Vývoj inteligentních nositelných algoritmů (DIWAH)

Globálně se naděje dožití postupně prodlužuje, což vede k demografickému posunu směrem k rostoucímu podílu starších lidí. Například ve Švédsku se počet jedinců starších 75 let během příštích 50 let zdvojnásobí a podíl vzroste o více než 60 % (Statistika Švédsko, veřejně dostupné údaje). To znamená, že více lidí bude žít déle a méně lidí bude k dispozici, aby se o ně postarali. Jednou z našich hlavních společenských výzev, jak čelit tomuto demografickému přechodu, je vyvinout strategie pro udržení dobrého zdraví a kvality života v této věkové skupině, a když pak nevyhnutelně onemocní, jak bychom s nimi měli zacházet co nejlépe? Jednou z cest vpřed je využít příležitostí, které technologický vývoj poskytl. Švédsko ve skutečnosti přijalo velmi ambiciózní cíl, jak je nastíněno ve Vision2025 (www.ehalsa2025.se): V roce 2025 bude Švédsko nejlépe na světě ve využívání příležitostí, které nabízí digitalizace a elektronické zdravotnictví, aby lidem usnadnilo dosažení dobrého a rovného zdraví a blahobytu a rozvíjelo a posilovalo své vlastní zdroje pro větší nezávislost a účast na životě. společnosti. K dosažení takového cíle však digitální technologie sama o sobě nestačí, musí být přítomny i další strategie využívající technologii ke zvýšení zdraví jednotlivců. Jednou z takových strategií je udržovat si zdravou úroveň fyzické aktivity po celý život. Fyzická aktivita je jedním z mála chování, které může člověk změnit sám o sobě a za nízkou cenu, které současně přináší významné výhody pro fyzické a duševní zdraví [1]. Za tímto účelem byla schopnost hodnotit obvyklou úroveň fyzické aktivity člověka, definovaná jako „hypotetický průměr, kolem kterého se pohybová aktivita daného jedince pohybuje“, po dlouhou dobu považována za svatý grál mezi výzkumníky fyzické aktivity. Po 30 let výzkumníci používali akcelerometry k objektivní kvantifikaci volné fyzické aktivity, ale v posledním desetiletí se nositelná zařízení stala velmi populární mezi běžnou populací (největšími značkami jsou Apple a Fitbit). Nositelná zařízení, zde definovaná jako malá přenosná zařízení se zabudovanými senzory, které měří proměnné související se zdravím, tvrdí, že jsou schopna shromažďovat dlouhodobá data ve vysokém rozlišení týkající se chování souvisejícího se zdravím, např. držení těla, intenzita PA, spánek a mnoho dalšího [ 2]. Nositelná zařízení mohou také zachytit důležité aspekty související s kardiometabolickým systémem, jako je srdeční frekvence, krevní tlak [3], a také podporovat změnu chování [4]. Lze je tedy považovat za „švýcarský armádní nůž“, protože poskytují širokou škálu nástrojů v jednom zařízení. Teoreticky jsou nositelná zařízení velkým příslibem, že budou použita k vytvoření personalizované PA založené na důkazech při podpoře zdraví, prevenci nemocí a léčbě nemocí [2, 5-8]. Ve srovnání s většinou monitorů na úrovni výzkumu mají komerční nositelná zařízení několik výhod, díky nimž jsou atraktivní pro použití ve zdravotnickém systému. Obsahují několik senzorů důležitých pro hodnocení PA a souvisejících zdravotních výsledků, zejména akcelerometr pro detekci biomechanických aspektů pohybu a optický senzor pro detekci fyziologické reakce na pohyb, např. srdeční frekvenci. Další silnou stránkou komerčních monitorů ve srovnání s monitory výzkumné úrovně je to, že jsou navrženy pro dlouhodobé nošení, což dává ještě lepší příležitost posoudit individuální úroveň fyzické aktivity, zejména u těch nejméně aktivních [9, 10]. Během posledního desetiletí však došlo k explozi různých nositelných zařízení a metod zpracování dat bez zavedeného rámce pro hodnocení jejich platnosti nebo spolehlivosti [11]. To způsobilo velký zmatek způsobený vývojem nerobustních zařízení a metodami hodnocení, které neodrážejí, jak budou použity v praxi. Kromě toho rozdíly v souhrnných odhadech fyzické aktivity v rámci různých značek a mezi nimi znemožňují možnost shromažďovat údaje nebo provádět přímé srovnání mezi různými studiemi. Další omezení, která nositelná zařízení mají a která je činí nevhodnými pro použití, a to i mezi zdravými jedinci, je to, že jsou primárně navržena pro fitness trh a ne pro použití v systému zdravotní péče, nebyla vyhodnocena transparentním způsobem, nejsou přesně zachytit fyzickou aktivitu u jedinců se změněným motorickým vzorem, např. u starších osob [12]. I když je hardware ve většině nositelných zařízení podobný, algoritmy, které převádějí signály ze senzorů na různé interpretovatelné výsledky (např. kroky), jsou často vlastní a aktualizují se v nepravidelných intervalech. Mezi další důležitá omezení patří pochybná důvěrnost pacienta a vlastnictví dat. Ani komerční, ani výzkumní monitorovací pracovníci dnes nemohou hodnotit fyzickou aktivitu na individuální úrovni, protože využívají omezené množství shromážděných dat. Pokud nositelná zařízení dokážou překonat tato omezení, jsou velkým příslibem pro rozšíření klinického repertoáru specifických opatření pro pacienta a jsou považována za důležitý nástroj pro budoucnost precizního zdraví a personalizované medicíny. Vzhledem k množství nových nositelných PA trackerů, které vstupují na trh bez předchozího potvrzení platnosti, je zásadní poskytnout spotřebitelům, pacientům, zdravotníkům a výzkumníkům nositelné zařízení s otevřeným zdrojovým kódem, založené na důkazech s vynikající platností a spolehlivostí.

Účel a cíle V tomto projektu začneme spojovat silné stránky komerčních nositelných zařízení se silnými stránkami výzkumných monitorů a moderních metod zpracování dat, abychom tato omezení překonali. Kombinace informací z akcelerometrie (biomechaniky) a srdeční frekvence z optického senzoru (fyziologická odezva) zlepšuje predikce týkající se intenzity PA a energetického výdeje souvisejícího s fyzickou aktivitou na individuální úrovni [13]. Optický senzor, který je součástí nositelného zařízení, navíc dokáže odhadnout krevní tlak jednotlivce. Signály ze senzorů budou analyzovány pomocí umělé inteligence a strojového učení, aby bylo možné lépe využít bohatých shromážděných dat. Normálně se výsledky PA a zdraví měří v různých časech, ale nositelná zařízení mohou shromažďovat data z více proměnných současně a v reálném čase. Tato schopnost může poskytnout nové podrobnosti o spojení mezi chováním při fyzické aktivitě a klinickým stavem jednotlivce. To ještě nebylo studováno, s největší pravděpodobností kvůli složitosti získávání a analýzy těchto dat. Oblast se však nyní posunula do bodu, kdy technologie spolu se zpracovatelským výkonem a analytickými nástroji existuje. Nastal tedy čas prozkoumat plnou možnost kombinace dat v reálném čase o chování při fyzické aktivitě, výsledcích souvisejících se zdravím a umělé inteligenci. Aby mohli občané v budoucnu zlepšovat a udržovat své zdraví prostřednictvím služeb založených na přístrojích a činit informovaná rozhodnutí, která jsou založena na jejich osobních zdravotních údajích.

Zastřešujícím účelem DIWAH je vyvíjet a ověřovat algoritmy založené na umělé inteligenci/strojovém učení pro hodnocení fyzické aktivity a proměnných souvisejících se zdravím na individuální úrovni v reálném čase pro použití v systému zdravotní péče pomocí nositelných zařízení s otevřeným zdrojovým kódem.

V tomto projektu učiníme první kroky provedením přísného vývoje a validace algoritmů pomocí transparentního rámce založeného na fázi. Konkrétně se zaměřujeme na vývoj algoritmů pro hodnocení:

• Fyzická aktivita
• Tepová frekvence
• Proměnné související se zdravím, např. krevní tlak a výdej energie. Pokusíme se také identifikovat základní faktory, které zlepšují předpovědi, jako je složení těla podle věku, pohlaví a úroveň kondice související se zdravím.

Popis projektu Studijní vzorek Do tohoto projektu přijmeme kolem 50 zdánlivě zdravých dospělých (18-65 let, 50 % žen). Požadavek bude proveden pomocí metody pohodlného vzorkování. Spolu s ústním podáním oslovíme sportovní kluby, pracoviště a studenty na univerzitě.

Do studie nejsou zahrnuty žádné zvláštní požadavky kromě toho, že subjekty musí být zjevně zdravé a musí být schopny běhat alespoň 30 minut. Kritéria vyloučení zahrnují známé kardiovaskulární onemocnění nebo užívání léků, které ovlivňují srdeční frekvenci.

Návrh studie Vzhledem k tomu, že hardware ve všech nositelných zařízeních je podobný, je kladen důraz na vývoj co možná nejtransparentnějších algoritmů podle rámce navrženého Keadle et al. [14] a současně dodržovat odborná doporučení INTERLIVE Network ohledně monitorování lidských zdrojů [15]. Rámec Keadle je inspirován vývojem léků a navrhuje pět fází: testování mechanického signálu, laboratorní testování, polostrukturované hodnocení, naturalistické ověření a přijetí. Všechny tyto fáze nebudou v tomto projektu zahrnuty. Polostrukturovaná vyhodnocovací fáze je navržena tak, aby identifikovala konkrétní aktivní prvky na základě signálů ze senzorů v nositelném zařízení, jako je běh nebo vysávání. Fyziologická odezva a tím i zdravotní účinky fyzické aktivity by však byly podobné pro různé druhy aktivit se stejnou intenzitou. Srdce je například úplně jedno, jestli člověk běží nebo odhazuje sníh, pokud pracuje se stejnou intenzitou. Kromě toho se nedomníváme, že by bylo eticky motivováno testovat zařízení v populaci pacientů (fáze 5 - Adopce), než si budeme jisti, že zařízení poskytuje platná data. Proto bude v současném projektu vynechána fáze polostrukturovaného hodnocení i fáze přijímání.

Fáze 1 – Vývoj produktu Vzhledem k tomu, že hardware je podobný v každém nositelném zařízení na trhu, není důležité, která konkrétní značka nositelného zařízení bude použita k vývoji a testování našich algoritmů. Hlavní myšlenkou první fáze je zajistit, aby nositelné zařízení produkovalo platná data a aby bylo možné snadno přistupovat k nezpracovaným nezpracovaným datům. Za tímto účelem jsme identifikovali dvě nositelná zařízení s otevřeným zdrojovým kódem s hardwarem, který splňuje požadavky na hodnocení fyzické aktivity (akcelerometr), HR (optický senzor), proměnných souvisejících se zdravím a který také může bezdrátově komunikovat s externími zařízeními pomocí Bluetooth, jmenovitě Bangle. .js 2 (https://www.espruino.com/Bangle.js2) a Pinetime (https://www.pine64.org/pinetime/). Vytvořili jsme také aplikace, které budou data ukládat lokálně na zařízeních a které umožňují snadný přenos na externí zařízení pro další zpracování a analýzu dat shromážděných ve fázi 2. Na základě výsledku z fáze 2 je nutné před provedením fáze 3 – naturalistická validace pro vývoj metod předběžného zpracování, protože kapacita paměti nositelných zařízení neumožní uložit obrovské množství nezpracovaných dat, která budou během této fáze shromážděna. Tato fáze bude tedy průběžnou součástí celého projektu.

Fáze 2 - Vývoj laboratoře Cílem studie Fáze 2 je vyvinout a otestovat algoritmy pro odhad intenzity fyzické aktivity, energetických nákladů fyzické aktivity a krevního tlaku ze signálů nositelných zařízení za kontrolovaných laboratorních podmínek. Kromě toho budeme identifikovat potenciální prediktory, které mohou zvýšit přesnost předpovědí. Myšlenka spočívá v tom, že nositelná data se shromažďují současně s kritérii, během protokolu od odpočinku přes chůzi a běh rostoucí rychlostí až do vyčerpání. Během protokolu budou monitorováni pomocí nepřímé kalorimetrie (Vyntus CPX, Vyaire Medical, Inc., Il, USA) a monitoru srdečního tepu (Polar Electro Oy, Kempele, Finsko) umístěného kolem hrudníku, který je plně srovnatelný s řádným elektrokardiogramem. (r>0,99 [16]), současně vybavené nositelným, akcelerometrem pro výzkum (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) a komerčním nositelným zařízením (Fit-Bit Sense, Fitbit international limited, Dublin, Irsko). Tento postup zachytí nepřetržitý signál z nositelných zařízení při různé intenzitě fyzické aktivity, od odpočinku až po maximální úsilí na individuální úrovni. To umožní modelovat tento signál na skupinové i individuální úrovni a porovnat jej se zlatými standardními metodami nepřímé kalorimetrie a monitorování HR. Budeme také shromažďovat údaje o krevním tlaku pomocí standardních klinických monitorů, abychom porovnali optický signál se signálem měřiče krevního tlaku.

V rámci projektu provedeme také několik osvědčených testů zdravotní zdatnosti. Pro svalovou sílu bude použit test úchopu ruky a pro flexibilitu test sed a dosah [17]. Kromě toho bude proveden test timed up and go (TUG) [18]. Budeme také shromažďovat základní údaje, jako je věk, pohlaví a složení těla účastníků. Tyto testy se pak používají k prozkoumání možnosti předpovědět úroveň fyzické aktivity jednotlivce. Výsledkem této fáze je sada modelů pro počítání kroků a pro detekci intenzity fyzické aktivity pomocí akcelerometru, optického senzoru, kombinace obou, doplněných o data na pozadí. Očekáváme také, že vyvineme model pro hodnocení krevního tlaku pomocí nositelných zařízení během odpočinku.

Fáze 3 – Naturalistická validace Cílem třetí fáze projektu je provést přísnou, nezávislou validaci algoritmů v reálných podmínkách ve srovnání s mírami zlatého standardu. Po vývoji algoritmů v kontrolovaném prostředí tedy přejdeme k testování nositelných zařízení během volného života. Stejných 50 účastníků (50 % žen, 18-65 let) z druhé fáze požije dávku dvakrát značené vody (DLW), což je zlatý standard pro měření energetického výdeje během volného života s chybami v rozmezí ±3 % od skutečnou hodnotu měřenou dýchacími komorami [19]. I když je metoda DLW zlatým standardem, není často používána, protože jde o drahou metodu, která zahrnuje obohacení tělesné vody subjektu těžkým vodíkem (2H) a těžkým kyslíkem (18O) a pak stanovení rozdílu v kinetice vymývání. mezi oběma izotopy, což je funkcí produkce oxidu uhličitého, tj. výdeje energie, za použití specializovaného zařízení.

Na základě kinetiky DLW pak budeme schopni modelovat signály z prototypu nositelného zařízení, abychom našli nejvhodnější řešení, tj. jak dobře prototyp vyhodnocuje energetický výdej související s fyzickou aktivitou. Očekává se, že výsledkem této fáze bude model, který na základě informací poskytnutých nositelným zařízením vyhodnotí energetický výdej během podmínek volného života. Naším cílem je také určit úrovně fyzické aktivity účastníků na základě informací poskytnutých během druhé fáze.

Analýza dat a statistika Ve všech fázích tohoto projektu využijeme sílu umělé inteligence, konkrétněji různé techniky strojového učení k predikci různých aspektů fyzické aktivity, energetického výdeje a krevního tlaku na individuální úrovni. Strojové učení automaticky vytváří modely založené na souborech dat, které mají potenciál vytvářet přesné předpovědi, které řídí rozhodování v reálném čase bez lidské interakce. Nositelná zařízení poskytují vysokofrekvenční vzorkování nezpracovaných dat jak z akcelerometrie, tak z optického senzoru. Použití těchto dat pro strojové učení poskytuje dobré příležitosti k nepřímému měření fyzické aktivity a k individuálnímu doporučení zdravé úrovně fyzické aktivity. Několik studií se pokusilo odvodit smysluplné výsledky fyzické aktivity z údajů akcelerometru shromážděných pomocí akcelerometru nošeného na zápěstí [20–22]. Studie založené na strojovém učení se zaměřovaly na klasifikaci typů fyzické aktivity, např. sezení, stání, chůze, běh atd., nebo intenzity PA, např. sedavá, lehká, střední, intenzivní. Uvádějí >80% přesnost klasifikace pro typ aktivity [23-26] a >90% přesnost klasifikace pro intenzitu [27, 28]. Většina těchto studií využívá přístupy pod dohledem strojového učení s označenými daty, tj. je k dispozici základní pravda, jako je náhodný les [29-31], podpůrný vektorový stroj [26], umělá neuronová síť [32] a modely hlubokého učení [ 33, 34]. Pouze několik studií používá modely strojového učení bez dozoru, jako jsou skryté Semi-Markovovy modely [31, 35] a shlukování k-means [36]. Zde budeme mít možnost vytvářet datové sady s označenými daty. Protože však zastřešujícím cílem tohoto projektu je vyvinout nositelné zařízení, které se dokáže přizpůsobit jednotlivým uživatelům nositelného zařízení, musí být učební přístup také schopen zpracovat neoznačená data. K přiblížení této problematiky použijeme posilovací učení [37, 38]. Nakonec také shromažďujeme několik proměnných na pozadí, včetně funkčních testů, které použijeme k rozšíření modelů. Identifikujeme nejvýkonnější modely pro predikci intenzity, frekvence a úrovně fyzické aktivity z akcelerometru a srdeční frekvence a použijeme je k predikci energetického výdeje a krevního tlaku. Nejlepší výkon se vztahuje jak na přesnost, tak na vysvětlitelnost a očekáváme, že v těchto dvou aspektech budou vynikat různé přístupy. Navíc na základě přesnějších měření pohybové aktivity a jejich přesné predikce pomocí časových řad dat z akcelerometrů přehodnocujeme potenciál funkčních testů jako bodového prediktoru pohybové aktivity.

Reference

1. Světová zdravotnická organizace. Pokyny pro fyzickou aktivitu a sedavé chování 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Jak by monitory fyzické aktivity spotřebitelů mohly transformovat výzkum lidské fyziologie. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (elektronické) 0363-6119 (propojení) (Mar. 2017).
3. Hosanee, M., Chan, G., Welykholowa, K., Cooper, R., Kyriacou, P. A., Zheng, D., Allen, J., Abbott, D., Menon, C., Lovell, N. H., Howard, N., Chan, W. S., Lim, K., Fletcher, R., Ward, R. & Elgendi, M. Jednomístná fotopletysmografie bez manžety pro monitorování krevního tlaku. J Clin Med 9. issn: 2077-0383 (tištěné) 2077-0383 (elektronické) 2077-0383 (propojení) (Mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Jak mobilní zdravotní aplikace podporují změny chování? Přehledný přehled mobilních zdravotních aplikací souvisejících s fyzickou aktivitou a stravovacím chováním. Veřejné zdravotnictví 175, 8-18. issn: 1476-5616 (elektronické) 0033-3506 (propojení) (říjen) 2019).
5. Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, E. H., Marvel, F. A., Martin, S. S., Muse, E. D., Turakhia, M. P., Tarakji, K. G. & Elshazly, M. B. Chytrá nositelná zařízení v kardiovaskulární péči: kde jsme a jak se posunout vpřed. Nat Rev Cardiol. issn: 1759-5010 (elektronické) 1759-5002 (propojení) (Mar. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Quality of Publicly Available Physical Activity Apps: Review and Content Analysis. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (Tisk) 2291-5222 (Propojení) (Mar. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Nositelná technologie a jak ji lze implementovat do klinické praxe. Curr Allergy Astma Rep 20, 36. issn: 1534-6315 (elektronické) 1529-7322 (propojení) (červen 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. Kritický přehled spotřebního oblečení, mobilních aplikací a vybavení pro poskytování biologické zpětné vazby, monitorování stresu a spánku u fyzicky aktivních populací. Front Physiol 9, 743. issn: 1664-042X (Tisk) 1664-042X (Propojení) (2018).

9. Bergman, P. Počet opakovaných pozorování potřebných k odhadu obvyklé fyzické aktivity jedince s danou úrovní přesnosti. PloS One 13, e0192117. issn: 1932-6203 (elektronické) 1932-6203 (propojení) (2018).

10. Bergman, P. & Hagstromer, M. Žádný protokol pro sběr dat o fyzické aktivitě založený na akcelerometru nemůže vyhovovat všem výzkumným otázkám. Metodika lékařského výzkumu BMC 20, 141. issn: 1471-2288 (elektronické) 1471-2288 (propojení) (červen 2020).

11. Jensen, M. T., Treskes, R. W., Caiani, E. G., Casado-Arroyo, R., Cowie, M. R., Dilaveris, P., Duncker, D., Di Rienzo, M., Frederix, I., De Groot, N ., Kolh, P. H., Kemps, H., Mamas, M., McGreavy, P., Neubeck, L., Parati, G., Platonov, P. G., Schmidt-Trucksäss, A., Schuuring, M. J., Simova, I. , Svennberg, E., Verstrael, A. & Lumens, J. Pracovní skupina ESC pro poziční dokument e-kardiologie: využití komerčně dostupné nositelné technologie pro sledování srdeční frekvence a aktivity v primární a sekundární kardiovaskulární prevenci – ve spolupráci s European Heart Rhythm Association, Evropská asociace preventivní kardiologie, Asociace kardiovaskulárního ošetřovatelství a přidružených profesionálů, Patient Forum a Digital Health Committee. Evropský srdeční deník. Digitální zdraví 2, 49-59. ISSN: 2634-3916

(1. března 2021). epublikovat. 12. Wong, C. K., Mentis, H. M. & Kuber, R. Bit se nehodí: Hodnocení komerčního sledovače aktivit při pomalejších rychlostech chůze. Držení chůze 59, 177-181. issn: 1879-2219 (elektronické) 0966-6362 (propojení) (led. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Modelování rozvětvených rovnic simultánní akcelerometrie a monitorování srdeční frekvence zlepšuje odhad přímo měřený energetický výdej při fyzické aktivitě. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (tisk) 0161-7567 (propojení) (leden. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. A Framework to Evaluate Devices That Assess Physical Behavior. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (elektronické) 0091-6331 (propojení) (říjen) 2019).

15. Muhlen, J. M., Stang, J., Lykke Skovgaard, E., Judice, P. B., Molina-Garcia, P., Johnston, W., Sardinha, L. B., Ortega, F. B., Caulfield, B., Bloch, W. , Cheng, S., Ekelund, U., Brond, J. C., Grontved, A. & Schumann, M. Doporučení pro stanovení platnosti spotřebitelských nositelných zařízení pro měření tepové frekvence: odborné vyjádření a kontrolní seznam sítě INTERLIVE. Br J Sports Med. issn: 1473-0480 (elektronické) 0306-3674 (propojení) (led. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Variable Accuracy of Wearable Heart Rate Monitory během aerobního cvičení. Medicína a věda ve sportu a cvičení 49, 1697-1703. issn: 1530-0315 (8. srpna 2017). ppublikovat.

17. Oja, P. & Tuxworth, B. Eurofit pro dospělé. Posouzení zdravotní způsobilosti. Štrasburk: Institut Rady Evropy-UKK, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. Časovaný "Up & Go": test základní funkční mobility pro křehké seniory. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (tisk) 0002-8614 (propojení) (únor. 1991).

19. Westerterp, K. R. Dvojitě označené hodnocení energetického výdeje vodou: princip, praxe a slib. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (elektronické) 1439-6319 (propojení) (červenec 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Měření pohybové aktivity v klinické praxi pomocí akcelerometrů. J Intern Med 286, 137-153. issn: 1365-2796 (elektronické) 0954-6820 (propojení) (srpen 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Hodnocení fyzické aktivity u dospělých pomocí zápěstních akcelerometrů. Epidemiol Rev 43, 65-93. issn: 1478-6729 (elektronické) 0193-936X (propojení) (led. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Pokročilé analytické metody pro hodnocení chování při fyzické aktivitě pomocí akcelerometru nezpracovaných dat časové řady: protokol pro revize rozsahu. Syst Rev 9, 259. issn: 2046-4053 (elektronické) 2046-4053 (propojení) (listopad. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Měření fyzické aktivity a energetického výdeje pomocí akcelerometrů u starších dospělých. Nutr Hosp 25, 224-30. issn: 0212-1611 (tisk) 0212-1611 (propojení) (duben. 2010).

24. Heesch, K. C., Hill, R. L., Aguilar-Farias, N., van Uffelen, J. G. Z. & Pavey, T.

Validita objektivních metod měření sedavého chování u starších dospělých: systematický přehled. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (elektronické) 1479-5868 (propojení) (listopad. 2018).

25. Phillips, L. J., Petroski, G. F. & Markis, N. E. A Comparison of Accelerometer Accuracy in Older Adults. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (elektronické) 1938-2464 (propojení) (říjen) 2015).

26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. & Zhang, Y. Porovnání různých algoritmů strojového učení, typů a umístění monitorů aktivity pro klasifikaci fyzické aktivity. Měření 154, 107480 (2020).

27. Montoye, A. H. K., Pivarnik, J. M., Mudd, L. M., Biswas, S. & Pfeiffer, K. A.

Validace a porovnání akcelerometrů nošených na kyčli, stehně a zápěstí pro měření fyzické aktivity a sedavého chování. CÍLE Veřejné zdraví 3, 298-312. issn: 2327-8994 (Tisk) 2327-8994 (Propojení) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Křížová validace a testování mimo vzorek předpovědí intenzity fyzické aktivity pomocí akcelerometru nošeného na zápěstí. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (elektronické) 0161-7567 (propojení) (květen 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laboratorní a volně žijící algoritmy pro odhad energetického výdeje u předškolních dětí: Hodnocení volného života. PloS One 15, e0233229. issn: 1932-6203 (elektronické) 1932-6203 (propojení) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Systém duálního akcelerometru pro klasifikaci fyzické aktivity u dětí a dospělých. Medicína a věda ve sportu a cvičení 50, 2595-2602. issn: 1530-0315 (elektronické) 0195-9131 (propojení) (prosinec. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistické strojové učení fenotypů spánku a fyzické aktivity ze senzorových dat u 96 220 účastníků britské Biobanky. Sci Rep 8, 7961. issn: 2045-2322 (elektronické) 2045-2322 (propojení) (květen 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Aplikace nezpracovaných dat akcelerometru a technik strojového učení k charakterizaci lidského pohybového chování: Systematický přehled rozsahu. Journal of Physical Activity and Health 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. & Moral-Munoz, J. A. Hodnocení fyzické aktivity a úrovně funkční zdatnosti pomocí konvolučních neuronových sítí. Knowledge-Based Systems 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Predikce energetického výdeje dětí během fyzické aktivity pomocí hlubokého učení a dat nositelných senzorů. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (elektronické) 1536-7290 (propojení) (červen 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentace dat akcelerometru z každodenního života pomocí strojového učení bez dozoru. PloS One 14, e0208692. issn: 1932-6203 (elektronické) 1932-6203 (propojení) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. Výběr funkcí pro neřízené strojové učení clusterů dat z akcelerometru – systematický přehled . Pozice chůze 90, 120-128. issn: 1879-2219 (elektronické) 0966-6362 (propojení) (říjen) 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Podpora fyzické aktivity u pacientů s diabetem prostřednictvím automatické personalizované zpětné vazby prostřednictvím posilovacího učení zlepšuje kontrolu glykémie . Diabetes Care 39, e59-60. issn: 1935-5548 (elektronické) 0149-5992 (propojení) (duben. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F. H. Pilotní studie léčby hypertenze pomocí telemedicínského léčebného přístupu. Blood Press Monit 25, 18-21. issn: 1473-5725 (elektronické) 1359-5237 (propojení) (únor. 2020)