Et system laget med to billige sensorer er mer nøyaktig enn smartklokker for å spore kalorier som er brent under aktivitet, rapporterer forskere
Og instruksjonene for å lage systemet selv er tilgjengelig gratis online.
Mens smartklokker og smarttelefoner har en tendens til å være av med rundt 40 til 80% når det gjelder å telle kalorier som er brent under en aktivitet, er dette systemet i gjennomsnitt 13% feil.
"Vi bygde et kompakt system som vi evaluerte med en mangfoldig gruppe deltakere for å representere den amerikanske befolkningen og fant ut at det gjør det veldig bra, med omtrent en tredjedel feilen fra smartklokker," sier Patrick Slade, en kandidatstudent i maskinteknikk ved Stanford. University som er hovedforfatter av en artikkel om arbeidet i Nature Communications.
En avgjørende del av denne undersøkelsen var å forstå en grunnleggende mangel på andre bærbare apparater som teller kalorier: de er avhengige av håndleddbevegelse eller hjertefrekvens, selv om ingen av dem er spesielt tegn på energiforbruk. (Tenk på hvordan en kopp kaffe kan øke hjertefrekvensen.) Forskerne antydet at bevegelse av bein ville være mer talende - og eksperimentene deres bekreftet den ideen.
Dette nye målesystemet har to sensorer på låret og skaftet som drives av et batteri og styres av en mikrokontroller, som kan erstattes av en smarttelefon. (Kreditt: Andrew Brodhead)
Det er laboratoriesystemer som nøyaktig kan estimere hvor mye energi en person brannskader under fysisk aktivitet ved å måle utvekslingshastigheten for karbondioksid og oksygen i pusten. Slike oppsett brukes til å vurdere helse og atletisk ytelse, men de involverer klumpete, ubehagelig utstyr og kan være kostbart.
Det nye bærbare systemet krever bare to små sensorer på beinet, et batteri og en bærbar mikrokontroller (en liten datamaskin), og koster rundt $ 100 å lage. Listen over komponenter og kode for å lage systemet er begge tilgjengelige.
"Dette er et stort fremskritt fordi det til nå tar to til seks minutter og en gassmaske å nøyaktig estimere hvor mye energi en person brenner," sier medforfatter Scott Delp, professor ved School of Engineering. “Med Patricks nye verktøy kan vi estimere hvor mye energi som blir brent for hvert trinn når en olympisk idrettsutøver løper mot mållinjen for å få et mål på hva som gir næring til toppytelsen. Vi kan også beregne energien brukt av en pasient som kommer seg etter hjerteoperasjoner for å bedre håndtere treningen. "
Ben, ikke håndledd
Hvordan folk forbrenner kalorier er komplisert, men forskerne hadde en anelse om at sensorer på beina ville være en enkel måte å få innsikt i denne prosessen.
"Et problem med tradisjonelle smartklokker er at de bare får informasjon fra bevegelsen av håndleddet og hjertefrekvensen," sier medforfatter Mykel Kochenderfer, lektor i luftfart og astronautikk. "Det faktum at Patricks enhet har en lavere feilrate er fornuftig fordi den oppdager bevegelse på beina dine og mesteparten av energien din blir brukt av beina dine."
Systemet er med vilje enkelt. Den består av to små sensorer - en på låret og en på skaftet på det ene benet - som drives av en mikrokontroller på hoften, som lett kan erstattes av en smarttelefon. Disse sensorene kalles "inertimåleenheter" og måler akselerasjonen og rotasjonen av beinet når det beveger seg. De er med vilje lette, bærbare og lave kostnader, slik at de lett kan integreres i forskjellige former, inkludert klær, for eksempel smarte bukser.
For å teste systemet mot lignende teknologier, hadde forskerne deltatt i studien, mens de også hadde på seg to smartklokker og en pulsmåler. Med alle disse sensorene tilkoblet utførte deltakerne en rekke aktiviteter, inkludert forskjellige hastigheter på gange, løping, sykling, trappeklatring og overgang mellom å gå og løpe.
Da alt bærbart utstyr ble sammenlignet med kaloriforbrenningsmålingene fanget av et laboratoriesystem, fant forskerne at deres benbaserte system var det mest nøyaktige.
Ved å teste systemet videre på over et dusin deltakere over en rekke aldre og vekter, samlet forskerne et vell av data som Slade brukte for å videreutvikle maskinlæringsmodellen som beregner estimatene for kaloriforbrenning.
Modellen henter inn informasjonen om beinbevegelse fra sensorene og beregner - ved hjelp av det den har lært fra tidligere data - hvor mye energi brukeren brenner til hvert øyeblikk. Og mens dagens moderne systemer krever omtrent seks minutter med data fra en person som er koblet til en maske i laboratorieinnstillinger, kan dette frittgående alternativet fungere med bare sekunder med aktivitet.
"Mange av trinnene du tar hver dag skjer i korte perioder på 20 sekunder eller mindre," sier Slade, som nevnte å gjøre gjøremål som et eksempel på kortvarig aktivitet som ofte blir oversett. "Å være i stand til å fange opp disse korte aktivitetene eller dynamiske endringene mellom aktivitetene er veldig utfordrende, og ingen andre systemer kan for tiden gjøre det."
Åpen kilde kaloritelling
Enkelhet og overkommelig pris var viktig for dette teamet, i likhet med å gjøre designet åpent tilgjengelig, fordi de håper denne teknologien kan støtte folk i å forstå og ta vare på helsen deres.
"Vi åpner for alt i håp om at folk tar det og løper med det og lager produkter som kan forbedre livene til publikum," sier Kochenderfer.
De mener også at dette systemets enkelhet, overkommelighet og bærbarhet kan støtte bedre helsepolitikk og nye veier for forskning i menneskelig ytelse. Forskningsgruppen ledet av Steve Collins, lektor i maskinteknikk og seniorforfatter av denne artikkelen, bruker allerede et lignende system for å studere energien brukt med bærbare robotsystemer som forbedrer ytelsen.
"En av de mest spennende tingene er at vi kan spore dynamisk endrede aktiviteter, og denne presise informasjonen vil gi oss bedre retningslinjer for å anbefale hvordan folk skal trene eller styre vekten," sier Slade.
"Det åpner et helt nytt sett med forskningsstudier som vi kan gjøre på menneskelig ytelse," sier Delp, som også er professor i bioteknologi og maskinteknikk. «Hvor mye energi du brenner når du går, når du løper, når du trener på en sykkel - alle disse tingene er grunnleggende. Når vi har et nytt verktøy som dette, åpner det en ny dør til å oppdage nye ting om menneskelig ytelse. ”
National Science Foundation, National Institutes of Health og et Stanford Graduate Fellowship finansierte arbeidet.
kilde: Stanford University
Om forfatteren
