[논문 리뷰] Longitudinal cardio-respiratory fitness prediction through wearables in free-living environments

Dimitris Spathis, Ignacio Perez-Pozuelo외 5명|arXiv (Cornell University)|2022. 05. 06.

Cardiovascular and exercise physiology인용 수 2

한 줄 요약

이 연구는 자유 생활 조건에서의 웨어러블 센서 데이터를 기반으로 심폐지구력(VO2max)을 예측하는 딥러닝 모델을 제안하며, 황금 표준 실험 측정치와 0.82의 피어슨 상관계수(r = 0.82, 95% 신뢰구간: 0.80–0.83)를 달성한다. 이 모델은 웨어러블 기반의 원시 심박수 및 운동 데이터에 생체지표를 결합하여, 운동 검사 없이도 정확하고 확장 가능하며 종단적(장기적)으로 지속 가능한 지구력 예측을 가능하게 한다.

ABSTRACT

Cardiorespiratory fitness is an established predictor of metabolic disease and mortality. Fitness is directly measured as maximal oxygen consumption (VO$_{2}max$), or indirectly assessed using heart rate responses to standard exercise tests. However, such testing is costly and burdensome because it requires specialized equipment such as treadmills and oxygen masks, limiting its utility. Modern wearables capture dynamic real-world data which could improve fitness prediction. In this work, we design algorithms and models that convert raw wearable sensor data into cardiorespiratory fitness estimates. We validate these estimates' ability to capture fitness profiles in free-living conditions using the Fenland Study (N=11,059), along with its longitudinal cohort (N=2,675), and a third external cohort using the UK Biobank Validation Study (N=181) who underwent maximal VO$_{2}max$ testing, the gold standard measurement of fitness. Our results show that the combination of wearables and other biomarkers as inputs to neural networks yields a strong correlation to ground truth in a holdout sample (r = 0.82, 95CI 0.80-0.83), outperforming other approaches and models and detects fitness change over time (e.g., after 7 years). We also show how the model's latent space can be used for fitness-aware patient subtyping paving the way to scalable interventions and personalized trial recruitment. These results demonstrate the value of wearables for fitness estimation that today can be measured only with laboratory tests.

연구 동기 및 목표

• 자유 생활 조건에서의 웨어러블 센서 데이터만을 사용하여 비침습적이고 확장 가능한 심폐지구력(VO2max) 예측 방법을 개발한다.
• 기존 운동 기반 VO2max 측정법의 한계를 극복하기 위해, 비용이 많이 들고 부담이 크며 대규모 적용에 부적합한 기존 방법을 개선한다.
• 반복적인 웨어러블 데이터를 활용하여 7년 후와 같은 장기적 변화를 예측함으로써 종단적 지구력 추적을 가능하게 한다.
• 학습된 잠재 표현을 활용하여 지구력 인식 기반 환자 하위군 분류 및 개인 맞춤형 간병 계획 수립의 유용성을 탐색한다.
• 독립된 코hort에서 최대 운동 테스트와의 비교를 통해 모델 성능을 검증하며, UK 바이오백(181명) 포함한 다양한 코hort에서 검증한다.

제안 방법

• 11,059명의 참가자가 기록한 자유 생활 조건에서의 원시 웨어러블 센서 데이터(심박수 및 가속도계)를 기반으로 딥 네ural 네트워크를 훈련시켰다.
• 예측 정확도 향상을 위해 연령, 체질량지수(BMI), 휴게 심박수 등의 추가 생체지표를 입력 특성으로 통합하였다.
• 두 단계 모델링 접근법을 사용: 첫 번째로, 센서 데이터에서 개인 맞춤형 지구력 표현을 비선형 활성화층을 갖춘 딥 피드포워드 신경망을 통해 학습한다.
• 유사한 모델 아키텍처를 활용한 전이학습 및 추론을 통해 장기적 변화를 예측하였으며, 약 7년 후 재검사된 종단적 코hort(N=2,675)에서 검증하였다.
• t-SNE를 적용하여 모델이 학습한 잠재 공간을 시각화하고, 지구력 프로파일에 따라 참가자들이 어떻게 군집되는지 평가하였다.
• 표준 회귀 평가 지표를 사용하여 모델 성능을 평가: 피어슨 상관계수(r), RMSE, R², 이진 분류 작업을 위한 AUROC.

실험 결과

연구 질문

• RQ1 자유 생활 조건에서의 원시 웨어러블 센서 데이터를 사용하여, 실험실 측정치 수준의 정확도로 VO2max를 예측할 수 있는가?
• RQ2 모델은 약 7년 간의 시간 경과 동안 심폐지구력의 변화를 얼마나 잘 감지할 수 있는가?
• RQ3 모델이 학습한 잠재 공간은 지구력 프로파일에 기반하여 생물학적으로 의미 있는 하위군을 드러내는가?
• RQ4 웨어러블 데이터와 임상 생체지표를 조합하면 기존 비운동 기반 모델보다 성능 향상이著명한가?
• RQ5 모델은 UK 바이오백과 같이 직접 VO2max 측정치가 있는 외부 검증 코hort에 일반화 가능한가?

주요 결과

• 딥러닝 모델은 검증 샘플에서 예측된 VO2max와 측정된 VO2max 간에 0.82의 피어슨 상관계수(r = 0.82, 95% 신뢰구간: 0.80–0.83)를 기록하였으며, 기존 비운동 기반 모델보다 유의미하게 뛰어난 성능을 보였다.
• 종단적 코hort(N=2,675)에서 모델은 약 7년 간의 심폐지구력 변화를 성공적으로 감지하여, 지구력 변화 궤적을 추적할 수 있음을 입증하였다.
• t-SNE를 통해 시각화한 모델의 잠재 공간은 지구력 인식 기반의 명확한 하위군을 드러내어, 타겟팅된 공중보건 간병 전략 수립에 잠재적 활용 가능성을 보였다.
• 다양한 하위군에서 낮은 MAE(평균 절대 오차)와 MAPE(평균 절대 퍼센트 오차)를 유지하여, 다양한 인구 집단에서 일관된 정확도를 보였다.
• 기존 연령, 체질량지수, 휴게 심박수를 기반으로 한 표준 비운동 예측 방정식(Uth 및 Tanaka 방정식 등)보다 성능이 뛰어나, 풍부한 웨어러블 데이터의 추가 가치를 입증하였다.
• UK 바이오백 외부 코hort(N=181)에서 직접 VO2max 측정치를 활용하여 모델을 검증하였으며, 독립된 인구 집단으로의 일반화 가능성을 확인하였다.