Udvikling af intelligente bærbare algoritmer (DIWAH)

Globalt stiger den forventede levealder gradvist, hvilket fører til et demografisk skift mod en stigende andel af ældre. For eksempel i Sverige vil antallet af personer over 75 år fordobles i løbet af de næste 50 år, og andelen vil stige med mere end 60 % (Sveriges statistik, offentligt tilgængelige data). Det betyder, at flere mennesker vil leve længere, og at færre mennesker vil være tilgængelige til at passe dem. En af vores store samfundsmæssige udfordringer for at imødegå denne demografiske overgang er at udvikle strategier for at opretholde et godt helbred og livskvalitet i den aldersgruppe, og når de så uundgåeligt bliver syge, hvordan skal vi så behandle dem bedst muligt? En vej frem er at udnytte de muligheder, den teknologiske udvikling har givet. Faktisk har Sverige vedtaget et meget ambitiøst mål som skitseret i Vision2025 (www.ehalsa2025.se): I 2025 vil Sverige være bedst i verden til at bruge de muligheder, som digitalisering og eHealth giver, til at gøre det nemmere for mennesker at opnå god og lige sundhed og velfærd, og til at udvikle og styrke egne ressourcer til øget selvstændighed og deltagelse i livet. af samfundet. Digital teknologi alene er dog ikke tilstrækkeligt til at nå et sådant mål, andre strategier, der bruger teknologien til at øge individets sundhed, skal også være til stede. En sådan strategi er at opretholde et sundt niveau af fysisk aktivitet gennem livet. Fysisk aktivitet er en af ​​få adfærdsmønstre, som et menneske kan ændre på egen hånd og til en lav pris, og som samtidig producerer betydelige fysiske og mentale sundhedsmæssige fordele [1]. Til det formål har evnen til at vurdere en persons sædvanlige fysiske aktivitetsniveau, defineret som "det hypotetiske gennemsnit, som den enkeltes fysiske aktivitet varierer omkring" i lang tid været betragtet som den hellige gral blandt fysisk aktivitetsforskere. I 30 år har forskere brugt accelerometre til objektivt at kvantificere fri-levende fysisk aktivitet, men i det sidste årti er wearables blevet enormt populære blandt den generelle befolkning (Apple og Fitbit er de største mærker). Wearables, her defineret som små bærbare enheder med indlejrede sensorer, der måler sundhedsrelaterede variabler, hævder at være i stand til at indsamle langsigtede højopløsningsdata vedrørende sundhedsrelateret adfærd, f.eks. kropsholdning, PA-intensitet, søvn og meget mere [ 2]. Wearables kan også fange vigtige aspekter relateret til det kardiometaboliske system såsom hjertefrekvens, blodtryk [3] samt understøtte adfærdsændring [4]. Således kan de ses som en "schweizerkniv", da de giver en bred vifte af værktøjer i én enhed. I teorien har wearables et stort løfte om at blive brugt til at skabe evidensbaseret personlig PA i sundhedsfremme, sygdomsforebyggelse og sygdomsbehandling [2, 5-8]. Sammenlignet med de fleste skærme i forskningsklasse har de kommercielle wearables flere fordele, der gør dem attraktive til brug i sundhedssystemet. De indeholder flere sensorer, der er relevante for vurderingen af ​​PA og relaterede sundhedsresultater, især et accelerometer til at detektere biomekaniske aspekter af bevægelse og en optisk sensor til at detektere den fysiologiske respons på bevægelse, f.eks. hjertefrekvens. Yderligere styrker ved de kommercielle skærme sammenlignet med skærme i forskningsklasse er, at de er designet til at blive brugt i lang tid, hvilket giver endnu bedre mulighed for at vurdere det individuelle niveau af fysisk aktivitet, især blandt de mindst aktive [9, 10]. Men i løbet af det sidste årti har der været en eksplosion af forskellige wearables og databehandlingsmetoder uden en etableret ramme til at evaluere deres gyldighed eller pålidelighed [11]. Dette har skabt stor forvirring drevet af ikke-robuste enhedsudvikling og evalueringsmetoder, der ikke afspejler, hvordan de vil blive brugt i praksis. Desuden forbyder divergensen i summariske estimater af fysisk aktivitet inden for og mellem forskellige mærker en mulighed for at samle data eller foretage direkte sammenligninger mellem forskellige undersøgelser. Andre begrænsninger, som wearables har, der gør dem uegnede til brug, selv blandt raske personer, er, at de primært er designet til fitnessmarkedet og ikke til brug inden for sundhedssystemet, de er ikke blevet evalueret på en gennemsigtig måde, de er ikke præcist fange fysisk aktivitet blandt personer med ændret motorisk mønster, fx ældre [12]. Selvom hardwaren i de fleste wearables er ens, er de algoritmer, der oversætter signalerne fra sensorerne til forskellige fortolkbare resultater (f.eks. trin), ofte proprietære og opdateres med uregelmæssige intervaller. Andre vigtige begrænsninger omfatter tvivlsom patientfortrolighed og dataejerskab. Hverken de kommercielle eller forskningsmæssige monitorer kan i dag vurdere fysisk aktivitet på individniveau, da de gør begrænset brug af den mængde data, der indsamles. Hvis wearables kan overvinde disse begrænsninger, lover de meget i retning af at udvide det kliniske repertoire af patientspecifikke foranstaltninger, og de betragtes som et vigtigt værktøj for fremtiden for præcisionssundhed og personlig medicin. I betragtning af det væld af nye bærbare PA-trackere, der kommer på markedet uden forudgående bevis for gyldighed, er det grundlæggende at give forbrugere, patienter, sundhedspersonale og forskere en open source, evidensbaseret wearable med fremragende validitet og pålidelighed.

Formål og mål I dette projekt vil vi begynde at fusionere styrkerne ved de kommercielle wearables med styrkerne ved skærme af forskningskvalitet og moderne databehandlingsmetoder for at overvinde disse begrænsninger. Kombinationen af ​​information fra accelerometri (biomekanik) og hjertefrekvens fra den optiske sensor (fysiologisk respons) forbedrer forudsigelserne vedrørende PA-intensitet og fysisk aktivitetsrelateret energiforbrug på individuelt niveau [13]. Derudover kan den optiske sensor, der er monteret i en bærbar, estimere blodtrykket hos en person. Signalerne fra sensorerne vil blive analyseret ved hjælp af kunstig intelligens og maskinlæring for at drage bedre fordele af de rige data, der er indsamlet. Normalt bliver PA- og sundhedsresultater målt på forskellige tidspunkter, men wearables kan indsamle data fra flere variabler samtidigt og i realtid. Denne evne kan give nye detaljer om sammenhængen mellem den fysiske aktivitetsadfærd og den enkeltes kliniske status. Dette er endnu ikke blevet undersøgt, højst sandsynligt på grund af kompleksiteten i at indhente og analysere disse data. Men feltet er nu flyttet til et punkt, hvor teknologien sammen med processorkraft og analytiske værktøjer eksisterer. Tiden er således inde til at udforske den fulde mulighed for at kombinere realtidsdata om fysisk aktivitetsadfærd, sundhedsrelaterede resultater og kunstig intelligens. Så borgerne i fremtiden kan blive i stand til at forbedre og vedligeholde deres helbred gennem enhedsbaserede tjenester og træffe informerede beslutninger baseret på deres personlige helbredsdata.

Det overordnede formål med DIWAH er at udvikle og validere kunstig intelligens/maskinlæringsbaserede algoritmer til at vurdere fysisk aktivitet og sundhedsrelaterede variabler på individniveau i realtid til brug inden for sundhedssystemet ved hjælp af open source wearables.

I dette projekt vil vi tage de første skridt ved at gennemføre en streng udvikling og validering af algoritmerne ved hjælp af en gennemsigtig fasebaseret ramme. Mere specifikt sigter vi mod at udvikle algoritmer til vurdering af:

• Fysisk aktivitet
• Hjerterytme
• Sundhedsrelaterede variabler, f.eks. blodtryk og energiforbrug Vi vil også forsøge at identificere, hvilke underliggende faktorer, der forbedrer forudsigelserne, såsom alder og køns kropssammensætning og sundhedsrelaterede konditionsniveauer.

Projektbeskrivelse Studieprøve Vi vil rekruttere omkring 50 tilsyneladende raske voksne (18-65 år, 50 % kvinder) til dette projekt. Reqruitment vil blive udført ved hjælp af en bekvemmelighedsprøvemetode. Vi vil nå ud til sportsklubber, arbejdspladser og studerende på universitetet sammen med mund til mund.

Der er ingen særlige krav for at indgå i undersøgelsen udover, at forsøgspersonerne skal være tilsyneladende raske og kunne jogge i mindst 30 minutter. Eksklusionskriterier omfatter kendt hjerte-kar-sygdom eller at være på medicin, der påvirker hjertefrekvensen.

Undersøgelsesdesign Da hardwaren i alle wearables er ens, er fokus på at udvikle så gennemsigtige algoritmer som muligt ved at følge rammerne skitseret af Keadle et al. [14] og samtidig overholde INTERLIVE-netværkets ekspertanbefalinger vedrørende HR-overvågning [15]. Keadle-rammen er inspireret af lægemiddeludvikling og foreslår fem faser: Mekanisk signaltestning, laboratorietestning, semistruktureret evaluering, naturalistisk validering og adoption. Alle disse faser vil ikke blive dækket i dette projekt. Den semi-strukturerede evalueringsfase er designet til at identificere specifikke aktive stoffer baseret på signalerne fra sensorerne i den bærbare enhed, såsom løb eller støvsugning. Men den fysiologiske respons og dermed sundhedseffekterne af fysisk aktivitet ville være ens for forskellige slags aktiviteter med samme intensitet. For eksempel er hjertet ligeglad med, om man løber eller skovler sne, hvis det arbejder med samme intensitet. Derudover mener vi ikke, at det ville være etisk motiveret at teste enheden i en patientpopulation (fase fem - Adoption), før vi er sikre på, at enheden giver gyldige data. Derfor vil såvel den semistrukturerede evalueringsfase som adoptionsfasen blive udeladt i det aktuelle projekt.

Fase 1 - Produktudvikling Da hardwaren er ens i alle wearables på markedet, er det ikke af nogen betydning, præcis hvilket mærke af wearable der vil blive brugt til at udvikle og teste vores algoritmer. Hovedideen med den første fase er at sikre, at wearable'en producerer gyldige data, og at de rå ubehandlede data let kan tilgås. Til dette formål har vi identificeret to open source wearables med hardware, der opfylder kravene til vurdering af fysisk aktivitet (accelerometer), HR (optisk sensor), sundhedsrelaterede variabler, og som også kan kommunikere trådløst med eksterne enheder ved hjælp af Bluetooth, nemlig armringen .js 2 (https://www.espruino.com/Bangle.js2) og Pinetime (https://www.pine64.org/pinetime/). Vi har også lavet apps, der vil gemme dataene lokalt på enhederne, og som giver mulighed for nem overførsel til en ekstern enhed for videre bearbejdning og analyse af de data, der er indsamlet i fase 2. Baseret på resultatet fra fase 2 er det nødvendigt, før vi gennemfører fase 3 - naturalistisk validering, for at udvikle forbehandlingsmetoder, da den bærbare hukommelseskapacitet ikke vil tillade lagring af den store mængde rådata, der vil blive indsamlet i denne fase. Denne fase vil således være en løbende del af helheden i projektet.

Fase 2 - Laboratorieudvikling Målet med fase 2-studiet er at udvikle og teste algoritmer til at estimere intensiteten af ​​fysisk aktivitet, energiomkostninger ved fysisk aktivitet og blodtryk fra wearables-signalerne under kontrollerede laboratorieforhold. Derudover vil vi identificere potentielle forudsigelser, der kan øge præcisionen af ​​forudsigelserne. Tanken er, at bærbare data indsamles samtidig med kriteriemål, under en protokol fra hvile via gang og løb med stigende hastighed til udmattelse. Under protokollen vil de blive overvåget ved hjælp af indirekte kalorimetri (Vyntus CPX, Vyaire Medical, Inc., Il, USA) og en pulsmåler (Polar Electro Oy, Kempele, Finland) monteret rundt om brystet, hvilket fuldt ud kan sammenlignes med et korrekt elektrokardiogram (r>0,99 [16]), samtidig udstyret med den bærbare, et accelerometer i forskningsklasse (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) og en kommerciel bærbar (Fit-Bit Sense, Fitbit international limited, Dublin, Irland). Denne procedure vil fange et kontinuerligt signal fra wearables ved forskellige fysiske aktivitetsintensiteter, fra hvile til maksimal indsats på individuelt niveau. Dette vil gøre det muligt at modellere dette signal på gruppe- såvel som på individuelt niveau og at sammenligne med de gyldne standardmetoder for indirekte kalorimetri og HR-overvågning. Vi vil også indsamle blodtryksdata ved hjælp af standard kliniske monitorer for at sammenligne et optisk signal med et blodtryksmåler.

Inden for projektets rammer skal vi også udføre flere veletablerede sundhedsrelaterede fitnesstests. For muskelstyrke vil håndgrebstesten blive brugt, og for fleksibilitet, sidde og nå testen [17]. Derudover vil time-up and go-testen (TUG) blive udført [18]. Vi vil også indsamle baggrundsdata såsom alder, køn og kropssammensætning for deltagerne. Disse tests bruges derefter til at udforske muligheden for at forudsige en persons fysiske aktivitetsniveau. Resultatet af denne fase er et sæt modeller til at tælle skridt og til at detektere intensiteten af ​​fysisk aktivitet ved hjælp af accelerometeret, den optiske sensor, kombinationen af ​​de to, forstærket med baggrundsdata. Vi forventer også at udvikle en model til at vurdere blodtrykket ved hjælp af wearables under hvile.

Fase 3 - Naturalistisk validering Målet med den tredje fase af projektet er at gennemføre en streng, uafhængig validering af algoritmerne under virkelige forhold sammenlignet med guldstandardmål. Efter udviklingen af ​​algoritmer i et kontrolleret miljø vil vi derfor gå videre med at teste det bærbare under frit liv. De samme 50 deltagere (50 % kvinder, 18-65 år) fra anden fase vil indtage en dosis dobbeltmærket vand (DLW), som er den gyldne standard til at måle energiforbrug under frit liv med fejl inden for ±3 % fra sand værdi målt af åndedrætskamre [19]. Selvom DLW-metoden er den gyldne standard, bruges den ikke ofte, da det er en dyr metode, der involverer berigelse af et forsøgspersons kropsvand med tung brint (2H) og tung oxygen (18O), og derefter bestemme forskellen i udvaskningskinetik mellem begge isotoper, hvilket er en funktion af kuldioxidproduktion, dvs. energiforbrug, ved brug af specialudstyr.

Baseret på DLW-kinetikken vil vi så være i stand til at modellere signalerne fra den bærbare prototype for at finde den bedste pasform, dvs. hvor godt prototypen vurderer fysisk aktivitetsrelateret energiforbrug. Resultatet af denne fase forventes at blive en model, der baseret på informationen fra den bærbare, vurderer energiforbruget under frie levevilkår. Vi tilstræber også at bestemme deltagernes fysiske aktivitetsniveau baseret på de oplysninger, der blev givet under fase to.

Dataanalyse og statistik I alle faser af dette projekt vil vi udnytte kraften i kunstig intelligens, mere specifikt forskellige maskinlæringsteknikker til at forudsige forskellige aspekter af fysisk aktivitet, energiforbrug og blodtryk på individuelt niveau. Machine learning skaber automatisk modeller baseret på datasæt, der har potentialet til at producere præcise forudsigelser, der styrer beslutninger i realtid uden menneskelig interaktion. De bærbare(r) giver højfrekvente rådatasampling fra både accelerometri og optisk sensor. Brug af disse data til maskinlæring giver gode muligheder for indirekte at måle fysisk aktivitet og individuelt at rådgive sunde niveauer af fysisk aktivitet. Adskillige undersøgelser har forsøgt at udlede meningsfulde fysiske aktivitetsresultater fra accelerometerdata indsamlet via håndledsbåret accelerometer [20-22]. Undersøgelserne baseret på maskinlæring sigtede på klassificering af fysiske aktivitetstyper, fx siddende, stående, gå, løb osv., eller PA-intensitet, fx stillesiddende, let, moderat, kraftig. De rapporterer en >80% klassifikationsnøjagtighed for aktivitetstype [23-26] og en >90% klassifikationsnøjagtighed for intensitet [27, 28]. De fleste af disse undersøgelser bruger overvågede maskinlæringstilgange med mærkede data, dvs. en sandhed er tilgængelig, såsom tilfældig skov [29-31], støttevektormaskine [26], kunstigt neuralt netværk [32] og deep learning-modeller [ 33, 34]. Kun få undersøgelser bruger uovervågede maskinlæringsmodeller, såsom skjulte Semi-Markov-modeller [31, 35] og k-betyder clustering [36]. Her vil vi have mulighed for at oprette datasæt med mærkede data. Men da det overordnede mål med dette projekt er at udvikle en wearable, der kan tilpasse sig individuelle brugere af wearable, skal læringstilgangen også kunne håndtere umærkede data. For at nærme os dette problem vil vi bruge forstærkende læring [37, 38]. Endelig er vi også ved at indsamle flere baggrundsvariable, herunder funktionelle test, som vi vil bruge til at udvide modellerne. Vi vil identificere de bedst ydende modeller til at forudsige den fysiske aktivitets intensitet, frekvens og niveau fra accelerometer og puls, og bruge det til at forudsige energiforbrug og blodtryk. Bedst ydende refererer til både nøjagtighed og forklarlighed, og vi forventer, at forskellige tilgange udmærker sig i disse to aspekter. Baseret på mere nøjagtige målinger af fysisk aktivitet og deres nøjagtige forudsigelse ved hjælp af tidsseriedata fra accelerometre, revurderer vi desuden potentialet af funktionelle tests som en point-in-time forudsigelse for fysisk aktivitet.

Referencer

1. Verdenssundhedsorganisationen. Retningslinjer for fysisk aktivitet og stillesiddende adfærd 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Hvordan forbrugernes fysiske aktivitetsmonitorer kunne transformere menneskelig fysiologisk forskning. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (Elektronisk) 0363-6119 (Linking) (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. Manchetløs Single-Site Photoplethysmography til blodtryksovervågning. J Clin Med 9. issn: 2077-0383 (Print) 2077-0383 (Elektronisk) 2077-0383 (Linking) (Mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Hvordan understøtter mobile sundhedsapplikationer adfærdsændringer? En scoping review af mobile sundhedsapplikationer relateret til fysisk aktivitet og spiseadfærd. Folkesundhed 175, 8-18. issn: 1476-5616 (Elektronisk) 0033-3506 (Linking) (okt. 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. Smart wearable devices i hjerte-kar-pleje: hvor vi er, og hvordan vi kommer videre. Nat Rev Cardiol. issn: 1759-5010 (Elektronisk) 1759-5002 (Linking) (Mar. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Kvaliteten af ​​offentligt tilgængelige fysiske aktivitetsapps: Gennemgang og indholdsanalyse. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (Print) 2291-5222 (Linking) (Mar. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Wearable Technology og hvordan dette kan implementeres i klinisk praksis. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (Elektronisk) 1529-7322 (Linking) (juni 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. En kritisk gennemgang af wearables til forbrugere, mobile applikationer og udstyr til at give biofeedback, overvågning af stress og søvn i fysisk aktive befolkninger. Front Physiol 9, 743. issn: 1664-042X (Udskriv) 1664-042X (Linking) (2018).

9. Bergman, P. Antallet af gentagne observationer, der er nødvendige for at estimere en persons sædvanlige fysiske aktivitet til et givet præcisionsniveau. PloS One 13, e0192117. issn: 1932-6203 (Elektronisk) 1932-6203 (Linking) (2018).

10. Bergman, P. & Hagstromer, M. Ingen accelerometerbaseret fysisk aktivitetsdataindsamlingsprotokol kan passe til alle forskningsspørgsmål. BMC medicinsk forskningsmetodologi 20, 141. issn: 1471-2288 (Elektronisk) 1471-2288 (Linking) (juni 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. ESC arbejdsgruppe om e-kardiologisk positionspapir: brug af kommercielt tilgængelig bærbar teknologi til puls- og aktivitetssporing i primær og sekundær kardiovaskulær forebyggelse - i samarbejde med European Heart Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patient Forum og Digital Health Committee. Europæisk hjertejournal. Digital sundhed 2, 49-59. issn: 2634-3916

(1 Mar. 2021). e-udgive. 12. Wong, C. K., Mentis, H. M. & Kuber, R. Bittet passer ikke: Evaluering af en kommerciel aktivitetsmåler ved langsommere ganghastigheder. Gangstilling 59, 177-181. issn: 1879-2219 (Elektronisk) 0966-6362 (Linking) (Jan. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Forgrenet ligningsmodellering af simultan accelerometri og pulsmåling forbedrer estimat for direkte målt fysisk aktivitets energiforbrug. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (Print) 0161-7567 (Linking) (Jan. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. A Framework to Evaluation Devices That Assess Physical Behaviour. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (Elektronisk) 0091-6331 (Linking) (okt. 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. Anbefalinger til bestemmelse af gyldigheden af ​​pulsapparater til forbrugere: eksperterklæring og tjekliste for INTERLIVE-netværket. Br J Sports Med. issn: 1473-0480 (Elektronisk) 0306-3674 (Linking) (Jan. 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 Overvåger under aerob træning. Medicin og videnskab i sport og motion 49, 1697-1703. issn: 1530-0315 (8. aug. 2017). pudgive.

17. Oja, P. & Tuxworth, B. Eurofit for voksne. Vurdering af sundhedsrelateret kondition. Strasbourg: Europarådet-UKK Instituttet, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. The timed "Up & Go": en test af grundlæggende funktionel mobilitet for svage ældre personer. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Udskriv) 0002-8614 (Linking) (feb. 1991).

19. Westerterp, K. R. Dobbeltmærket vandvurdering af energiforbrug: princip, praksis og løfte. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (Elektronisk) 1439-6319 (Linking) (juli 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Måling af fysisk aktivitet i klinisk praksis ved hjælp af accelerometre. J Intern Med 286, 137-153. issn: 1365-2796 (Elektronisk) 0954-6820 (Linking) (Aug. 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Vurdering af fysisk aktivitet hos voksne ved hjælp af håndledsaccelerometre. Epidemiol Rev 43, 65-93. issn: 1478-6729 (Elektronisk) 0193-936X (Linking) (Jan. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Avancerede analytiske metoder til at vurdere fysisk aktivitetsadfærd ved hjælp af accelerometer rå tidsseriedata: en protokol for en scoping review. Syst Rev 9, 259. issn: 2046-4053 (Elektronisk) 2046-4053 (Linking) (nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Fysisk aktivitet og energiforbrugsmålinger ved hjælp af accelerometre hos ældre voksne. Nutr Hosp 25, 224-30. issn: 0212-1611 (Print) 0212-1611 (Linking) (apr. 2010).

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

Validiteten af ​​objektive metoder til måling af stillesiddende adfærd hos ældre voksne: en systematisk gennemgang. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (Elektronisk) 1479-5868 (Linking) (nov. 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 (Elektronisk) 1938-2464 (Linking) (okt. 2015).

26. Sheng, B., Moosman, O.M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R.M. & Zhang, Y. En sammenligning af forskellige maskinlæringsalgoritmer, typer og placeringer af aktivitetsmonitorer til fysisk aktivitetsklassificering. Måling 154, 107480 (2020).

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

Validering og sammenligning af accelerometre båret på hofte, lår og håndled til måling af fysisk aktivitet og stillesiddende adfærd. AIMS Public Health 3, 298-312. issn: 2327-8994 (Print) 2327-8994 (Linking) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Krydsvalidering og test uden for prøven af ​​forudsigelser af fysisk aktivitetsintensitet med et håndledsbåret accelerometer. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (Elektronisk) 0161-7567 (Linking) (maj 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laboratoriebaserede og fritlevende algoritmer til estimering af energiforbrug hos førskolebørn: En fri-levende evaluering. PloS One 15, e0233229. issn: 1932-6203 (Elektronisk) 1932-6203 (Linking) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Et dobbelt-accelerometersystem til klassificering af fysisk aktivitet hos børn og voksne. Medicin og videnskab i sport og motion 50, 2595-2602. issn: 1530-0315 (Elektronisk) 0195-9131 (Linking) (Dec. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistisk maskinindlæring af søvn- og fysisk aktivitetsfænotyper fra sensordata hos 96.220 britiske biobankdeltagere. Sci Rep 8, 7961. issn: 2045-2322 (Elektronisk) 2045-2322 (Linking) (maj 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Anvendelse af rå accelerometerdata og maskinlæringsteknikker til at karakterisere menneskelig bevægelsesadfærd: En systematisk scoping review. 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. Vurdering af fysisk aktivitet og funktionelt konditionsniveau ved hjælp af konvolutionelle neurale netværk. Vidensbaserede systemer 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Forudsigelse af børns energiforbrug under fysisk aktivitet ved hjælp af dyb læring og bærbare sensordata. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (Elektronisk) 1536-7290 (Linking) (juni 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentering af accelerometerdata fra dagligdagen med uovervåget maskinlæring. PloS One 14, e0208692. issn: 1932-6203 (Elektronisk) 1932-6203 (Linking) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. Valg af funktioner til uovervåget maskinlæring af accelerometerdata fysisk aktivitetsklynger - En systematisk gennemgang . Gangstilling 90, 120-128. issn: 1879-2219 (Elektronisk) 0966-6362 (Linking) (okt. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Opmuntring af fysisk aktivitet hos patienter med diabetes gennem automatisk personlig feedback via forstærkningslæring forbedrer den glykæmiske kontrol . Diabetespleje 39, e59-60. issn: 1935-5548 (Elektronisk) 0149-5992 (Linking) (apr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F.H. En pilotundersøgelse af hypertensionsbehandling ved hjælp af en telemedicinsk behandlingstilgang. Blodpresse Monit 25, 18-21. issn: 1473-5725 (Elektronisk) 1359-5237 (Linking) (feb. 2020)