[论文解读] Longitudinal cardio-respiratory fitness prediction through wearables in free-living environments

Dimitris Spathis, Ignacio Perez-Pozuelo+5 more|arXiv (Cornell University)|May 6, 2022

Cardiovascular and exercise physiology被引用 2

一句话总结

本研究提出了一种深度学习模型，能够从自由生活状态下的可穿戴传感器数据中预测心肺适能（VO2max），与金标准实验室测量结果的皮尔逊相关系数达到 r = 0.82（95% 置信区间：0.80–0.83）。该模型利用可穿戴设备采集的原始心率和运动数据，并结合生物标志物，实现了无需运动测试的高精度、可扩展且可纵向追踪的心肺适能评估。

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.

研究动机与目标

• 开发一种非侵入性、可扩展的方法，仅基于自由生活状态下的可穿戴传感器数据来估计心肺适能（VO2max）。
• 克服传统基于运动的心肺适能测试的局限性，后者成本高、负担重，且不适用于大规模应用。
• 通过利用重复的可穿戴数据预测长期变化（如7年后），实现心肺适能的纵向追踪。
• 探索学习到的潜在表征在心肺适能感知的患者亚型划分及个性化干预规划中的应用价值。
• 在独立队列中（包括英国生物银行，N=181）通过最大运动测试验证模型性能。

提出的方法

• 在芬兰研究（Fenland Study）中，基于11,059名参与者在自由生活状态下采集的原始可穿戴传感器数据（心率和加速度计数据）训练深度神经网络。
• 将额外的生物标志物（如年龄、BMI、静息心率）作为输入特征，以提高预测准确性。
• 采用两阶段建模方法：首先，使用带有非线性激活层的深度前馈神经网络，从传感器数据中学习个性化的适能表征。
• 采用迁移学习和相同模型架构的推理方法，预测随时间推移的适能变化，并在纵向队列（N=2,675）中进行验证，该队列在约7年后重新测试。
• 使用 t-SNE 可视化模型学习到的潜在空间，评估基于适能特征的参与者聚类情况。
• 采用标准回归指标评估模型性能：皮尔逊相关系数（r）、均方根误差（RMSE）、决定系数（R²），以及二分类任务的曲线下面积（AUROC）

实验结果

研究问题

• RQ1 是否可以利用原始的自由生活状态可穿戴传感器数据，以高精度预测 VO2max，使其与实验室测试结果相当？
• RQ2 该模型在7年时间跨度内检测心肺适能变化的能力如何？
• RQ3 模型学习到的潜在空间是否能揭示基于适能特征的生物学上有意义的个体亚型？
• RQ4 与传统非运动模型相比，将可穿戴数据与临床生物标志物结合是否能显著提升预测性能？
• RQ5 该模型是否能在独立验证队列（如英国生物银行）中泛化，且在具有直接 VO2max 测量值的群体中表现良好？

主要发现

• 深度学习模型在保留样本中预测的 VO2max 与实测值之间的皮尔逊相关系数达到 r = 0.82（95% 置信区间：0.80–0.83），显著优于传统非运动模型。
• 该模型在纵向队列（N=2,675）中成功检测到7年期间心肺适能的变化，证明了其追踪适能轨迹的能力。
• 通过 t-SNE 可视化模型的潜在空间后，发现存在基于适能特征的明确适能感知亚群，为针对性公共卫生干预的分层提供了潜在支持。
• 在各亚组中性能保持稳健，平均绝对误差（MAE）和平均绝对百分比误差（MAPE）均较低，表明在多样化人群中具有持续的准确性。
• 该模型优于依赖年龄、BMI 和静息心率的标准非运动预测方程（如 Uth 和 Tanaka 方程），证明了丰富可穿戴数据的附加价值。
• 本研究在英国生物银行的外部队列（N=181）中验证了模型，确认其在具有直接 VO2max 测量值的独立人群中的泛化能力。