Προς το περιεχόμενο

Χαμηλές οι επιδόσεις των fitness trackers στη μέτρηση των θερμίδων


deligkos

Προτεινόμενες αναρτήσεις

Τα περισσότερα fitness trackers καταγράφουν με ακρίβεια τους σφυγμούς, όχι όμως και τις θερμίδες που “καίει” ο χρήστης τους όταν αθλείται. Αυτό έδειξε έρευνα επιστημόνων του Stanford, οι οποίο εξέτασαν τις επιδόσεις επτά συσκευών – των Apple Watch, Fitbit Surge, Basis Peak, Microsoft Band, PulseOn MIP Alpha 2 και Samsung Gear S2.

Σύμφωνα με τους επιστήμονες, σε όσες από τις παραπάνω συσκευές μετρούν θερμίδες καθώς κανείς γυμνάζεται, βρέθηκε απόκλιση τουλάχιστον 20% ανάμεσα στις μετρήσεις τους και την πραγματική κατανάλωση. Μάλιστα, στην περίπτωση του fitness tracker της PulseOn, το “χάσμα” είναι ακόμη μεγαλύτερο.

 

Έτσι, οι επιστήμονες προειδοποιούν τους καταναλωτές να μην βασίζουν στα δεδομένα των γκάτζετ τη διατροφή τους. Επίσης, καλούν τις εταιρείες να δώσουν στοιχεία για το πώς τα προϊόντα τους υπολογίζουν τις καταναλισκόμενες θερμίδες.

 

Η έρευνα βασίσθηκε σε 60 εθελοντές, οι οποίοι περπατούσαν, έτρεχαν και έκαναν ποδήλατο φορώντας τα fitness tracker. Στον αντίποδα, βρήκε πως τα γκάτζετ του είδους μετρούν αξιόπιστα τους καρδιακούς παλμούς – και μάλιστα, με το ποσοστό σφάλματος να μην ξεπερνά το 5% σε όλες εκτός από το Samsung Gear S2, στο οποίο υπολογίσθηκε σε 6,8%.

 

Link.png Site: BBC

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

από περιέργεια, ο πιο αξιόπιστος τρόπος με βάση τον οποίο υπολογίζονται οι θερμίδες και προφανώς συγκρίνονται τα αποτελέσματα ποιος είναι;

(δεν έχω ιδέα για αυτό ρωτάω) 

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Γιατί είπε κανένας ότι ήταν ποτέ ακριβή?

 

 

από περιέργεια, ο πιο αξιόπιστος τρόπος με βάση τον οποίο υπολογίζονται οι θερμίδες και προφανώς συγκρίνονται τα αποτελέσματα ποιος είναι;

(δεν έχω ιδέα για αυτό ρωτάω) 

Μόνο εκπαιδεύοντας ένα νευρωνικό δίκτυο που θα παραμετροποιεί τους αισθητήρες πάνω στο βραχιόλι, με βιομετρικά στοιχεία του ευατού σου.

 

Πχ για 100 παλμούς και τάδε πίεση η κατανάλωση θερμίδων βάση της ηλικίας σου, του ποσοτού λίπους, του βάρους σου κτλ κτλ είναι 200 θερμίδες ανα ώρα. Κάπως έτσι. 

  • Like 8
Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Δηλαδή τα fitness trackers, δεν είναι "γκάτζετς" όπως αναφέρεται προς το τέλος; Μπερδεύτηκα ποιητή μου.

τα γκάτζετ του είδους

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Γιατί είπε κανένας ότι ήταν ποτέ ακριβή?

 

 

Μόνο εκπαιδεύοντας ένα νευρωνικό δίκτυο που θα παραμετροποιεί τους αισθητήρες πάνω στο βραχιόλι, με βιομετρικά στοιχεία του ευατού σου.

 

Πχ για 100 παλμούς και τάδε πίεση η κατανάλωση θερμίδων βάση της ηλικίας σου, του ποσοτού λίπους, του βάρους σου κτλ κτλ είναι 200 θερμίδες ανα ώρα. Κάπως έτσι. 

 

Και γιατί χρειάζεται νευρωνικό δίκτυο για αυτό? Απλή αριθμητική χρειάζεται.

Το πρόβλημα είναι ο αλγόριθμος που υπολογίζει τις θερμίδες, όχι η τεχνολογία. 

 

Βασικά πρέπει να μετρήσεις το VO2MAX του προπονούμενου, να εισάγεις βιομετρικά δεδομένα (ύψος, βάρος, ηλικία, καρδ. παλμούς) και υπάρχουν αλγόριθμοι που σου βγάζουν καλά αποτελέσματα, αλλά αν θες 100% ακρίβεια, πρέπει να κάνεις μία αξιόπιστη μέτρηση του metabolic rate του προπονούμενου και να εισάγεις μία ακόμη παράμετρο που θα διορθώνει το αποτέλεσμα του αλγορίθμου που δουλεύει "ικανοποιητικά" για τον περισσότερο κόσμο, ώστε να δουλεύει σωστά για τον συγκεκριμένο προπονούμενο.

 

ΔΕΝ χρειάζεται νευρωνικό δίκτυο για κάτι τέτοιο, ούτε κατά διάνοια! 

  • Like 6
Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

από περιέργεια, ο πιο αξιόπιστος τρόπος με βάση τον οποίο υπολογίζονται οι θερμίδες και προφανώς συγκρίνονται τα αποτελέσματα ποιος είναι;

(δεν έχω ιδέα για αυτό ρωτάω) 

 

με το ειδος του αθληματος που κανει καποιος ,την διαρκεια της ασκησης σε λεπτα και την ενταση των καρδιακων παλμων ...και μεσες ακρες βγαινουν οι μετρησεις.....ξερουμε π.χ. οτι καποιος που κανει κολυμβηση για 45 λεπτα με ενταση σε πισινα που το μηκος της ειναι 33 μετρα και με παλμους κοντα στους 130 ,μεσες ακρες εχει καψει 600 θερμιδες +/- ....δεδομενα βαζουν βασικα με παραμετρους και αναλογα σε ποια κλιμακα εισαι περιπου αναλογα την ασκηση που ασκεις και βγαινει ενα αποτελεσμα ....καπως ετσι στο περιπου !!!

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Και γιατί χρειάζεται νευρωνικό δίκτυο για αυτό? Απλή αριθμητική χρειάζεται.

Το πρόβλημα είναι ο αλγόριθμος που υπολογίζει τις θερμίδες, όχι η τεχνολογία.

 

Βασικά πρέπει να μετρήσεις το VO2MAX του προπονούμενου, να εισάγεις βιομετρικά δεδομένα (ύψος, βάρος, ηλικία, καρδ. παλμούς) και υπάρχουν αλγόριθμοι που σου βγάζουν καλά αποτελέσματα, αλλά αν θες 100% ακρίβεια, πρέπει να κάνεις μία αξιόπιστη μέτρηση του metabolic rate του προπονούμενου και να εισάγεις μία ακόμη παράμετρο που θα διορθώνει το αποτέλεσμα του αλγορίθμου που δουλεύει "ικανοποιητικά" για τον περισσότερο κόσμο, ώστε να δουλεύει σωστά για τον συγκεκριμένο προπονούμενο.

 

ΔΕΝ χρειάζεται νευρωνικό δίκτυο για κάτι τέτοιο, ούτε κατά διάνοια!

Για να είναι αυτοδιορθουμενο και να μην χρειάζεται να φτιάξεις τις παραμέτρους με το χέρι, ένα απλό ΑΝΝ με ένα κρυφό επίπεδο αρκεί για να έχει αποτελέσματα καλύτερα από δέκα διατροφολόγους και personal trainer μαζί.

 

Μ'αρεσει η σιγουριά σου πάντως. Δεν είναι καλο πράγμα.

 

Τέτοιο σφάλμα έχουν γιατί είναι fixed parameters για διαφορετικούς ανθρώπους, ενώ με ένα ΑΝΝ θα μπορούσε να είναι αυτορυθμιζόμενο για τον κάθε χρήστη.

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

 

Μόνο εκπαιδεύοντας ένα νευρωνικό δίκτυο που θα παραμετροποιεί τους αισθητήρες πάνω στο βραχιόλι, με βιομετρικά στοιχεία του ευατού σου.

 

Πχ για 100 παλμούς και τάδε πίεση η κατανάλωση θερμίδων βάση της ηλικίας σου, του ποσοτού λίπους, του βάρους σου κτλ κτλ είναι 200 θερμίδες ανα ώρα. Κάπως έτσι. 

 

Χωρίς να ειμαι ειδικός, δεν θα χρειαστει και (μερικες χιλιαδες) data για να κάνει training αυτο το νευρωνικο δικτυο?

Δηλαδη τιμές παραμέτρων π.χ. παλμους, πίεση, ποσοστο λίπους κλπ (ok, πες απο τον αισθητήρα) αλλα και "για ένα διάστημα" τις αντιστοιχες/πραγματικές θερμίδες που καίγονται απο εσένα, για να ρυθμίσει τα βάρη του νευρωνικού πάνω σε εσένα?

 

(Αν χρησιμοποιήσουν πειραματικα δεδομένα π.χ. ιατρικες μελετες, δεν ειμαι σιγουρος οτι αρκουν για να καλύψουν όλες τις ιδιαιτεροτητες της καθε περιπτωσης και λογικά στην καλυτερη καταλήγεις πάλι σε fixed τιμες παραμετρων του δικτύου-γενικευμενη προσέγγιση.)

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Για να είναι αυτοδιορθουμενο και να μην χρειάζεται να φτιάξεις τις παραμέτρους με το χέρι, ένα απλό ΑΝΝ με ένα κρυφό επίπεδο αρκεί για να έχει αποτελέσματα καλύτερα από δέκα διατροφολόγους και personal trainer μαζί.

 

Μ'αρεσει η σιγουριά σου πάντως. Δεν είναι καλο πράγμα.

 

Τέτοιο σφάλμα έχουν γιατί είναι fixed parameters για διαφορετικούς ανθρώπους, ενώ με ένα ΑΝΝ θα μπορούσε να είναι αυτορυθμιζόμενο για τον κάθε χρήστη.

 

Για να είναι αυτοδιορθούμενο θα πρέπει με κάποιο τρόπο να γνωρίζει ποια είναι τα σωστά δεδομένα για να βγάλει αποτελέσματα το machine learning. Και αφού μάθει το ΑΝΝ τότε θα βγάζει σίγουρα πολύ καλά αποτελέσματα. 

Χρειάζεται ντε και καλά ΑΝΝ ? Όχι. Κάνεις μια χαρά τη δουλειά σου και χωρίς ΑΝΝ. Είσαι στο 100% ? Όχι. Αλλά φτάνεις στο 90-95% εύκολα.

Τώρα για πες μου πόσες φορές θα πρέπει να μετρήσεις τον μεταβολισμό κάποιου για να εκπαιδεύσεις το ΑΝΝ; 

Και πόσες ακόμα κατά την άσκηση; Και πως θα το κάνεις αυτό για κάθε "βραχιόλι" που κυκλοφορεί; Και αυτό για να φτάσει από το 90-95% στο 98% άντε στο 99% . Εκτός και αν χρησιμοποιήσεις στατιστικά, οπότε πάλι έρχεσαι στο ίδιο πρόβλημα γιατί το ΑΝΝ δεν θα γνωρίζει το σφάλμα του μέχρι να γίνουν αρκετές μετρήσεις. 

 

Όσο για την σιγουριά μου να σου θυμίσω :

 

 

Γιατί είπε κανένας ότι ήταν ποτέ ακριβή?

 

 

Μόνο εκπαιδεύοντας ένα νευρωνικό δίκτυο που θα παραμετροποιεί τους αισθητήρες πάνω στο βραχιόλι, με βιομετρικά στοιχεία του ευατού σου.

 

Πχ για 100 παλμούς και τάδε πίεση η κατανάλωση θερμίδων βάση της ηλικίας σου, του ποσοτού λίπους, του βάρους σου κτλ κτλ είναι 200 θερμίδες ανα ώρα. Κάπως έτσι. 

 

Δεν πειράζει να αφήνεις και κανένα παραθυράκι. 

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Να δεν είπα ότι και fixed έχει πρόβλημα, αλλά a priori έχεις μέσο σφάλμα όσο και η διακύμανση του πληθυσμού/2.

 

Το train μπορεί να γίνει δίνοντας ο άνθρωπος για δυο μέρες πχ το πόσες θερμίδες έκαψε. Την αντιστοιχία με τις μετρήσεις που καταγράφει ο αισθητήρας, το κάνει το ΑΝΝ. Είναι σίγουρα καλύτερο από το fixed που είναι για τον μέσο όρο.

 

Το πρόβλημα είναι το πως θα σωθούν με ακρίβεια οι θερμίδες τις δυο μέρες του train.

 

Anyway, παρόμοιο πράγμα λέμε, δεν έχεις άδικο.

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Εδω καναμε νευρωνικα δικτυα για πλυντηρια δεν θα κανουμε για fitness trackers? Δωστε fuzzy logic στον λαω ΩΡΕ!! :P

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Δεν χρειάζεται τόση ακρίβεια! Με 90% κάνεις άνετα την δουλειά σου ούτε καν σε επαγγελματίκο επίπεδο δε χρειάζεται η τόση ακρίβεια επίσης είναι πολλαπλές παράμετροι εκτός από αυτά που αναφέρουμε π.χ ύψος που γυμναζομαστε κλίση κλπ δεν χρειάζεται με τίποτα τόση ακρίβεια αν έχουν 90 92% είναι υπέρ αρκετα

Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες
Εδω καναμε νευρωνικα δικτυα για πλυντηρια δεν θα κανουμε για fitness trackers? Δωστε fuzzy logic στον λαω ΩΡΕ!! :P

 

Με φώναξε κανείς;

 

Με νευρωνικό ή νεύροασαφες μοντέλο ή με hybrid models μπορεί μια χαρά να γίνει.

  • Like 1
Σύνδεσμος στην ανάρτηση
Κοινοποίηση σε άλλες σελίδες

Δημιουργήστε ένα λογαριασμό ή συνδεθείτε για να σχολιάσετε

Πρέπει να είστε μέλος για να αφήσετε σχόλιο

Δημιουργία λογαριασμού

Εγγραφείτε με νέο λογαριασμό στην κοινότητα μας. Είναι πανεύκολο!

Εγγραφείτε για έναν νέο λογαριασμό

Σύνδεση

Έχετε ήδη λογαριασμό; Συνδεθείτε εδώ.

Συνδεθείτε τώρα
  • Δημιουργία νέου...

Με την περιήγησή σας στο insomnia.gr, αποδέχεστε τη χρήση cookies που ενισχύουν σημαντικά την εμπειρία χρήσης.