Классификация физических упражнений для дошкольников: Физическая культура в ДОУ | Презентация по физкультуре по теме:

Поступило 26.06.2020; Принято 4 августа 2020 г.

Abstract

Модели классификации деятельности машинного обучения (ML), обученные на лабораторных испытаниях, демонстрируют низкую точность в условиях свободной жизни.Обучение новых моделей на свободных данных акселерометра, уменьшение количества окон прогноза, состоящих из нескольких типов активности, за счет использования более коротких окон, включая временные особенности, такие как стандартное отклонение в окнах запаздывания и опережения, а также использование нескольких датчиков может повысить точность классификации в условиях бесплатного использования. -условия жизни. Целью данного исследования было оценить точность моделей классификации активности случайного леса (RF) для детей дошкольного возраста, обученных на данных акселерометра в свободном доступе.Тридцать один ребенок (средний возраст = 4,0 ± 0,9 года) завершил 20-минутный сеанс свободной игры с акселерометром на правом бедре и недоминантном запястье. Прямое видеонаблюдение было использовано для разделения двигательного поведения детей на пять классов активности. Модели были обучены с использованием окон прогноза 1, 5, 10 и 15 с, с временными характеристиками и без них. Модели оценивались с использованием перекрестной проверки по принципу «оставить один-субъект-исключить». Показатели F улучшились при увеличении размера окна с 1 до 15 с (62.6% –86,4%), с минимальными улучшениями, превышающими 10-секундные окна. Включение временных характеристик повысило точность, в основном для моделей классификации запястья, в среднем на 6,2 процентных пункта. Модели классификации бедра и комбинированного бедра и запястья обеспечивали сопоставимую точность; однако обе модели превзошли модели, обученные на данных запястья, на 7,9–8,2 процентных пункта. Модели классификации радиочастотной активности, обученные с использованием данных акселерометра в свободном доступе, обеспечивают точное распознавание двигательного поведения маленьких детей в реальных условиях.

Ключевые слова: физическая активность, акселерометр, измерение, контролируемое обучение, классификация, оценка, раннее детство

1. Введение

Детское ожирение продолжает оставаться серьезной проблемой глобального общественного здравоохранения. В 2016 году более 41 миллиона детей в возрасте от 0 до 5 лет имели избыточный вес или страдали ожирением [1]. Вызывает беспокойство высокая распространенность избыточного веса и ожирения среди детей младшего возраста. Дети дошкольного возраста с избыточной массой тела или ожирением подвергаются повышенному риску развития диабета 2 типа, сердечно-сосудистых заболеваний и проблем с психическим здоровьем по мере того, как они достигают подросткового возраста и становятся взрослыми [2,3].Детское ожирение является основной причиной затрат на здравоохранение на протяжении всех десятилетий жизни, при этом бремя расходов на здравоохранение у взрослых с историей детского ожирения в 3-5 раз выше [4].

Отсутствие физической активности является изменяемым фактором риска, который способствует увеличению распространенности избыточной массы тела и ожирения, наблюдаемых у детей младшего возраста [5,6]. Следовательно, органы общественного здравоохранения определили дошкольный период как критический период для вмешательства и поощрения регулярной физической активности [7,8,9].Точное измерение физической активности необходимо для выявления и понимания индивидуальных, экологических и социокультурных детерминант физической активности, а также для оценки эффективности программ вмешательства в области физической активности. Из-за своего ненавязчивого размера, надежности и низкой стоимости датчики движения на основе акселерометра стали предпочтительным методом измерения физической активности в исследованиях с участием детей дошкольного возраста [10].

Традиционно для классификации интенсивности физической активности и оценки времени, проведенного малоподвижным образом, а также при легкой, средней и высокой физической активности, использовались методы пороговых значений.При таком подходе связь между измеренным расходом энергии и счетчиками акселерометра устанавливается с использованием линейной регрессии и пороговых значений или «точек отсечения», обозначающих разделительную линию между малоподвижным и легким (1,5 метаболических эквивалента (МЭТ)), светом и светом. умеренная (3–4 МЕТ) и умеренно-высокая физическая активность (6 МЕТ). Другим распространенным подходом к точке отсечения является использование кривых рабочих характеристик приемника (ROC) для определения порога подсчета, который обеспечивает оптимальное сочетание чувствительности и специфичности для различения смежных уровней интенсивности физической активности [11,12].Тем не менее, было показано, что методы пороговой оценки имеют высокий уровень ошибочной классификации среди детей. Валидационные исследования с участием независимых выборок детей показывают, что подходы к пороговым значениям неверно классифицируют истинную интенсивность физической активности в 35–45% случаев [13,14,15,16].

Альтернативой методам разделения являются подходы к распознаванию образов, такие как машинное обучение. Распознавание образов — это ветвь искусственного интеллекта, занимающаяся классификацией или описанием наблюдений с целью прогнозирования результатов на основе предыдущих знаний или узнаваемых особенностей необработанных данных [17,18,19].Было показано, что методы обработки данных акселерометра, основанные на распознавании образов, обеспечивают точные прогнозы типа физической активности и более точные оценки интенсивности физической активности [20,21,22]. Тем не менее, внедрение методов машинного обучения исследователями физической активности было медленным, отчасти из-за трудностей реализации и постоянного вывода о том, что модели, обученные на данных акселерометра из лабораторных испытаний активности, плохо переносятся на среду свободного проживания. [23,24,25].

Недавно мы оценили точность моделей классификации деятельности в области машинного обучения, обученных в лаборатории, для детей дошкольного возраста в реальных условиях свободной жизни [26]. Модели классифицировали поведенческие виды физической активности детей на один из пяти классов активности: сидячий образ жизни, легкие занятия и игры, умеренные и активные действия и игры, ходьба и бег. В лабораторных условиях общая точность классификации варьировалась от 80% до 82% для моделей, обученных на данных о бедрах, и от 78% до 81% для моделей, обученных на данных акселерометра запястья.Однако при оценке в реальных условиях свободной жизни общая точность снизилась на 10–20 процентных пунктов до 66–70% для моделей бедра и 59–60% для моделей на запястье. Примечательно, что произошло существенное снижение точности распознавания ходьбы, которая составляла всего от 8% до 11% для бедра и от 12% до 15% для запястья. Снижение точности классификации в условиях свободного проживания объясняется рядом важных методологических ограничений. Во-первых, лабораторные модели были обучены с использованием данных акселерометра из ограниченного числа действий, выполненных стандартизованным образом.В условиях свободной жизни выполняется широкий спектр действий, а поведение при физической активности гораздо более разнообразно. Во-вторых, 15-секундное окно прогноза, используемое моделями, могло быть слишком длинным, чтобы фиксировать пульсирующее и спорадическое поведение детей дошкольного возраста, что привело к окнам прогноза, состоящим из нескольких типов активности, которые труднее классифицировать. В-третьих, прогнозы для каждого окна активности были сделаны без учета временных характеристик, таких как изменчивость сигнала акселерометра в предыдущем и последующем окнах активности.Включение информации из окон запаздывания и опережения может снизить уровень шума и улучшить классификацию последовательностей физической активности. И, наконец, в-четвертых, в классификационных моделях не использовались функции из нескольких размещений датчиков посредством объединения функций. Модели, обученные на данных из нескольких размещений акселерометров, могут смягчить недостатки, которые может иметь одно размещение монитора для обнаружения определенных действий, таких как действия с обширным движением верхней части тела.В то время как вышеупомянутые ограничения лабораторных моделей сообщались ранее [26], насколько нам известно, ни в одном из предыдущих исследований не было разработано моделей классификации активности для дошкольников, обучающихся исключительно на свободно живущих данных.

Имея это в виду, в текущем исследовании оценивалась точность моделей классификации активности машинного обучения для детей дошкольного возраста, обученных на реальных данных акселерометра, живущих в свободном доступе. Чтобы устранить ограничения, выявленные в нашей недавней оценке моделей, обученных в лаборатории, классификаторы были обучены в диапазоне размеров окна от 1 до 15 с, точность классификации оценивалась с включением и без включения временных характеристик, а модели на основе на нескольких размещениях акселерометра и объединении функций были оценены.Мы предположили, что использование меньших окон прогнозирования, включение временных характеристик и объединение функций из нескольких размещений акселерометров повысит эффективность классификации в условиях свободной жизни.

2. Материалы и методы

2.1. Участники

Всего в исследовании участвовал 31 ребенок в возрасте от 3 до 5 лет. Выборка состояла из 9 девочек и 22 мальчиков, по 10 детей в каждой возрастной категории [26].Дети были набраны через электронную рассылку университетов, через местные СМИ и из уст в уста. Письменное согласие родителей было получено до участия. Исследование было одобрено Комитетом по этике исследований на людях Технологического университета Квинсленда (номер утверждения: 1700000423; дата утверждения — 14 июля 2017 г.).

2.2. Сеанс свободной игры

Каждый ребенок завершил 20-минутную активную бесплатную игровую сессию в месте, выбранном их родителем или опекуном. Были выбраны такие места, как семейный дом, общественные парки и местные зеленые насаждения [26].Исследовательская группа предоставила соответствующие возрасту игрушки и игровое оборудование, и дети могли заниматься любым видом деятельности, какой захотят. Это позволяло естественную активность, переходы и взаимодействие со сверстниками и окружающей средой. Дети записывались на видео во время сеансов бесплатной игры с помощью портативной камеры Go-Pro Hero 5 (GoPro, Inc., Сан-Матео, Калифорния, США) для последующего кодирования прямого наблюдения. Перед каждым игровым сеансом внешний хронометр синхронизировался с портативным компьютером, который использовался для инициализации акселерометров, и отображался перед камерой, чтобы гарантировать синхронизацию между видеофайлами Go-Pro и временными метками акселерометра [26].

2.3. Инструменты

Во время каждой свободной игры дети носили акселерометр ActiGraph GT3X + (ActiGraph Corporation; Пенсакола, Флорида, США). ActiGraph GT3X + — это небольшой и легкий монитор, который измеряет ускорение по трем ортогональным осям с динамическим диапазоном от +/- 6 g и частотой дискретизации от 30 до 100 Гц. Для текущего исследования частота дискретизации была установлена ​​на 100 Гц. Мониторы ActiGraph носили на правом бедре и недоминантном запястье детей.Для определения местоположения бедра акселерометр располагался на правой средней подмышечной линии на уровне гребня подвздошной кости. Для локализации запястья акселерометр располагался на задней стороне руки, между лучевым и локтевым шиловидным отростком.

2.4. Процедура кодирования прямого наблюдения

видеофайлов Go-Pro были импортированы в программное обеспечение Noldus Observer XT 14 (Noldus Information Technology, Вагенинген, Нидерланды) для непрерывного кодирования прямого наблюдения. Была реализована индивидуализированная схема прямого наблюдения, в которой двигательное поведение участника кодировалось как один из пяти классов активности, предсказываемых моделями классификации активности [26]: малоподвижный образ жизни (SED), легкая активность и игры (LIGHT_AG), умеренно-энергичная деятельность и игры (MV_AG), ходьба (ХОДЬБА) и бег (БЕГ).Описание классов активности приведено в. Если участник не находился в поле зрения камеры, поведение при движении кодировалось как «вне поля зрения». Компьютеризированная система прямого наблюдения сгенерировала вектор меток даты и времени, соответствующих началу и окончанию каждого события движения, которые использовались для расчета продолжительности события и присвоения кодов активности соответствующим временным сегментам данных акселерометра. Для оценки надежности между наблюдателями два исследователя независимо друг от друга кодировали пять случайно выбранных видео.Невзвешенная каппа-статистика Коэна для класса активности составила 0,86 (95% ДИ: 0,84–0,88), что, согласно рейтингам, предложенным Лэндисом и Кохом [27], почти полностью совпадает.

Таблица 1

Описание пяти классов деятельности.

2.5. Разработка и оценка моделей классификации видов деятельности

2.5.1. Обработка данных и извлечение признаков

Аннотированные данные акселерометра были сегментированы в неперекрывающиеся скользящие окна длительностью 1, 5, 10 и 15 с. Если окно содержало несколько кодов классов активности (т. Е. Комбинацию ходьбы и бега), присвоенный код представлял класс активности, завершенный в течение большей части окна (> 50% продолжительности окна). Чтобы определить влияние этих «смешанных окон» на производительность классификатора, была создана индикаторная переменная, чтобы отмечать окна с несколькими кодами активности.Это позволило нам определить, влияет ли размер окна на производительность классификатора за счет уменьшения количества окон смешанного прогнозирования. В каждом окне сигнал трехосного акселерометра был преобразован в одномерную векторную величину (VM), и были извлечены два набора характеристик: VM была выбрана для соответствия лабораторным моделям классификации и уменьшения размерности.

• (1)

  Базовые характеристики: характеристики временной и частотной области использовались в ранее опубликованных моделях классификации видов деятельности [21,22,28]: среднее, стандартное отклонение, минимум, максимум, межквартильный диапазон, процентили (10-е, 25-е , 50-й, 75-й, 95-й), коэффициент вариации, сумма сигнала, мощность сигнала, размах амплитуды, медианные пересечения, корреляции между осями, доминирующая частота между 0.25 и 5,0 Гц, а величина доминирующей частоты от 0,25 до 5,0 Гц.

• (2)

  Базовые плюс временные характеристики: второй набор функций состоял из базовых функций и временных характеристик, рассчитанных на основе предыдущего (опережение) и последующего (запаздывание) окон активности. К ним относятся стандартное отклонение (SD) для окон запаздывания и опережения 1 и 2, а также стандартное отклонение для окон запаздывания и опережения и текущего окна ([σ = 1N∑i = 0N (xi − μ) 2], где n = 5). Это привело к появлению пяти временных функций в дополнение к базовым функциям.

2.5.2. Обучение и тестирование моделей

Модели классификации случайных лесов (RF) были разработаны для каждого размещения. Модель RF была выбрана, потому что: (1) это широко применяемый алгоритм контролируемого обучения на основе ансамбля, который, как было показано, обеспечивает надежные результаты в предшествующих исследованиях распознавания активности [29]; (2) это требует минимальной предварительной обработки данных, так как функции не нужно нормализовать; и (3) процедуры выбора признаков не требуются, поскольку алгоритм фактически делает это сам по себе [30].Модели были реализованы с использованием пакетов randomForest и caret в программном обеспечении R. Количество функций, произвольно выбираемых на каждом узле (параметр настройки mtry), было оптимизировано во время обучения, в то время как количество деревьев оставалось постоянным на уровне 500. Полностью аннотированные наборы обучающих данных, r-скрипты для окончательных RF-моделей и данные, необходимые для запуска Классификационные модели доступны по ссылке в разделе «Дополнительные материалы».

Ошибка прогнозирования вне выборки оценивалась с помощью перекрестной проверки с исключением одного субъекта (LOSO-CV).В LOSO-CV модель обучается на данных от всех участников, кроме одного, который «удерживается» и используется в качестве набора тестовых данных. Процесс повторяется до тех пор, пока все участники не будут использоваться в качестве тестовых данных, а показатели производительности не будут агрегированы [31]. Для оценки точности каждой модели использовались F-баллы. F-баллы были рассчитаны, потому что они основаны на гармоническом среднем значении точности и запоминания и менее подвержены смещению из-за дисбаланса размера классов [32]. F-баллы были рассчитаны для каждого класса активности и усреднены, чтобы получить общий F-балл для каждого классификатора.Кроме того, для выявления паттернов неправильной классификации для каждой модели были созданы матрицы путаницы.

2.6. Статистический анализ. 10 и 15 с) по шкале F. Значимые основные эффекты и взаимодействия оценивались с помощью тестов простых эффектов и заранее запланированных контрастов с одной степенью свободы.Статистическая значимость была установлена ​​на уровне альфа 0,05.

3. Результаты

Результаты дисперсионного анализа с повторными измерениями выявили значимую двустороннюю характеристику, заданную взаимодействием размера окна (F _3,90 = 3,40, p = 0,02), что указывает на то, что эффекты свойства набор F-оценок отличался размером окна. Двустороннее размещение по взаимодействию набора функций (F _2,60 = 1,88, p = 0,17), размещение по взаимодействию размера окна (F _6,180 = 0.79, p = 0,58), а трехстороннее размещение с помощью функции, заданной взаимодействием размера окна (F _6,180 = 0,20, p = 0,97), не были статистически значимыми.

отображает графики взаимодействия, суммирующие влияние размера окна и набора функций на F-баллы при каждом размещении акселерометра. Количество интервалов прогнозирования с несколькими типами активности (смешанные окна) для моделей, обученных на 1, 5, 10 и 15-секундных окнах, составило 3527 (9,2%), 2255 (29,5%), 1597 (42.1%) и 1258 (50,2%) соответственно. Для модели запястья и комбинированной модели бедра и запястья F-баллы значительно увеличились при увеличении размера окна с 1 до 15 с. Однако для моделей, обученных на данных бедра, F-оценки не смогли значительно улучшить, поскольку размер окна увеличился с 10 до 15 с.

Графики взаимодействия, суммирующие влияние размера окна и набора функций на скорректированные F-баллы для моделей, обученных на запястье, бедре и комбинированных данных акселерометра для бедра и запястья. + Обозначает, что существенно отличается от базовой модели при заданном размере окна p <0.05; * Обозначает, что размер окна значительно отличается от предыдущего для данного набора функций p <0,05.

Для моделей, обученных на данных запястья в окнах 1, 5 и 10 с, и моделей, обученных на данных бедра и комбинированных данных бедра и запястья в окнах 1 с, добавление функций задержки / опережения привело к небольшим, но значительным улучшениям в F-баллы. Для модели запястья, тренированной в окнах 15 секунд, и модели бедра и комбинированных моделей бедра и запястья, тренируемой в окнах 5, 10 и 15 секунд, добавление функций задержки / опережения существенно не улучшило результативность.

Для всех размеров окон и для обоих наборов функций модели классификации, обученные на данных акселерометра запястья, показали значительно более низкие F-баллы, чем модели, обученные на данных акселерометра бедра или комбинированных данных акселерометра бедра и запястья. В среднем разница в производительности составляла от 7,9 до 8,2 процентных пункта. Не было значительных различий в F-оценках между моделями, обученными на данных акселерометра бедра и комбинированных данных акселерометра бедра и запястья.

F-баллы для пяти классов активности и средневзвешенный F-балл для каждой модели представлены в.F-баллы на уровне класса имели тенденцию к увеличению при увеличении размера окна с 1 до 15 с. Включение функций отставания / опережения привело к незначительному увеличению F-баллов; однако это было верно не для всех моделей, особенно для классов активности WALK и RUN. Только модель запястья с запаздыванием / отведением, обученная в окнах 10 с, и модели бедра и комбинированные модели бедра и запястья, обученные в окнах 10 и 15 секунд, показали средний F-балл ≥ 80% и предоставили F-балл ≥ 70% для всех. пять занятий.Модель отставания / отведения запястья, обученная в 15-секундных окнах, достигла среднего показателя F ≥ 80%; однако оценка F для WALK была чуть меньше 70%.

Таблица 2

F-баллы для пяти классов активности и средневзвешенный F-балл для каждой модели.

Матрицы путаницы тепловых карт для запястья, бедра и комбинированных классификаторов бедра и запястья представлены в. Чтобы уменьшить сложность, сообщаются только результаты для моделей отставания / опережения, обученных в окнах 10 и 15 секунд.Подробные матрицы путаницы для всех 24 классификационных моделей можно найти в дополнительных файлах.

Матрицы неточностей для классификации физической активности от запястья, бедра и комбинированного расположения бедра и запястья для оконных моделей с задержкой / отведением 10 и 15 с. Столбцы представляют наблюдаемые; строки представляют прогнозы; жирным шрифтом выделены правильные прогнозы; SED = малоподвижный; LIGHT_AG = легкие физические нагрузки и игры; MV_AG = физические нагрузки и игры от умеренных до высоких; ХОДЬБА = ходьба; RUN = работает.

Что касается расположения запястья, то распознавание SED (81,4–82,9%) и LIGHT_AG (87,6–88,3%) с помощью оконных моделей с задержкой / отведением 10 и 15 с было хорошим. Экземпляры SED чаще всего ошибочно классифицируются как LIGHT_AG (17,0% –18,6%), в то время как небольшой процент экземпляров LIGHT_AG ошибочно классифицируется как SED (5,9–6,4%), MV_AG (2,6–2,7%) или WALK (2,9%). % –3,1%). Распознавание RUN также было хорошим для 15-секундной модели (80,6%), но скромным для 10-секундной модели (68,3%). Для 15-секундной модели RUN чаще всего ошибочно классифицировался как LIGHT_AG (9.0% –11,9%) или MV_AG (9,0–16,8%), при этом лишь очень небольшой процент экземпляров ошибочно классифицируется как WALK (1,5–3,0%). Распознавание MV_AG (67,9–68,7%) и WALK (65,5–68,3%) было скромным, примерно от 20,0% до 27,0% экземпляров MV_AG и WALK были ошибочно классифицированы как LIGHT_AG.

Для размещения бедра распознавание оконных моделей с задержкой / опережением 10 и 15 с было хорошим или отличным для SED и LIGHT_AG (от 84,9% до 92,3%). Большинство экземпляров SED были ошибочно классифицированы как LIGHT_AG (14,5% –15.1%), в то время как небольшой процент LIGHT_AG был ошибочно классифицирован как SED (3,2–3,3%), WALK (2,6–3,0%) или MV_AG (1,4–1,8%). Распознавание RUN было хорошим для 15-секундных оконных моделей (85,1%) и приемлемым для 10-секундных окон (73,3%). RUN чаще всего ошибочно классифицировали как MV_AG (9,0–18,8%). Распознавание WALK было хорошим для окон 10 и 15 секунд (80,2% –81,4%). WALK чаще всего ошибочно классифицировали как LIGHT_AG (12,9–15,5%). Распознавание MV_AG было приемлемым (72,0%), с 17,7% до 20.4% экземпляров ошибочно классифицированы как LIGHT_AG.

Для комбинированных классификаторов бедра и запястья, моделей с окном 10 с и окном 15 с распознавание было хорошим или отличным для SED и LIGHT_AG (85,3% –92,8%). Почти все ошибочные классификации экземпляров SED были как LIGHT_AG (12,7–14,7%), а небольшой процент LIGHT_AG был ошибочно классифицирован как SED (2,9–3,4%), WALK (2,6–2,9%) или MV_AG (1,7%). % –1,8%). Распознавание RUN было хорошим для модели с окном 15 с (88,1%) и приемлемым для модели с окном 10 с (72.3%). Для 10-секундной оконной модели RUN чаще всего ошибочно классифицировался как MV_AG (15,8%), в то время как для 15-секундной оконной модели ошибочная классификация происходила в основном как LIGHT_AG (4,5%) или MV_AG (6,0%). Распознавание WALK было хорошим для моделей с окнами 10 и 15 секунд (79,3% –80,9%). WALK чаще всего ошибочно классифицировали как LIGHT_AG (12,9–17,5%). Распознавание MV_AG было приемлемым (71,0–73,2%), при этом от 17,7% до 20,8% экземпляров были ошибочно классифицированы как LIGHT_AG.

4. Обсуждение

Подходы машинного обучения к обработке данных акселерометра стали более универсальной и потенциально более точной альтернативой методам точки отсечения.Однако, когда модели классификации видов деятельности, обученные в лаборатории, оцениваются в условиях свободного проживания, сообщается о существенном снижении точности [23,25,33]. В текущем исследовании модели классификации активности дошкольников, обученные на данных акселерометра в свободном доступе, показали значительно более высокую точность, чем та, которая сообщается для сопоставимых моделей, обученных на лабораторных данных. В условиях свободной жизни F-баллы для наиболее эффективных моделей запястья и бедра составили 80,6% и 85,9% соответственно.Для сравнения, F-балл для соответствующей модели, обученной в лаборатории, составил 60,2% для запястья и 64,4% для бедра [26]. В отличие от плохого обнаружения ходьбы, о котором сообщалось для модели, обученной в лаборатории, которая варьировалась от 8% до 15%, модели свободноживущих животных правильно классифицировали от 68% до 82% случаев ходьбы.

Наши результаты согласуются с результатами исследований взрослых, сравнивающих эффективность обученных моделей классификации с лабораторными данными и данными о свободной жизни в условиях свободной жизни.Среди пожилых людей Sasaki et al. [23] сообщили об общей точности в диапазоне от 49% до 55% для моделей классификации физической активности RF и вспомогательных векторных машин, обученных на лабораторных данных акселерометра для запястья, бедра или лодыжки. Когда те же самые модели были обучены на свободно живущих данных, точность увеличилась на 9–15 процентных пунктов до 58–69%. Ermes et al. [33] обучили дерево решений и модели классификации физической активности искусственной нейронной сети с использованием свободно живущих данных и наблюдали общую точность 89% по сравнению с 72%, когда модели обучались на лабораторных данных.Аналогичным образом Bastian et al. [25] сообщили о соответствующем увеличении на 71 и 40 процентных пунктов для выявления малоподвижной активности и езды на велосипеде после обучения байесовской модели классификации активности как на лабораторных, так и на свободных данных. Эти выводы вместе с результатами текущего исследования предоставляют последовательные доказательства того, что модели классификации деятельности машинного обучения должны быть обучены и протестированы с данными, собранными в реальных условиях свободной жизни.

Выбор размера окна или длины эпохи имеет большое значение для точной оценки физической активности у маленьких детей [34,35,36,37].В нескольких исследованиях было отмечено, что маленькие дети периодически выполняют физические упражнения короткими сериями, длящимися несколько секунд [38,39]. Следовательно, для моделей классификации, прогнозирующих определенные классы или типы физической активности, важно, чтобы окна прогноза были как можно короче, чтобы можно было минимизировать количество окон, содержащих несколько видов деятельности. В этом исследовании была выдвинута гипотеза, что меньшее окно уменьшит долю «смешанных окон» и, следовательно, повысит точность классификации.Чтобы проверить эту гипотезу, модели были обучены с использованием окон размером 1, 5, 10 и 15 с. Вопреки нашей гипотезе, F-баллы увеличивались с увеличением размера окна. В то время как более короткие интервалы прогнозирования уменьшали количество окон с несколькими типами активности, затраты на смешанные окна активности были более чем компенсированы преимуществами наличия достаточной информации для надежного захвата моделей движения. Из 24 протестированных моделей только модель отставания / отведения запястья обучена на данных за 10 с, а модели бедра и комбинированные модели бедра и запястья с окнами прогноза 10 или 15 с достигли средних значений F ≥ 80% и предоставили F-баллы. ≥ 70% для всех пяти классов активности.

Для всех размещений акселерометра модели, обученные на окнах 1 с, не обеспечивали приемлемой точности. Низкая производительность этих моделей в значительной степени объясняется плохим распознаванием MV_AG, WALK и RUN. От 26% до 52% экземпляров MV_AG и WALK были ошибочно классифицированы как LIGHT_AG, а от 24% до 39% экземпляров RUN были ошибочно классифицированы как MV_AG. Было очевидно, что окно прогноза, равное всего 1 секунде, дает недостаточно информации, чтобы надежно различать эти классы активности.Имея всего 1 секунду данных (100 экземпляров), функции, которые отличали MV_AG и WALK от LIGHT_AG (например, логарифмическая энергия, величина доминирующей частоты, энтропия) в более длинных окнах прогнозирования, были аналогичными по величине; аналогично, особенности, которые отличали RUN от MV_AG (например, среднее абсолютное отклонение, мощность сигнала, энтропия), были аналогичными по величине. При более длинных окнах прогноза накапливалось больше данных, что увеличивало точность, с которой вычислялись отличительные признаки. Следовательно, точность обнаружения для этих классов активности увеличилась.

В поддержку нашей гипотезы добавление функций из окон запаздывания и опережения значительно повысило точность свободной классификации. Временные характеристики ранее использовались в исследованиях, разрабатывающих и тестирующих модели классификации физической активности, хотя их относительная важность систематически не оценивалась. Zhang et al. [40] использовали отношение доминирующей частоты, записанной для текущего и предыдущего окна, для обучения дерева решений и поддержки векторных моделей классификации активности машины для запястья и бедра.Для обоих вариантов размещения акселерометров общая точность классификации превысила 95%, хотя модель была обучена и протестирована с использованием лабораторных испытаний активности. Среди детей дошкольного возраста Zhao et al. [41] использовали подсчеты активности ActiGraph с задержкой и опережением, а также количество шагов для обучения классификатора машинной активности опорных векторов. Общая точность превысила 85%.

В текущем исследовании включение временных характеристик, основанных на стандартном отклонении величины вектора сигнала, было наиболее полезным для моделей, обученных на данных акселерометра на запястье.Для этих моделей включение временных функций увеличило общую оценку F в среднем на шесть процентных пунктов, в основном за счет улучшенного обнаружения SED, LIGHT_AG и MV_AG. При выполнении физических нагрузок в этих трех категориях классов данные акселерометра, записанные на запястье, демонстрируют значительно большую изменчивость от окна к окну, чем данные акселерометра, записанные на бедре. Таким образом, для моделей, обученных на данных акселерометра на запястье, включение временных характеристик, связанных с изменчивостью сигнала в окнах запаздывания и опережения, было информативным для классификации физических нагрузок по этим классам.И наоборот, для четко определенных ритмических действий, таких как ходьба и бег, временная стабильность сигнала акселерометра меньше зависела от расположения акселерометра.

Вопреки нашей гипотезе, разработка моделей, основанных на размещении нескольких акселерометров и слиянии признаков, не улучшила эффективность свободной классификации. Это может быть функцией подхода простого объединения функций, реализованного в текущем исследовании. Подходы слияния функций, которые используют метод слияния решений на основе классов, могут лучше использовать увеличенный объем информации и функций, возникающих в результате размещения нескольких акселерометров [42].В качестве альтернативы, отсутствие улучшений может быть связано с неоптимальной комбинацией размещения акселерометров. Нараянан и др. [43] сообщили о большей общей точности классификатора физической активности, обученного на данных акселерометра бедра и поясницы, чем классификаторы, обученные на данных запястья и спины, а также запястья и бедра.

При оценке в лабораторных условиях модели классификации активности, обученные на данных акселерометра на бедре и запястье, демонстрируют сопоставимую точность [22,44,45].Однако в текущем исследовании классификаторы, обученные на данных акселерометра бедра, показали значительно более высокие F-баллы, чем модели на запястье. Расхождение в выводах может быть отчасти связано с различиями в том, как модели классификации машинного обучения обучаются и тестируются в лабораторных исследованиях по сравнению с исследованиями вольной жизни. Когда классификационные модели обучаются в лабораторных условиях, участники выполняют небольшое количество хореографических испытаний деятельности, которые не воспроизводят то, как действия выполняются в сценариях свободной жизни.Более того, когда модели обучаются на свободных данных акселерометра, участники выполняют совершенно разные действия или выполняют одни и те же действия совершенно по-разному. Кроме того, лабораторные исследования обычно не включают испытания активности, которые проверяют ограничения акселерометров, устанавливаемых на запястье. Сидячие упражнения и упражнения с небольшой интенсивностью, как правило, выполняются с ограниченными движениями верхних конечностей (например, сидя на полу, слушая рассказ, стоя и раскрашивая), в то время как упражнения по ходьбе и бегу выполняются непрерывно со свободно колеблющимися руками.В настоящих условиях свободной жизни участники часто ходят или бегают с перерывами, удерживая предметы, что приводит к ограничению движений рук. Это создает уникальные проблемы для классификаторов запястий и может объяснить более низкую точность классификации, наблюдаемую для моделей запястий в настоящих условиях свободной жизни.

Классификаторы свободной жизни, разработанные и проверенные в текущем исследовании, могут быть применены в полевых исследованиях с участием детей дошкольного возраста и имеют ряд преимуществ по сравнению с традиционными методами пороговых значений.Предоставляя показатели физической активности, основанные на сочетании типа активности и интенсивности, модели классификации позволяют исследователям отслеживать не только количество физической активности, но и качество двигательного поведения. Например, классификаторы можно использовать для измерения того, как время активной игры накапливается дома или в учреждениях дошкольного образования и ухода. Кроме того, исследование предоставляет достаточно точные модели классификации активности для акселерометров, устанавливаемых на запястье.Акселерометры, носимые на запястье, обеспечивают более высокую податливость, чем акселерометры, которые носят на бедре, и позволяют исследователям одновременно измерять сон и оценивать соблюдение недавно выпущенных рекомендаций по 24-часовому движению. Кроме того, классифицируя категории классов активности, а не интенсивность физической активности на основе расхода энергии, модели предоставляют исследователям инструмент измерения для изучения возрастных тенденций в двигательном поведении, которые не искажаются различиями в энергетических затратах физической активности, связанных с развитием. [46,47,48].

У настоящего исследования было несколько сильных сторон. Это первое исследование, посвященное разработке и оценке точности моделей классификации активности при машинном обучении для детей дошкольного возраста, обученных на свободно живущих данных. Доказательная активность была получена с помощью строгого прямого наблюдения на основе видео и непрерывной процедуры кодирования. Кроме того, в исследовании оценивалась точность при различных размерах окон, наборах функций и размещении акселерометров. Кроме того, из оценки не были исключены смешанные окна, в которых несколько действий выполнялись в рамках данного окна, что повышает экологическую достоверность и обобщаемость результатов.

Противодействовать этим сильным сторонам было несколько ограничений. Во-первых, из-за требований протокола сбора данных сеансы свободной игры были ограничены 20 минутами. Хотя участники могли заниматься любым видом деятельности по своему выбору в любом месте, более длительные игровые сессии могли обеспечить большее разнообразие упражнений от умеренной до высокой интенсивности и более продолжительные периоды ходьбы и бега для обучения моделей. Во-вторых, в исследовании участвовал скромный размер выборки — 31 участник.Тем не менее, сеансы бесплатной игры генерировали более 3,8 миллиона точек данных и обеспечивали от 2500 до 38 500 окон активности, чего было достаточно для обучения и тестирования моделей. В-третьих, для моделей классификации, достигающих среднего F-балла ≥ 80%, от 13% до 30% наблюдаемых экземпляров MV_AG и WALK были ошибочно классифицированы как LIGHT_AG. Склонность классификаторов активности, обученных исключительно на данных трехосного акселерометра, неверно классифицировать определенные действия у маленьких детей, такие как медленная прерывистая ходьба, ходьба с удержанием предметов и лазание на стационарных игровых площадках, была отмечена ранее [26].Следовательно, чтобы улучшить распознавание MV_AG и WALK, будущие исследования должны включать функции дополнительных датчиков, таких как мониторы сердечного ритма, гироскопы, датчики барометрического давления и GPS, которые могут предоставить дополнительную информацию об интенсивности физической активности, позе и изменениях в положение и высота. И наконец, в-четвертых, наше исследование обучало только ВЧ классификаторы и не сравнивало производительность с другими алгоритмами контролируемого обучения. Поскольку основное внимание в настоящем исследовании уделялось оценке моделей классификации видов деятельности, обученных на реальных свободно живущих данных, и сравнению производительности с моделями, обученными на лабораторных данных, было необходимо использовать тот же алгоритм контролируемого обучения.В будущих исследованиях можно будет обучать и тестировать классификаторы с использованием других алгоритмов машинного обучения и сравнивать производительность с классификаторами RF, разработанными в текущем исследовании. Полностью аннотированные данные обучения для всех размеров окон доступны по следующей ссылке: https://github.com/QUTcparg/PS_PAClassification.

5. Выводы

Таким образом, модели классификации деятельности с машинным обучением, обученные на данных о свободной жизни для детей дошкольного возраста, показали приемлемую точность в условиях свободной жизни.Случайные классификаторы активности в лесу с окнами прогноза 10 или 15 с обеспечили точное распознавание пяти классов активности, представляющих двигательное поведение маленьких детей. Включение функций задержки и опережения повысило точность классификации, при этом наибольшее увеличение наблюдалось при размещении запястья. Модель классификации бедра и комбинированной модели бедра и запястья обеспечивала сопоставимую точность, причем обе модели превосходили модели, обученные на данных акселерометра запястья. В будущих исследованиях следует обучать модели с использованием данных акселерометра, собранных в течение длительных периодов времени, и более широкого диапазона настроек, чтобы обеспечить большее разнообразие движений в данных обучения.В таких исследованиях следует изучить включение дополнительных временных характеристик, таких как соотношение доминирующей частоты для текущего и соседних окон или информации / функций от дополнительных датчиков, таких как мониторы сердечного ритма, гироскопы, датчики барометрического давления и GPS-трекеры.

Благодарности

Мы хотим поблагодарить семьи за их участие и Дениз К. Брукс за ее вклад на протяжении всего исследования.

Вклад авторов

Концептуализация, М.N.A. и S.G.T .; методология, M.N.A. и S.G.T .; формальный анализ, M.N.A. и S.G.T .; письменность — подготовка оригинального черновика, M.N.A .; написание — просмотр и редактирование, S.G.T. и T.G.P .; надзор, S.G.T. и T.G.P .; привлечение финансирования, S.G.T. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Это исследование финансировалось Австралийским исследовательским советом, номер гранта DP150100116.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.Финансирующие организации не играли никакой роли в разработке исследования; при сборе, анализе или интерпретации данных; при написании рукописи; или в решении опубликовать результаты.

Список литературы