Original title:
Validace prediktivních rovnic pro určení klidového energetického výdeje
Translated title:
Validity of predictive equations for determining resting energy expenditure
Authors:
Fabián, Patrik ; Korvas, Pavel (referee) ; Chlíbková, Daniela (advisor) Document type: Bachelor's theses
Year:
2021
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Tato bakalářská práce se zabývá validací prediktivních rovnic pro určení klidového energetického výdeje. Cílem této bakalářské práce bylo srovnat jednotlivé prediktivní rovnice pro určení klidového energetického výdeje s vlastním měřením pomocí nepřímé kalorimetrii a stanovit vlastní postup pro predikci klidového energetického výdeje. Vyhodnocení jednotlivých prediktivních rovnic probíhalo na základě statistických analýz. Na základě statistických analýz bylo zjištěno, že dostupné prediktivní rovnice podhodnocují klidový energetický výdej v průměru o 20 % kilokalorií za jeden den ve srovnání s měřenou hodnotou pomocí nepřímé kalorimetrie. Pro stanovení vlastního postupu pro predikci klidového energetického výdeje bylo využité strojové učení, které potom bylo prezentováno pomocí uživatelského rozhraní. Následující testování ukázalo, že neuronová síť pro predikci klidového energetického výdeje poskytuje ve srovnání s dostupnými prediktivními rovnicemi přesnější výsledky.
This bachelor thesis deals with the validation of predictive equations to determine resting metabolic rate. The objective of this bachelor thesis was to compare individual predictive equations for determining resting metabolic rate with self-measurement using indirect caloriemetry and to establish a own procedure for predicting resting metabolic rate. The evaluation of each predictive equation was based on statistical analyses. Based on statistical analyses, it was found that the available predictive equations underestimate resting metabolism by an average of 20 % of kilocalories per day compared to the value measured by indirect calorimetry. Machine learning was used to determine the actual procedure for predicting resting metabolic rate, which was then presented using the user interface. The following testing showed that the neural network for predicting resting metabolic rate provides more accurate results compared to the available predictive equations.
Keywords:
indirect calorimetry; machine learning; predictive equations for determining resting energy expenditure; Resting energy expenditure; Klidový energetický výdej; nepřímá kalorimetrie; prediktivní rovnice pro určení klidového energetického výdeje; strojové učení
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/198491