OpenMetabolics: Estimando o gasto de energia usando um smartphone no bolso

Por que seu telefone pode transformar cuidados com a saúde

Manter-se ativo é uma das maneiras mais simples de proteger a saúde, mas ainda temos dificuldade para medir quanto movimento nossos corpos realmente fazem a cada dia. Monitores de atividade e contadores de passos oferecem estimativas aproximadas, mas frequentemente perdem surtos curtos de atividade e subestimam o esforço. Este estudo apresenta o OpenMetabolics, uma nova forma de usar um smartphone comum guardado no bolso da calça para estimar quanta energia você gasta no dia a dia, potencialmente permitindo que qualquer pessoa com um telefone tenha acesso a monitoramento de atividade com precisão de laboratório.

Transformando telefones de bolso em medidores de atividade

A ideia central do OpenMetabolics é que suas pernas fazem a maior parte do trabalho em atividades comuns como caminhar, subir escadas, correr e pedalar. Quando um telefone está no bolso, os sensores de movimento integrados percebem cada balanço da perna. Os pesquisadores criaram um sistema que observa esse movimento das pernas e o usa para estimar quanto suas fibras musculares estão gastando de energia. Em vez de depender apenas de contagem de passos ou zonas de frequência cardíaca, o sistema estuda o padrão de movimento de cada passo e o relaciona ao gasto de energia medido em experimentos de laboratório anteriores.

Do movimento bruto ao gasto de energia

Para fazer isso funcionar, a equipe primeiro teve que traduzir o movimento do mundo real, que é ruidoso, em algo que um computador pudesse aprender. Eles projetaram algoritmos que alinham a posição do telefone com a coxa, segmentam o movimento em passos individuais de caminhada ou corrida e reduzem cada passo a uma descrição compacta de como a perna se moveu. Em seguida, treinaram um modelo de aprendizado de máquina — construído a partir de muitas pequenas árvores de decisão — com dados de 36 pessoas que realizaram atividades no laboratório enquanto seu gasto energético real era medido com equipamento respiratório especializado. Esse modelo aprendeu a relação entre o movimento da perna, o tamanho do corpo e o uso de energia, permitindo estimar posteriormente a energia gasta por passo fora do laboratório.

Superando wearables populares nas ruas reais

Em seguida, os pesquisadores testaram o OpenMetabolics em ambientes cotidianos. Voluntários caminharam, correram, subiram escadas, pedalaram e caminharam em inclinações ao ar livre enquanto usavam um sistema respiratório tipo mochila para medições de referência, além de dispositivos comuns: um smartwatch, um monitor de frequência cardíaca, um pedômetro, um sensor de movimento preso à coxa e um telefone preso à coxa. Entre essas atividades, o sistema baseado em smartphone OpenMetabolics apresentou as estimativas de energia mais precisas, com aproximadamente metade do erro cumulativo de muitas ferramentas existentes. Desempenhou‑se especialmente bem durante caminhadas reais em calçadas e escadas, onde contadores de passos simples e dispositivos de pulso frequentemente confundem caminhada lenta e fácil com subidas mais extenuantes ou caminhada em inclinação.

Corrigindo o problema dos bolsos instáveis

É claro que as pessoas normalmente não usam o telefone preso à coxa. Na vida real, os telefones se movimentam dentro de bolsos folgados, criando “ruído de movimento” que pode confundir os sensores. Para resolver isso, a equipe registrou dados de caminhada de pessoas usando diferentes tipos de roupa — jeans, moletom, bermuda comum e bermuda esportiva — enquanto carregavam um telefone no bolso e outro preso firmemente à coxa. Eles treinaram um modelo de correção simples que aprende o movimento extra típico causado pelo deslocamento do telefone no bolso e o subtrai. Isso reduziu os erros de movimento em mais de um quarto e eliminou a maior parte do viés nas estimativas de energia entre os tipos de roupa. Quando os pesquisadores simularam centenas de combinações de pessoas e vestimentas, os dados corrigidos do telefone no bolso se mostraram tão precisos quanto os do telefone preso firmemente.

Ver a vida diária em detalhes finos

Por fim, a equipe conduziu um estudo domiciliar de uma semana no qual os participantes simplesmente carregaram um smartphone do estudo no bolso durante as horas em que estavam acordados. O OpenMetabolics produziu uma estimativa de energia para quase todos os passos, revelando padrões ricos ao longo de dias e semanas. Captou quanto o movimento se concentrava nos horários de deslocamento, como os níveis de atividade variavam entre indivíduos e como o gasto de energia caía aos domingos em comparação com dias de semana — refletindo tendências observadas em estudos populacionais maiores. Como todo o sistema é implementado como um app e os dados e o código são abertos, ele pode, em princípio, ser usado com grandes grupos de pessoas em muitos contextos, incluindo comunidades que não têm acesso a dispositivos médicos caros.

O que isso significa para a saúde do dia a dia

Para leigos, a conclusão é direta: este trabalho mostra que um smartphone comum no seu bolso pode acompanhar de perto quanto energia você gasta, passo a passo, rivalizando com equipamentos especializados de laboratório e superando muitos wearables populares. Tornando os métodos e o software open source, os autores esperam que pesquisadores, clínicos e grupos de saúde pública possam conduzir estudos amplos e de baixo custo que finalmente esclareçam como o movimento no mundo real molda a saúde, o risco de doenças e o sucesso de tratamentos. A longo prazo, ferramentas como o OpenMetabolics podem ajudar a personalizar orientações de exercício, orientar o desenho urbano, apoiar programas de controle de peso e reabilitação e levar monitoramento de atividade de alta qualidade a pessoas que nunca tiveram um rastreador de atividades.

Citação: Cho, H., Slade, P. OpenMetabolics: Estimating energy expenditure using a smartphone worn in a pocket. Commun Eng 5, 35 (2026). https://doi.org/10.1038/s44172-026-00604-9

Palavras-chave: atividade física, gasto de energia, sensoriamento por smartphone, saúde vestível, padrões de caminhada