1. Введение
Контроль веса и параметров состояния тела человека – одна из важных задач в современном управлении здоровьем [1], [2]. Анализ и прогнозирование взаимодействия физической активности человека, питательных веществ и генетической предрасположенности является задачей, направленной на поиск различных решений проблем, связанных с избыточным весом [3], [4], [5]. Например, по оценкам центров по контролю за заболеваниями США, примерно 67% взрослого населения США имеют избыточный вес, индекс массы тела составляет (ИМТ) от 25 до 29,9, а 34% страдают ожирением (ИМТ>30). Уровни ИМТ выше 25 связаны с заболеваниями и последствиями, связанными со здоровьем.
При этом для прогнозирования веса и других параметров человека предлагают методы машинного обучения [6], [7]. Также для этого можно использовать и изображение человека [8], характеристические особенности которого могут распознаваться различными методами [9], [10], [11], [12]. Человеческие лица содержат много полезной информации. Недавние исследования показали, что черты лица связаны с массой тела или ИМТ. Эти исследования [8] сосредоточены на обнаружении корреляции между чертами лица и ИМТ. Прогнозирование веса человека может осуществляться даже через его голос [13]. В работе предложен метод прогнозирования нормального, избыточного веса и ожирения. Метод включает в себя алгоритм логистической регрессии и два алгоритма классификации на основе статистически значимых характеристик.
Цель данной работы – разработка простой методики прогнозирования параметров состояния тела человека при умеренных физических нагрузках на основе данных интеллектуальных устройств.
2. Методы и принципы исследования
Составляюшие методики прогнозирования параметров состояния тела человека при умеренных физических нагрузках на основе данных интеллектуальных устройств можно представить в виде блок диаграммы (рис. 1).
Блок диаграмма методики прогнозирования параметров состояния тела человека
Методика может быть реализована на основе следующих аппаратных и программных модулей: интеллектуальные напольные весы Xiaomi Mi Body Composition Scale 2 [14]; программу Mi Fit; интеллектуальный фитнес браслет Huawei Band 8 [15]; программа Huawei Health; программу для прогнозирования веса и состояния тела человека на основе методов экстраполяции [16], [17]. В прототипе системы можно использовать программу Microsoft Excel. В интеллектуальных весах для измерений веса используется G-образный датчик из сплава марганца, который определяет вес с точностью до 50 грамм. Встроенный в весы BIA-чип служит для измерения 13 параметров организма. Для расчетов используется метод биоимпедансометрии – анализ сопротивления тканей организма слабому току. Программное приложение Mi Fit используется для сохранения всех параметров. Приложение проводит все необходимые вычисления. Фитнес браслет и программное приложение Huawei Health отслеживают частоту сердечных сокращений (инфракрасная технология), время тренировки, расстояние, частота шагов, скорость, калории и уровень сатурации кислорода в крови.
Аппаратная часть системы прогнозирования выполнена в автономном варианте, является энергонезависимой и поэтому не подвержена влиянию плохого качества электроэнергии [16], [17]. Но для выполнения своих функций интеллектуальные весы и браслет соприкасаются с человеком. Человек может выступать сильным источником электростатического разряда [18], поэтому конструкция должна быть выполнена не ниже третьего уровня защиты по IEC 61000-4-2. А также в конструкции электронных устройств должна учесть воздействие мощных электрических и магнитных полей от разных индустриальных источников [19] по уровню защиты не ниже двух по IEC 61000-4-5. Выбранные интеллектуальные устройства удовлетворяют данным требованиям.
Для прогнозирования параметров физического состояния тела человека в краткосрочной перспективе обычно используют методы экстраполяции [20], [21]. Наиболее простым из методов прогнозирования является экстраполяция тренда процесса за истекший период [22]. О точности прогнозирования косвенно можно судить по коэффициенту достоверности аппроксимации (R2).Считается, что при величине данного показателя 0,85 и выше сглаживание можно считать достаточно достоверным.
3. Основные результаты
Рассмотрим реальный пример контроля и прогнозирования параметров физического состояния тела тестового человека в течение одного месяца. Исходные данные: рост – 175 см; начальный вес – 93 кг; возраст полный – 46 лет; начальный индекс массы тела – 30,3. ИМТ в конце исследования 29,3. Расчетный биологический возраст тела в начале исследований 49 лет, в конце 47 года.
В течение месяца тестовый человек выполняет умеренную физическую нагрузку, преимущественно утром и днем. Это 10 минут разминка, 50-55 минут быстрая ходьба на свежем воздухе утром и в течение дня от 15 до 17 тысяч шагов. А также плавание в бассейне три раза в неделю по 1,5 км. В течение дня человек активно участвует в полноценной работе в качестве преподавателя университета. Это соответствует в среднем 800 расходуемым килокалориям в день (по расчетам фитнес браслета). В исследуемый период человек придерживается умеренной диеты с преобладанием белковой пищи.
В рассмотренном примере рассматриваются измеренные данные за один месяц (31 день). Горизонт прогнозирования параметров тела человека также составляет один месяц (30 дней). При составлении прогноза по изменению веса и параметров выделяется оптимистичный, реалистичный и пессимистичный сценарии (рис. 2-4).
Прогнозирование изменения веса человека
Прогнозирование изменения общей жировой массы
Прогнозирование изменения мышечной массы
4. Обсуждение
Реалистичный сценарий, с наибольшим R²=0,944, получается при использовании логарифмической функции (верхняя кривая, рис. 2). В горизонте месяца ожидается вес 89,6 кг и видна тенденция к его постепенному снижению. При оптимистичном сценарии используется линейная функция, при коэффициенте достоверности R²=0,932, и ожидаемый вес составляет 86,8 кг (нижняя кривая). При пессимистичном сценарии используется степенной полином второго порядка, и явно видно наметившиеся тенденция к развороту изменения веса. Но при этом коэффициент достоверности аппроксимации R²=0,886, что говорит о наименьшей достоверности прогноза из рассматриваемых сценариев.
Снижение веса происходит в основном за счет потери общей жировой массы с 31,8% до 30,6% (рис. 3). Рекомендуемые значения общего жира 18–23%. При этом содержание внутреннего жира снизилась на 1 пункт. Следующие составляющие потери веса – уменьшение мышечной массы с 60,2% до 59,2% (рис. 4.), и костной массы с 3,23% до 3,18%. Рекомендуемые значения мышечной массы более 49,4%, костной массы более 2%.
В период исследования содержание воды в теле человека увеличилось с 48,7% до 49,9%, содержание белка увеличилось с 16,0% до 16,3%. Рекомендуемые значения содержание воды более 55%, белка более 16%.
5. Заключение
В данной работе предложена относительно простая и недорогая в реализации методика для прогнозирования состояния тела человека при умеренных физических нагрузках и режиме питания на основе данных общедоступных интеллектуальных устройств. При этом аппаратные и программные модули для прогнозирования состояния тела человека и потребления энергии не привязаны к конкретным производителям и могут быть также успешно реализованы на альтернативных аналогичных составляющих.
Полученные результаты показывают, что на основе измеренных и расчетных параметров в течение определенного времени, можно прогнозировать изменения параметров состояния тела человека на последующие периоды при сохранении текущей физической нагрузки и режима питания.
На данном этапе методика реализована совокупностью разрозненных аппаратных и программных модулей, в перспективе возможно создание единого мобильного программного приложения для смартфонов.