استكشاف أثر مقاييس النشاط البدني على استهلاك السعرات الحرارية: نهج تعلّم آلي مدمج مع تحليل SHAP

لماذا الحركة اليومية أهم مما تظن

بالنسبة لأي شخص يرتدي متتبع لياقة أو يتساءل عن عدد السعرات الحرارية التي يحرقها تمرينه فعلاً، تقدم هذه الدراسة لمحةً عميقة عن الآليات الداخلية. طرح الباحثون سؤالاً بسيطاً لكنه مهم: كيف تتجمع أنواع الحركة المختلفة خلال اليوم لتُنتج حرق السعرات الحرارية، وهل يمكن لأدوات الحوسبة أن تحوّل فوضى بيانات المتتبعين إلى إرشادات واضحة وموثوقة لصحة أفضل؟

من عدّ الخطوات البسيط إلى تنبؤات ذكية

تعتمد الأساليب التقليدية على تقدير حرق السعرات بمعدلات متوسطة لفئات نشاط عامة مثل المشي أو الجري. هذه القواعد التجريبية تتجاهل اختلافات الأشخاص في حجم الجسم وأسلوب الحركة وأنماط النشاط. مع انتشار الأجهزة التي تُلبس حول الرسغ، نجمع الآن تدفقات غنية من البيانات حول الخطوات والمسافة والوقت المقضى في مستويات نشاط مختلفة. استخدمت هذه الدراسة بيانات فعلية من 30 مستخدماً لجهاز Fitbit على مدى شهرين لتبيان ما إذا كانت نماذج حاسوبية متقدمة قادرة على استخدام سجلات النشاط اليومية هذه للتنبؤ بدقة أكبر بعدد السعرات التي ينفقها الأشخاص.

اختبار أربعة آلات تعلم

قارن الفريق بين أربعة أنواع من نماذج التعلّم الآلي التي "تتعلم" الأنماط بطرق مختلفة: نموذج الانحدار بدعم المتجهات، وشبكة عصبية ذات دوال أساس شعاعية، وطريقتين شجريتين شعبيتين معروفتين باسم الغابة العشوائية وXGBoost. درّبوا النماذج على جزء من البيانات ثم اختبروها على أيام لم تُستخدم في التدريب لقياس مدى ثبات التنبؤات. برز نموذج واحد: قدم انحدار دعم المتجهات أفضل توازن بين الملاءمة والواقعية، موضحاً نحو ثلاثة أرباع التباين في حرق السعرات على بيانات جديدة. بعض النماذج الأكثر تعقيداً بدت ممتازة على بيانات التدريب لكنها تعثرت على بيانات الاختبار، وهو مؤشر على أنها كانت تحفظ الضوضاء بدلاً من التقاط الأنماط الحقيقية.

ما الذي يحرّك حرق السعرات فعلاً

بعيداً عن الدقة، أراد الباحثون معرفة أي جوانب الحركة لها الأهمية الأكبر. استخدموا تقنية تسمى SHAP، التي تعامل كل مقياس للنشاط كلاعب في فريق وتحسب مقدار مساهمة ذلك اللاعب في النتيجة النهائية. تهيمن ميزتان بوضوح: إجمالي المسافة المقطوعة وإجمالي الخطوات في اليوم. الأشخاص الذين تحرّكوا لمسافات أبعد واتخذوا خطوات أكثر عادةً ما أحرقوا سعرات حرارية أكثر بكثير. كما كان للوقت والمسافة في النشاط عالي الشدة — مثل المشي السريع أو الجري أو ما شابه — تأثير إيجابي قوي، خصوصاً عندما تتجاوز هذه القيم منتصف المجموعة. بالمقابل، كان النشاط الخفيف والوقت الجالس مرتبطين ارتباطاً ضعيفاً بحرق السعرات، وفترات الجلوس الطويلة غالباً ما خفّضت التنبؤ الخاص باستهلاك الطاقة.

متى لا تكون المزيد من الخطوات دائماً أفضل

بالتعمق أكثر، وجدت الدراسة أن عدد الخطوات والمسافة مرتبطان ارتباطاً وثيقاً لكنهما ليسا متماثلين. الحسابات العالية للخطوات دون مسافة كبيرة — فكر بالخطوات القصيرة المتثاقلة — لم تتحول دائماً إلى حرق كبير للسعرات. التفسير بديهي: تعكس المسافة مقدار الأرض التي تغطيها فعلياً وغالباً ما تتوافق مع سرعة وجهد أعلى. اقترح النموذج نوعاً من عتبة الكفاءة: بعد الوصول إلى مستوى أساسي من الحركة، فإن إضافة المزيد من الخطوات منخفضة الجهد تعطي عوائد متناقصة ما لم تزداد خطوة المشي أو الوتيرة. تساعد هذه التفاصيل في تفسير سبب اختلاف نتائج ميزان شخصين لديهما أعداد خطوات متقاربة.

تحويل الرؤى إلى نصائح يومية

من خلال دمج التنبؤ والشرح، تشير الدراسة إلى إرشادات تمرين أكثر تخصيصاً. بالنسبة لمن لديهم وقت محدود، تبدو فترات قصيرة من الحركة شديدة النشاط أكثر فعالية لحرق السعرات من فترات أطول من المشي الخفيف. لأولئك الذين يحققون بالفعل أعداد خطوات مرتفعة، قد يكون التركيز على المشي أسرع أو لمسافة أطول أكثر أهمية من دفع عدد الخطوات الخام للأعلى. وبينما يظل النشاط الخفيف وفواصل الجلوس مهمين للصحة على المدى الطويل، فإن مساهمتهم في استهلاك الطاقة الفوري تظل صغيرة نسبياً مقارنةً بالنشاط المستمر عالي الشدة.

ماذا يعني هذا لروتينك اليومي

بصراحة، تشير النتائج إلى أن ليس كل حركة متساوية. المسافة الإجمالية، وإجمالي الخطوات، وخاصة الوقت المقضى في الحركة الشديدة، هي المحركات الرئيسة لحرق السعرات اليومية، بينما يساهم المشي الخفيف وفترات الجلوس الطويلة بدرجة أقل بكثير. يُظهر نموذج انحدار دعم المتجهات، المكشوف عبر تحليل SHAP، أن الاستخدام الذكي لدقائقك النشطة المحدودة — السير أبعد وبقوة أكبر بدلاً من مجرد زيادة التكرار — يمكن أن يجعل أرقام متتبعك أكثر معنىً وجهودك أكثر فاعلية في إدارة الوزن والصحة العامة.

الاستشهاد: Lin, S., Zhang, Y. Exploring the Impact of Physical Activity Metrics on Calorie Consumption: A Machine Learning Approach Combined with SHAP Analysis. Sci Rep 16, 11053 (2026). https://doi.org/10.1038/s41598-026-40830-x

الكلمات المفتاحية: النشاط البدني, إنفاق السعرات الحرارية, أجهزة تتبع اللياقة القابلة للارتداء, التعلّم الآلي, شدة التمرين