de peso e executa uma operação de camada por meio de cálculos de uma camada anterior e de uma operação usando uma pluralidade de pesos. Exemplos de redes neurais incluem, mas não estão limitados a rede neural convolucional (CNN), rede neural profunda (DNN), rede neural recorrente (RNN), máquina de Boltzmann restrita (RBM), rede de crença profunda (DBN), rede neural bidirecional recorrente profunda (BRDNN), redes adversárias geradoras (GAN) e redes Q profundas.

[00089] O algoritmo de aprendizagem é uma técnica para treinar um dispositivo alvo predeterminado (por exemplo, um robô) usando uma pluralidade de dados de aprendizagem para causar, permitir ou controlar o dispositivo alvo para fazer uma determinação ou predição. Exemplos de algoritmos de aprendizagem incluem, mas não estão limitados à aprendizagem supervisionada, aprendizagem não supervisionada, aprendizagem semi-supervisionada ou aprendizagem por reforço.

[00090] Embora a presente invenção tenha sido descrita em conexão com certas concretizações preferenciais, deve-se entender que não se destina a limitar a divulgação a essas concretizações particulares. Em vez disso, pretende-se cobrir todas as alternativas, modificações e equivalentes possíveis dentro do espírito e escopo da invenção, conforme definido pelas reivindicações anexas.

Claims

Método para predição do consumo máximo de oxigênio em dispositivos vestíveis, compreendendo as etapas de:
receber informações de perfil de usuário (101);
capturar as entradas temporais, sendo estas as leituras da frequência cardíaca e da velocidade (102);
separar as entradas temporais em janelas de tempo de n segundos;
realizar o processamento dessas entradas pelo módulo extrator de características (103), caraterizado pelo fato de que compreende:
identificar pontos onde o sinal da frequência cardíaca e velocidade estão estáveis, em que a estabilidade do sinal é calculada pelo uso de um limite no desvio padrão do sinal amostrado a 1 Hz;
calcular o desvio padrão do sinal temporal com uma a média móvel xA→A+M , que é a média do sinal temporal com uma janela deslizante de M segundos com um passo de N segundos;
calcular a média móvel apenas armazenando M/N variáveis;
calcular o desvio padrão do sinal temporal com uma janela deslizante de M segundos com um passo de N segundos começando no segundo A;
calcular o desvio padrão móvel armazenando 2*M/N variáveis;
fazer uma predição a partir da combinação de duas ou mais redes neurais artificiais Perceptron multicamada (MLP), com cada MLP contendo uma camada oculta, em que esta predição é baseada em uma verificação do valor previsto em relação a um limiar predefinido τ de acordo com a faixa de valores de tolerância para cada MLP;
combinar a predição da regressão linear e do MLP para cada região estável de n-segundos, em que:
onde V02Maxτ' é a predição fundida para a janela τ, V02MaxLR é a predição da regressão linear e V02MaxMLP é a predição do MLP;
calcular o percentual de frequência cardíaca máxima teórica (pHR) :
onde HR é a média das leituras da frequência cardíaca em uma janela de n-segundos e o denominador é uma estimativa da frequência cardíaca máxima de acordo com a idade;
atribuir um pesoτ de acordo com o percentual de frequência cardíaca máxima teórica (pHR) ;
em que novo peso para a última predição mostrada ao usuário é:
realizar uma soma ponderada V02Maxτ' com previsões anteriores do VO2Max para obter a saída de VO2Max por tempo (211):
onde pesoτ é o coeficiente computado para a região estável atual, pesoτ_1 é o coeficiente acumulado até a região estável anterior, VOzMax'τ é a predição atual, e VO2Maxτ-1 é a última predição computada.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que as informações de perfil de usuário incluem idade, gênero, altura e peso.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que as duas entradas temporais compostas de leituras de frequência cardíaca e velocidade 102 são divididas em janelas de tempo de n segundos sem sobreposição.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de aguardar os dados temporais da próxima janela de n-segundos quando os sinais de frequência cardíaca e velocidade estiverem instáveis (desvio padrão acima do limiar pré-definido).
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que realizar a predição de consumo máximo de oxigênio (VO2Max), obedece a seguinte relação:
V02Max = n0 + (n1 * G) + (n2 * 5) — (n3 * W) — (n4 * HR) — (n5 * A) + (n6 * HR/S)
onde VO2Max é uma grandeza em ml/min/Kg, G refere-se ao sexo (0=feminino e 1=masculino), S refere-se à velocidade em Km/h, W refere-se ao peso em Kg, HR refere-se à frequência cardíaca em batidas por minuto, A refere-se à idade em anos e n0 ao n6 se referem a valores constantes utilizados para o ajuste.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o primeiro MLP consiste em uma camada oculta com dois neurônios que foi treinado com indivíduos que têm VO2Max menor que τ + tolerância.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que se o resultado do primeiro MLP for maior que τ, a predição é dada por um segundo MLP.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o segundo MLP consiste em uma camada oculta com dois neurônios que foi treinado com sujeitos que têm VO2Max maior que τ + tolerância.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que atualizar o valor do pesoτ' considera o mínimo entre a soma do peso acumulado somado ao peso adotado para a última computação e o PesoMax:
pesoτ' = min (pesoτ'-1 + pesoτ,PesoMax)
onde peso'τ_± é o peso acumulado até a região estável anterior e pesoτ é o peso adotado para a última computação de VO2Max.
Método, de acordo com a reivindicação 1, caracterizado pelo fato de que valor exibido ao usuário U(x+1) (504) é atualizado em função do último valor exibido ao usuário U(x) (503) e a última predição do algoritmo P(k+n) (501), em que:
dU = f(u(x),P(k +n))
U(x + 1) = dU + U(x)
onde a função f é definida como uma função que obedeça às seguintes relações:
|f(U(x),P(k + n))| ≤ |P(k + n) - U(x)|; e