Изучение влияния показателей физической активности на расход калорий: подход машинного обучения с анализом SHAP

Почему ежедневное движение важнее, чем кажется

Для тех, кто носит фитнес-трекер или интересуется, сколько калорий действительно сжигает тренировка, это исследование открывает внутреннюю механику. Исследователи задали простой, но важный вопрос: как разные виды движения в течение дня складываются в суммарный расход калорий, и могут ли компьютеры превратить разрозненные данные трекера в понятные и надежные рекомендации для улучшения здоровья?

От простого подсчета шагов к умным предсказаниям

Традиционные методы оценивают расход калорий, опираясь на усредненные значения для широких типов активности, таких как ходьба или бег. Такие эмпирические правила не учитывают различия в размере тела, стиле движения и повседневных привычках людей. С распространением наручных устройств мы получаем богатые потоки данных о шагах, расстоянии и времени в различных уровнях активности. В этом исследовании использовали реальные данные 30 пользователей Fitbit за два месяца, чтобы проверить, смогут ли более продвинутые компьютерные модели на основе этих ежедневных записей точнее предсказывать расход калорий.

Четыре модели обучения в сравнительном тесте

Команда сравнила четыре вида моделей машинного обучения, каждая из которых «учится» по‑своему: регрессия опорных векторов, радиально-базисная нейронная сеть и две популярные деревовидные методики — случайный лес и XGBoost. Модели обучали на части данных, а затем тестировали на невидимых днях, чтобы оценить устойчивость предсказаний. Выделилась одна модель: регрессия опорных векторов показала наилучший баланс между подгонкой и реалистичностью, объясняя примерно три четверти вариации расхода калорий на новых данных. Некоторые более сложные модели выглядели отлично на тренировочных данных, но уступали на тестовых — признак того, что они запоминали шум вместо того, чтобы улавливать истинные закономерности.

Что действительно определяет расход калорий

Помимо точности, исследователям было важно понять, какие аспекты движения наиболее значимы. Они применили методику SHAP, которая рассматривает каждую меру активности как участника команды и вычисляет, сколько этот участник вносит в итоговый счет. Два признака явно доминировали: суммарное пройденное расстояние и общее количество шагов за день. Люди, которые перемещались дальше и делали больше шагов, как правило, сжигали значительно больше калорий. Время и расстояние, проведенные в очень интенсивной активности — быстрая ходьба, бег или подобное — также оказывали сильное положительное влияние, особенно когда эти значения превышали средний уровень по группе. В то же время легкая активность и время сидя были слабо связаны с расходом калорий, а длительные периоды сидения часто чуть снижали прогнозируемое энергопотребление.

Когда больше шагов не всегда значит лучше

Глубже в данных выяснилось, что счет шагов и расстояние тесно связаны, но не тождественны. Высокое число шагов без значительного пройденного расстояния — например, короткие перетыкивающиеся шаги — не всегда превращается в большой расход калорий. Объяснение интуитивно понятно: расстояние отражает, сколько фактически пройдено, и часто коррелирует с большей скоростью и усилием. Модель выявила своего рода порог эффективности: после достижения базового уровня движения простое добавление низкоэнергетичных шагов дает убывающую отдачу, если не увеличивается длина шага или темп. Эта тонкость помогает понять, почему у двух людей с похожим числом шагов могут быть разные результаты на весах.

Перевод выводов в повседневные советы

Сочетая предсказание и объяснение, исследование указывает путь к более персонализированным рекомендациям по упражнениям. Для тех, у кого мало времени, короткие всплески очень активного движения оказываются гораздо эффективнее для сжигания калорий, чем длительная легкая ходьба. Для тех, кто уже набирает много шагов, важнее идти немного быстрее или дальше, чем просто наращивать сырое число шагов. И хотя легкая активность и перерывы в сидении по‑прежнему важны для долгосрочного здоровья, их вклад в немедленный расход энергии относительно невелик по сравнению с продолжительными, более интенсивными нагрузками.

Что это значит для вашего ежедневного распорядка

Проще говоря, результаты показывают, что не все движения равны. Суммарное расстояние, общее число шагов и особенно время, проведенное в интенсивном движении, — главные драйверы дневного расхода калорий, в то время как неторопливая прогулка и длительное сидение дают гораздо меньший эффект. Модель опорных векторов, прозрачная благодаря анализу SHAP, демонстрирует, что разумное использование ваших ограниченных активных минут — проходить чуть дальше и интенсивнее вместо простого увеличения частоты — может сделать показатели трекера более значимыми и ваши усилия более эффективными для контроля веса и общего здоровья.

Цитирование: 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

Ключевые слова: физическая активность, расход калорий, портативные фитнес-трекеры, машинное обучение, интенсивность упражнений