Fiziksel Aktivite Ölçümlerinin Kalori Tüketimi Üzerindeki Etkisini Keşfetmek: SHAP Analiziyle Birleştirilmiş Makine Öğrenimi Yaklaşımı

Günlük Hareketin Önemsiz Olmadığını Anlamak

Bir fitness takipçisi takan veya antrenmanının gerçekten kaç kalori yaktığını merak eden herkes için bu çalışma motor kaputun altına bakma olanağı sunuyor. Araştırmacılar basit ama önemli bir soru sordular: gün boyunca ortaya çıkan farklı hareket türleri kalori yakımına nasıl katkıda bulunur ve bilgisayarlar takip cihazı verilerinin karmaşasını daha net, güvenilir sağlığa yönelik önerilere dönüştürebilir mi?

Basit Adım Sayımlarından Akıllı Tahminlere

Geleneksel yöntemler, yürüme veya koşma gibi geniş etkinlik türleri için ortalama değerleri kullanarak kalori yakımını tahmin eder. Bu kestirme kurallar insanların vücut büyüklüğü, hareket stili ve aktivite düzenleri bakımından ne kadar farklılaştığını görmezden gelir. Bileğe takılan cihazların yaygınlaşmasıyla adım, mesafe ve farklı aktivite düzeylerinde geçirilen süre gibi zengin veri akışları topluyoruz. Bu çalışma, günlük aktivite kayıtlarından daha doğru şekilde kaç kalori harcandığını tahmin edip edemeyeceklerini görmek için iki ay boyunca 30 Fitbit kullanıcısından gerçek veriler kullandı.

Dört Öğrenen Makineyi Sınamak

Ekip, her biri farklı şekillerde desen «öğrenen» dört tür makine öğrenimi modelini karşılaştırdı: destek vektör regresyonu modeli, radyal basis fonksiyonlu sinir ağı ve rastgele orman ile XGBoost olarak bilinen iki popüler ağaç tabanlı yöntem. Modelleri verinin bir kısmı üzerinde eğittiler ve sonra tahminlerin ne kadar iyi olduğunu görmek için görülmemiş günlerde test ettiler. Bir model öne çıktı: destek vektör regresyonu, yeni veride kalori yakımındaki değişimin yaklaşık dörtte üçünü açıklayarak uyum ile gerçekçilik arasında en iyi dengeyi sundu. Daha karmaşık bazı modeller eğitim verisinde mükemmel görünürken test verisinde tökezledi; bu, gerçek desenleri yakalamaktan çok gürültüyü ezberlediklerinin işaretiydi.

Gerçekte Kalori Yakımını Ne Sürükler

Doğruluğun ötesinde, araştırmacılar hangi hareket özelliklerinin en fazla öneme sahip olduğunu bilmek istedi. Her bir etkinlik ölçütünü takım içindeki bir oyuncu gibi ele alan ve o oyuncunun nihai skora ne kadar katkıda bulunduğunu hesaplayan SHAP adlı bir teknik kullandılar. İki özellik açıkça baskındı: bir günde kat edilen toplam mesafe ve atılan toplam adım sayısı. Daha fazla hareket eden ve daha çok adım atan kişiler tipik olarak çok daha fazla kalori yakıyordu. Çok yoğun aktivitede—hızlı yürüyüş, koşu veya benzeri—geçirilen süre ve mesafe de özellikle bu değerler grubun ortalamasının üzerine çıktığında güçlü olumlu etki gösterdi. Buna karşılık hafif aktivite ve oturma süresi kalori yakımıyla zayıf ilişki gösterdi ve uzun sedanter dönemler genellikle tahmini enerji kullanımını aşağı çekti.

Daha Fazla Adım Her Zaman Daha İyi Değildir

Daha derine inildiğinde, çalışma adım sayısı ile mesafenin sıkı bir şekilde bağlantılı ancak aynı olmadığını buldu. Çok adım atıp fazla mesafe kat etmeyen—kısa, sürünen adımlar düşünün—durumlar her zaman büyük kalori yakımına dönüşmüyordu. Açıklama sezgiseldi: mesafe gerçekte ne kadar yol kat ettiğinizi yansıtır ve genellikle daha yüksek hız ve çabayla örtüşür. Model bir tür verimlilik eşiği önerdi: temel bir hareket düzeyine ulaşıldığında, sadece daha fazla düşük çaba adımı eklemek, adım boyu veya tempo artmadıkça azalan getiriler sağlar. Bu nüans, benzer adım sayılarına sahip iki kişinin tartıda farklı sonuçlar görebilmesini açıklar.

İçgörüleri Günlük Tavsiyelere Dönüştürmek

Tahmin ve açıklamayı birleştirerek, çalışma daha kişiselleştirilmiş egzersiz rehberliğine işaret ediyor. Zamanı kısıtlı olanlar için, çok aktif kısa süreli hareket patlamaları, uzun ve nazik yürüyüşlere göre kalori yakımında çok daha etkili görünüyor. Zaten yüksek adım sayılarına ulaşanlar için, ham adım sayısını daha fazla artırmaktansa biraz daha hızlı veya daha uzak yürümeye odaklanmak daha önemli olabilir. Ve hafif hareketler ile oturmaya ara vermek uzun vadeli sağlık için hâlâ önemli olsa da, sürekli ve daha yüksek yoğunluklu aktiviteye kıyasla anlık enerji kullanımına nispeten daha az katkıda bulunurlar.

Günlük Rutininiz İçin Anlamı

Basitçe söylemek gerekirse, bulgular her hareketin eşit yaratılmadığını gösteriyor. Toplam mesafe, toplam adım sayısı ve özellikle yoğun hareket süresi günlük kalori yakımının ana sürücüleridir; hafif gezinti ve uzun oturma dönemleri çok daha az etkili olur. SHAP analiziyle şeffaf hale getirilen destek vektör modeli, sınırlı aktif dakikalarınızı akıllıca kullanmanın—sadece daha sık değil, biraz daha uzak ve daha güçlü hareket etmenin—takip cihazı verilerini daha anlamlı kılabileceğini ve kilo yönetimi ile genel sağlık çabalarını daha etkili hale getirebileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: fiziksel aktivite, kalori harcaması, giyilebilir fitness takip cihazları, makine öğrenimi, egzersiz yoğunluğu