Firstbeat-Energieaufwandsalgorithmus

Ich suche eine Implementierung (oder ein Dokument, das den eigentlichen Algorithmus beschreibt) für die Berechnung des Energieverbrauchs/VO2/EPOC aus der Herzfrequenzvariabilität.

Ein paar Whitepapers über

  • Schätzung des Sauerstoffverbrauchs
  • Schätzung des Energieverbrauchs
  • EPOC (Übermäßiger Sauerstoffverbrauch nach dem Training)
  • Trainingseffekt
  • Erholungsanalyse des Athleten

kann hier heruntergeladen werden .

Laut Garmins Webseite ist der Fehler etwa 50 % kleiner als bei der generischen Methode.

Während diese faszinierend zu lesen sind, sagen sie uns nicht viel darüber aus, wie diese Werte tatsächlich aus Herzfrequenzdaten berechnet werden. Alles, was es sagt:

Neuronale Netze wurden verwendet, um ein Modell zu konstruieren, das VO2 aus RR-Intervallen (Zeit zwischen aufeinanderfolgenden Herzschlägen) ableitet, unter Verwendung von Atemfrequenz und On/Off-Antwortinformationen.

Auch wenn die normalen Pulsuhren die Daten nicht zur Verfügung stellen, gibt es billige Empfänger für Polar und ANT+, die eine Beat-by-Beat-Überwachung ermöglichen, wie dieser hier www.sparkfun.com/products/8661 (für Polar) oder http: //www.abra-electronics.com/products/WRL%252d08840-Nordic-USB-ANT-Stick.html (für Ant+) https://code.google.com/p/hrvtracker/ (Programm)

Die herkömmliche Schätzung des Kalorienverbrauchs als Funktion der Herzfrequenz finden Sie in diesem Artikel: Vorhersage des Energieverbrauchs durch Herzfrequenzüberwachung während submaximalem Training .

Da sie neuronale Netze als Haupttechnologiekomponente verwenden, könnte es schwierig sein, die Abbildung wissenschaftlich zu erklären (siehe „Nachteile“ in en.wikipedia.org/wiki/Artificial_neural_network ) .
Zugegeben, NNs sind unvorhersehbar. Entweder sie funktionieren oder nicht, aber zu erklären, warum das so ist, ist eine andere Geschichte.
Ich habe einen Link zu dieser Frage an einen der Mitarbeiter von Firstbeat geschickt, wir werden sehen, ob sie antworten :-) Ich persönlich benutze Firstbeat Athlete jetzt seit fast 4 Jahren und bin sehr zufrieden mit dem System.
Ich fand die These eines der Firstbeat-Leute jyx.jyu.fi/dspace/bitstream/handle/123456789/13267/…
Gleichung (106) ergibt die relative VO2 als Funktion der relativen Herzfrequenz aus einem Anfall. pVO2 = 1,459*(pHR)*2 - 0,49*pHR+0,04. Es ist schwierig nachzuvollziehen, was das EPOC-Modell mit all den versteckten Parametern wirklich macht. Ich glaube nicht, dass sie ein lernendes NN in einer Uhr verwenden. Nach einem kurzen Blick auf die These sieht es so aus, als würden sie sie als Black-Box-Funktion für einen Fit verwenden. Vielleicht kann jemand mit mehr Wissen über NNs etwas dazu sagen.
Nach dem Lesen seiner These scheinen sie Sigmoid-/Logistikeinheiten zu verwenden, die nicht linear sind. Allerdings nutzt er das neuronale Netz, um die Atemfrequenz aus der Herzfrequenz-Zeitreihe zu extrahieren. Das heißt, sie haben damit nicht direkt die lineare Regressionsformel erstellt, sondern sie als Grundlage für das Modell verwendet, auf dem die lineare Regression basiert. Könntest du vielleicht erklären, was dein Ziel wirklich wäre? Wahrscheinlich müssen Sie sich nicht um die gleiche Datenverarbeitung kümmern, wenn Sie Zugriff auf bereinigte Herzfrequenzdaten haben, Sie könnten einfach die Formel verwenden, die Sie gefunden haben.
Ich möchte ein allgemeines Verständnis für die Algorithmen und ihre Grenzen bekommen. Ich lese immer noch Saalastis These, es scheint, dass er ein NN verwendet und es mit den Daten trainiert, was ein Modell ergibt, das nicht leicht zu verstehen und ohne den ursprünglichen Datensatz nicht zu reproduzieren ist. Zum Beispiel sagt er über EPOC nur EPOC=f(EPOC_{t-1}, Intensität, Dt) (107), was wirklich vor sich geht, ist im Modell verborgen. Ich suche algorithmische Beschreibungen zusammen mit empirisch ermittelten Werten, um Dinge wie Trainingseffekt, EPOC etc. selbst zu berechnen.
@ChrisS Dies ist kein Grund, eine Frage zu schließen. Wenn das OP die Frage verschoben haben möchte, sollte es seine Entscheidung sein. Es ist nichts falsch daran, die Frage hier zu belassen.
@Informaficker Es wird eher darüber abgestimmt als über seine Entscheidung
@ChrisS In diesem Fall sollte es seine Entscheidung sein, da die Frage auf beiden Seiten Thema ist. Dass eine Frage auf einer anderen Seite bessere Antworten erhalten könnte , sollte kein Grund sein, sie dorthin zu migrieren.
@Informafcker Es ist mir so oder so egal, aber der Op hat möglicherweise mehr Chancen auf eine Antwort auf CS
Ich habe die Frage hier gepostet, weil ich an einem Algorithmus interessiert bin, den ich auf meinen eigenen HR-Daten ausführen kann. Das NN ist nichts anderes als eine Blackbox, die nach dem Training mit einem riesigen Datensatz eine mehr oder weniger nicht verifizierbare und möglicherweise instabile Ausgabe liefert. Da ich keinen Zugriff auf diesen Trainingsdatensatz habe, ist das Verständnis des NN für mich nicht sehr nützlich. Ich interessiere mich mehr für das physiologische Modell + verwendbaren Algorithmus, der nur von wenigen Koeffizienten abhängt. Es ist auch einfacher, die Grenzen eines solchen Modells zu verstehen.
Ich habe dieses Papier gefunden: Kann HRV verwendet werden, um die Trainingsbelastung bei konstanter Belastung zu bewerten. ( link.springer.com/content/pdf/10.1007%2Fs00421-009-1240-1 ) eine objektive Bewertung von TL unter Schweißbedingungen. Die Erholung der ersten 2 Minuten scheint genügend Informationen über die HRV-Erholung zu geben, um TL zu bewerten." Sie verwenden kein neuronales Netz. Aber Kurzzeit-Fourier-Transformation mit Matlab-Software mit Daten vom Suunto t6 Armbandcomputer.
verwandt: [So berechnen Sie den Kalorienverbrauch beim Laufen](So berechnen Sie den Kalorienverbrauch beim Laufen)

Antworten (2)

Ich habe gerade angefangen, mich damit zu befassen, da es sich um die am meisten positiv bewertete und unbeantwortete Frage von Fitness.SE handelt.

Dabei bin ich auf zwei Artikel gestoßen:

  1. Auf dem Weg zur VO2-Überwachung: Validierung eines herzfrequenzbasierten Algorithmus
  2. Sofortiges VO2 von einem tragbaren Gerät

Beide scheinen eher auf einen tatsächlichen Algorithmus als auf ein neuronales Netzwerk zur Berechnung der VO2 aus der Herzfrequenz hinzudeuten. Leider sind beide hinter Paywalls. Glücklicherweise denke ich, dass ich über meine Universität Zugang zum ersten (IEEE) erhalten kann. Ich muss mich zu einem späteren Zeitpunkt wieder melden.

Auf dem Weg zur VO2-Überwachung: Validierung eines herzfrequenzbasierten Algorithmus

Im Jahr 2005 schlug Firstbeat Technologies eine VO2-Schätzung basierend auf den RR-Intervallen anstelle der HR vor (5). Neuere Studien suchten weiter nach neuen Verbesserungen (6), aber die Frage, wie man die VO2 basierend auf der HF genau schätzen und gleichzeitig eine individuelle Laborkalibrierung vermeiden kann, ist noch offen. In diesem Artikel schlagen wir einen neuen Algorithmus zur Schätzung der VO2 während einer Geh-/Lauftrainingseinheit vor.

Fitness.SE unterstützt MathJax nicht, daher wird dies chaotisch, aber der Artikel befasst sich mit der Berechnung von VO2 in drei nicht einfachen Schritten. Erstens schätzt es Ihren VO2max anhand der Formel:

VO2max = 56,363 + 1,921*NPAC – 0,831*Alter – 0,754*BMI + 10,978*Geschlecht;
wobei NPAC für NASA Physical Activity Class steht, BMI ist in kg/m^2, Geschlecht = 0 wenn weiblich, 1 wenn männlich.

Die Ausführung beginnt, sobald der Aktivitätsklassifikator eine Geh- oder Laufaktivität erkennt. Der Kernalgorithmus ist als Zustandsmaschine strukturiert. In jedem Zustand wird eine Schätzung der normalisierten Sauerstoffaufnahme pVO2 = VO2/VO2max aus der normalisierten Herzfrequenz pHR = HR/HRmax bereitgestellt. Genauer gesagt zum Zeitpunkt i, der Transformation

pVO2(i) = f_k(pHR(i))

angewendet, wobei f_k eines von zwei folgenden Modellen ist. Die erste verwendet die verbesserte Formel von Saalasti (2) und die zweite (mit dem Namen Accelerating) ist eine neue Polynomregression, die unter Verwendung des Trainingsdatensatzes über die Zeiträume mit zunehmender Herzfrequenz berechnet wird.

Dieser neue Algorithmus ist derjenige, den das Papier vorschlägt. Der ursprüngliche Saalasti-Algorithmus basiert auf dem neuronalen Netzwerk. Auf das betreffende Saalasti-Papier wird unten verwiesen.

Im letzten Schritt wird die VO2 geschätzt, indem die resultierende pVO2 mit der VO2max des Probanden multipliziert wird:

VO2 = pVO2 * VO2max

(2) S. Saalasti, „Neural Networks for Heart Rate Time Series Analysis“, 2003.

Obwohl ich den Algorithmus nicht habe, habe ich eine ziemlich anständige Bibliothek mit .sdf-Dateien von Übungen. Daraus könnte mit ziemlicher Sicherheit jemand etwas zurückentwickeln, das dem Energieverbrauchsmodell sehr nahe kommt. Ich habe den starken Verdacht, dass es sich hauptsächlich um eine exponentielle Glättung handelt.

Firstbeat-Energieaufwandsalgorithmus
AntwortenHierDatenschutz-Bestimmungen1y, 0v