Pontos kalóriaszámlálás mobiltelefonnal

Számos sportolóval, fogyni vágyóval előfordul, hogy edzés után elégedetten nézik az okosórájuk kijelzőjén megjelenő „elégetett kalóriák” számát, ám ezek az értékek a valóságtól gyakran jelentősen eltérnek. A kereskedelmi forgalomban kapható aktivitásmérők becslései akár 30–80%-os hibahatárral is működhetnek, mivel az eszközök nem közvetlenül mérik az energiafelhasználást, hanem különböző változókból – például pulzusszámból, csuklómozgásból, testmagasságból és testsúlyból – próbálnak következtetni rá.

A Harvard Egyetem kutatói ezért a mostani módszereknél egy sokkal pontosabb megoldást dolgoztak ki. Patrick Slade és kutatócsoportja egy új, nyílt forráskódú, okostelefon-alapú aktivitásmonitor-rendszert fejlesztett ki OpenMetabolics néven, amely gépi tanulási algoritmusok segítségével a lábizmok mozgásmintáiból számítja ki az energiafelhasználást. A Communications Engineering folyóiratban publikált laboratóriumi vizsgálatok adatai szerint ez a módszer csaknem kétszer pontosabb - mindössze 18%-os kumulatív hibahatárral dolgozik - a jelenleg elterjedt okosóráknál és fitnesz monitorozó alkalmazásoknál. A fejlesztés nemcsak a mindennapi aktivitás mérését teheti megbízhatóbbá, hanem a testmozgás egészségügyi hatásait vizsgáló kutatások minőségét is jelentősen javíthatja.

Slade kiemelte, hogy a fizikai aktivitás kulcsfontosságú számos egészségi állapot kezelésében, és egy okostelefonra épülő rendszer nagy előnye, hogy széles körben, akár erőforráshiányos térségekben is könnyen alkalmazható. A kutatócsoport által fejlesztett modell képes korrigálni azokat a mozgási „zavaró jeleket”, amelyek abból adódnak, hogy a telefon a zsebben különböző irányokba mozdul el, így a mérés pontossága a valós élethelyzetekben is megmarad.

A rendszer működésének alapját az okostelefon giroszkópja és gyorsulásmérője szolgáltatja, amelyek folyamatosan rögzítik a láb mozgását. A gépi tanulási modell ezeket a mozgásmintákat alakítja át energiafelhasználási értékekké. A kutatócsoport korábbi verziói még kétpontos, testre rögzített érzékelőket igényeltek, ám a mostani fejlesztés célja az volt, hogy a technológia kizárólag okostelefon-szenzorokra támaszkodva is megbízhatóan működjön, különböző testalkatú, életkorú és aktivitási szintű embereknél.

A valós élethelyzeteket utánzó vizsgálatokban 30 résztvevő vett részt, akik különböző intenzitású tevékenységeket végeztek, például sétáltak, kerékpároztak vagy lépcsőztek. A kutatók arra törekedtek, hogy a mindennapi mozgás változatosságát is modellezzék, hiszen az emberek nem egyenletes tempóban közlekednek: másképp járnak bevásárlás közben, mint amikor például a busz után rohannak. A telefon zsebben történő elmozdulásából eredő hibákat egy külön erre fejlesztett korrekciós modell szűrte ki.

Cho, a tanulmány első szerzője személyes motivációt is említett: futóként gyakran tapasztalta, hogy az okosórák által jelzett kalóriaértékek irreálisan magasak vagy alacsonyak. Emellett arra is felhívta a figyelmet, hogy a világ számos régiójában hiányoznak a megbízható, populációszintű aktivitásadatok, mivel az okosórák sokkal kevésbé elterjedtek az okostelefonokhoz képest.

Slade hozzátette, hogy a kutatócsoport a technológia által gyűjtött adatok globális egészségügyi alkalmazási lehetőségeit is vizsgálja, különös tekintettel a latin-amerikai országok szív-érrendszeri kockázatainak felmérésére és csökkentésére.

Írásunk az alábbi közlemények alapján készült:

A more accurate measure of calories burned: Model interprets leg motion as expended energy

OpenMetabolics: Estimating energy expenditure using a smartphone worn in a pocket

Irodalmi hivatkozás:

Haedo Cho et al, OpenMetabolics: Estimating energy expenditure using a smartphone worn in a pocket, Communications Engineering (2026). DOI: 10.1038/s44172-026-00604-9