《IEEE Transactions on Big Data》：Estimating Visceral Adiposity From Wrist-Worn Accelerometry
编辑推荐：
本研究针对内脏脂肪组织(VAT)临床检测成本高、操作复杂的问题，开发了基于腕戴加速计数据估测VAT的新方法。研究团队利用NHANES大数据，结合步态/睡眠特征工程与深度学习Transformer模型，实现了VAT高精度估测(r=0.86)。该研究证实了体力活动与代谢健康的强关联，为无创代谢风险评估提供了创新技术途径。
在现代社会，肥胖及相关代谢性疾病已成为全球性健康挑战。内脏脂肪组织(VAT)作为隐藏在腹腔深处的"危险脂肪"，与2型糖尿病、胰岛素抵抗等代谢紊乱密切相关。然而，准确测量VAT一直是个难题——传统的计算机断层扫描(CT)虽精确但昂贵且有辐射，而简单的身体测量指标如体重指数(BMI)、腰围等又无法准确反映内脏脂肪的真实情况。这种检测困境限制了VAT在临床和公共卫生领域的广泛应用。
有意思的是，VAT与我们的日常活动有着微妙联系。它不仅是一个静态的脂肪储存库，更是一个对运动刺激高度敏感的动态组织。当我们运动时，儿茶酚胺类物质会刺激VAT分解，这意味着通过分析日常活动模式，或许能间接评估VAT水平。正是基于这一科学假设，James R. Williamson团队开展了一项创新研究，探索如何通过普通的腕戴式加速度计来估测这一重要的健康指标。
研究团队利用了美国国家健康与营养调查(NHANES)2011-2014年的大规模数据，筛选出20-60岁、拥有7天连续加速度计数据的4,883名成年人。这些参与者佩戴在非优势手腕上的ActiGraph GT3X+设备以80Hz频率记录他们的每一个动作，为研究提供了丰富的原始数据。
为了从这些海量数据中提取有价值的信息，研究人员采用了双管齐下的策略。一方面，他们基于对步态和睡眠这两个关键行为的深入理解，设计了一套精细的特征工程方案。通过分析加速度信号，他们不仅捕捉了步频、强度等传统指标，还引入了一种称为时间延迟嵌入(TDE)的先进技术，能够揭示运动动力学的深层次特征。另一方面，团队采用了前沿的深度学习方法，先使用预训练的基础模型将每10秒加速度数据转换为特征向量，再通过Transformer模型分析全天活动模式，最终生成VAT估计值。
研究发现，运动动力学特征与VAT的关联最为显著，特别是在与步频相关的时间尺度上。例如，在时间延迟约为0.56秒(接近平均步频)时，TDE特征与VAT的相关系数高达0.40。而深度学习模型则能够从全天的活动模式中捕捉到与VAT相关的微妙变化。
当结合人口统计学和身体测量指标(如年龄、性别、身高、体重、腰围等)时，模型的预测精度得到进一步提升。最终，通过融合传统特征工程和深度学习两种方法的优势，研究实现了对VAT的准确估测，相关系数达到0.86，平均绝对误差为109.5克。
这项发表在《IEEE Journal of Biomedical and Health Informatics》的研究具有重要意义。它不仅证实了日常活动与代谢健康之间的密切联系，更重要的是开发了一套实用、无创的VAT评估工具。对于医疗资源有限的地区或需要长期监测的人群，这种方法提供了传统影像学检查之外的新选择。此外，研究揭示的特定运动特征与VAT的关联，也为制定更有针对性的运动干预方案提供了科学依据。
关键技术方法包括：1)基于NHANES队列的腕戴加速度数据(80Hz)处理；2)步态与睡眠特征工程(时间延迟嵌入等技术)；3)深度学习框架(基础模型+Transformer架构)；4)多模态数据融合(加速度数据与人口统计学/身体测量指标)。
III. 方法
A. 数据集
研究采用NHANES 2011-2014年数据，纳入20-60岁、拥有7天连续腕戴加速度数据的4,883名参与者。加速度计(ActiGraph GT3X+)以80Hz频率采集数据，VAT通过双能X线吸收测量法(DXA)量化。
B. 步态特征
步态帧检测基于加速度幅度标准差(MSD)>0.1g且持续≥10秒的时段。从5秒帧中提取四类特征：步频与周期性、运动强度、时间模式和运动动力学特征，其中时间延迟嵌入(TDE)特征表现突出。
C. 睡眠特征
睡眠时段基于MSD<0.01g且持续≥2小时的时段定义。分析睡眠碎片化参数和睡眠期间的运动特征，包括运动强度、动力学指标和手腕位置信息。
D. 协变量变量
纳入年龄、性别、身高、体重、BMI和腰围等协变量以提升模型性能。
E. 基于步态、睡眠和MIMS特征的回归模型
使用岭回归模型比较不同特征组合的预测效果，发现基于原始加速度的特征显著优于基于1分钟汇总统计(MIMS)的特征。
F. 深度学习模型
采用两阶段深度学习框架：基础模型将每10秒加速度数据映射为特征向量，Transformer模型分析全天特征序列。 performer Transformer在线性计算复杂度下处理长序列优势明显。
G. 融合岭回归和Transformer的VAT估计
通过加权平均融合两种方法估计值，在测试集上达到最佳性能(r=0.858，MAE=109.5g)。
IV. 结果
A. 步态特征与VAT的相关性
TDE动力学特征与VAT相关性最强(r=0.40-0.34)，步态强度特征呈负相关。活动碎片化模式与VAT显著相关。
B. 睡眠特征与VAT的相关性
睡眠运动强度与VAT负相关，运动动力学特征呈正相关。睡眠碎片化参数关联较弱。
C. 示例特征图
通过高低VAT受试者的对比显示，加速度MSD与VAT负相关，而TDE特征与VAT正相关。
D. 基于步态和睡眠特征的VAT估计
融合所有特征时估计精度最高(r=0.702)，TDE特征是主要贡献者。
E. 与MIMS特征的比较
基于原始80Hz数据的特征显著优于1分钟汇总统计特征(r=0.693 vs 0.394)。
F. 深度学习Transformer
Performer Transformer结合协变量时表现最佳(r=0.856)，证明加速度数据提供互补信息。
G. 融合估计
岭回归与深度学习估计的加权融合进一步提升性能，在超重/肥胖亚群中改善尤为明显。
研究通过多维度活动分析证实了日常活动模式与内脏脂肪的密切关联，开发了基于腕戴加速度计的VAT无创评估方法。深度学习与传统特征工程的融合实现了高精度估计(r=0.86)，特别在超重/肥胖人群中价值显著。该技术为代谢健康风险评估提供了便捷工具，揭示了活动强度、碎片化和运动动力学特征的特定作用机制，为个性化健康干预提供了新思路。研究的主要局限在于无法确定因果关系方向，且自由生活条件下的行为分类存在一定不确定性。未来工作将扩展行为类别分析并探索更多健康指标关联。
