Predicting heart rate during physical activities using artificial neural networks

Abstract

A frequência cardíaca (FC) é uma métrica amplamente utilizada por profissionais e amadores no treinamento de resistência por ser uma medida para esforço físico, uma vez que é através dos batimentos cardíacos que oxigênio, nutrientes e hormônios são distribuídos às células de todo o corpo. Essa métrica é importante para a prescrição de exercícios físicos, pois um treinamento efetivo deve provocar uma FC dentro de uma determinada faixa, de forma a treinar nem pouco, nem muito, um indivíduo. Prever a dinâmica da frequência cardíaca, no entanto, é uma tarefa reconhecidamente difícil, devido a variedade de atributos que a influenciam, que vão desde a nutrição e humor até a genética de um indivíduo. Ainda assim, a atividade física é considerada um dos principais impulsionadores do frequência cardíaca. Alguns estudos modelam a frequência cardíaca usando diferentes medidas para representar atividades físicas específicas, como velocidade e aceleração para corrida ou torque para ciclismo. Embora essas métricas descrevam bem o esforço físico do indivíduo para essas atividades, elas não são gerais o suficiente para descrever a esforço físico em outras, como pular corda. As medições de sensores de unidade de medida inercial (IMU), como acelerômetros e giroscópios presentes em smartphones e relógios esportivos, têm sido aplicadas com sucesso na previsão da atividade que está sendo realizada pelo indivíduo, uma tarefa amplamente conhecida como “reconhecimento de atividade humana” (HAR). Isso sugere que esses sensores poderiam, a princípio, fornecer representações mais gerais do esforço físico de uma pessoa, mesmo que seja por meio da previsão da atividade. Muito poucos estudos publicados, no entanto, usam sinais de IMU para prever a frequência cardíaca e, os que o fazem, apresentaram algumas limitações sérias, como prever apenas alguns segundos no futuro antes de requerer recalibração ou considerar apenas um único indivíduo em sua avaliação, levando a questionamentos sobre sua aplicabilidade geral. Nesta dissertação, propomos um novo modelo para estimativa de FC utilizando dados IMU, baseado em Redes Neurais Recorrentes (RNN). A lógica por trás de nosso modelo é que uma mesma atividade provoca diferentes respostas de FC em diferentes indivíduos, dependendo do seu condicionamento físico. Portanto, nosso modelo tenta codificar o condixiii cionamento físico de um indivíduo em um vetor, denominado PCE, usando um módulo especialmente projetado para isso. O PCE é então usado para inicializar os vetores ocultos iniciais de uma RNN, que usa de células do tipo LSTM. Reforçamos essa codificação treinando o modelo em conjunto uma rede que discrimina se dois PCEs pertencem ao mesmo indivíduo. Avaliamos o modelo proposto ao prever a FC de 23 indivíduos realizando uma variedade de atividades físicas, a partir de dados IMU disponíveis em datasets públicos (PAMAP2, PPG-DaLiA). Para comparação, usamos o único modelo proposto especificamente para esta tarefa e dois modelos em estado da arte para a tarefa de HAR (pela semelhança entre as tarefas). Nosso método, denominado PCE-LSTM, resulta em erro absoluto médio mais de 10 % menor que os demais modelos avaliados. Demonstramos empiricamente que essa redução do erro se deve, em parte, ao uso do PCE. Por fim, usamos dois datasets (PPG-DaLiA, WESAD) para mostrar que o PCE-LSTM também pode ser aplicado com sucesso quando os sensores de fotopletismografia (PPG) estão disponíveis, superando o modelo baseado em redes neurais que é estado da arte em aproximadamente 30 %.