Entwicklung intelligenter tragbarer Algorithmen (DIWAH)

Weltweit steigt die Lebenserwartung sukzessive, was zu einem demografischen Wandel hin zu einem zunehmenden Anteil älterer Menschen führt. In Schweden beispielsweise wird sich die Zahl der über 75-Jährigen in den nächsten 50 Jahren verdoppeln und der Anteil wird um mehr als 60 % steigen (Statistik Schweden, öffentlich verfügbare Daten). Das bedeutet, dass mehr Menschen länger leben und weniger Menschen für ihre Pflege zur Verfügung stehen. Eine unserer größten gesellschaftlichen Herausforderungen bei der Bewältigung dieses demografischen Wandels besteht darin, Strategien zur Aufrechterhaltung einer guten Gesundheit und Lebensqualität in dieser Altersgruppe zu entwickeln. Wie sollten wir sie dann bestmöglich behandeln, wenn sie unweigerlich krank werden? Ein Weg nach vorn besteht darin, die Chancen zu nutzen, die die technologische Entwicklung bietet. Tatsächlich hat sich Schweden ein sehr ehrgeiziges Ziel gesetzt, wie es in Vision2025 (www.ehalsa2025.se) dargelegt ist: Im Jahr 2025 wird Schweden weltweit am besten darin sein, die Chancen der Digitalisierung und der elektronischen Gesundheitsdienste zu nutzen, um es den Menschen leichter zu machen, gute und gleiche Gesundheit und Wohlfahrt zu erreichen und ihre eigenen Ressourcen für mehr Unabhängigkeit und Teilhabe am Leben zu entwickeln und zu stärken der Gesellschaft. Allerdings reicht die digitale Technologie allein nicht aus, um dieses Ziel zu erreichen. Es müssen auch andere Strategien vorhanden sein, die die Technologie nutzen, um die Gesundheit des Einzelnen zu verbessern. Eine dieser Strategien besteht darin, ein Leben lang ein gesundes Maß an körperlicher Aktivität aufrechtzuerhalten. Körperliche Aktivität ist eines der wenigen Verhaltensweisen, die ein Mensch aus eigener Kraft und zu geringen Kosten ändern kann und die gleichzeitig erhebliche Vorteile für die körperliche und geistige Gesundheit mit sich bringt [1]. Zu diesem Zweck gilt die Fähigkeit, das gewohnheitsmäßige körperliche Aktivitätsniveau einer Person zu beurteilen, definiert als „der hypothetische Durchschnitt, um den die körperliche Aktivität dieser Person schwankt“, unter Bewegungsforschern lange Zeit als der heilige Gral. Seit 30 Jahren verwenden Forscher Beschleunigungsmesser, um die körperliche Aktivität im Freien objektiv zu quantifizieren, doch im letzten Jahrzehnt erfreuen sich Wearables in der Bevölkerung großer Beliebtheit (Apple und Fitbit sind die größten Marken). Wearables, hier definiert als kleine tragbare Geräte mit eingebetteten Sensoren, die gesundheitsbezogene Variablen messen, sollen in der Lage sein, langfristige, hochauflösende Daten über gesundheitsbezogenes Verhalten, z. B. Körperhaltung, PA-Intensität, Schlaf und vieles mehr, zu sammeln [ 2]. Wearables können auch wichtige Aspekte des Herz-Kreislauf-Systems wie Herzfrequenz und Blutdruck erfassen [3] und Verhaltensänderungen unterstützen [4]. Sie können daher als „Schweizer Taschenmesser“ angesehen werden, da sie eine große Auswahl an Werkzeugen in einem Gerät bieten. Theoretisch sind Wearables vielversprechend für die Schaffung evidenzbasierter personalisierter PA in der Gesundheitsförderung, Krankheitsprävention und Krankheitsbehandlung [2, 5-8]. Im Vergleich zu den meisten forschungstauglichen Monitoren bieten kommerzielle Wearables mehrere Vorteile, die sie für den Einsatz im Gesundheitswesen attraktiv machen. Sie enthalten mehrere Sensoren, die für die Beurteilung von PA und damit verbundenen Gesundheitsergebnissen relevant sind, insbesondere einen Beschleunigungsmesser zur Erkennung biomechanischer Aspekte der Bewegung und einen optischen Sensor zur Erkennung der physiologischen Reaktion auf Bewegung, z. B. der Herzfrequenz. Zusätzliche Stärken der kommerziellen Monitore im Vergleich zu Monitoren für Forschungszwecke bestehen darin, dass sie für das Tragen über einen langen Zeitraum konzipiert sind, was eine noch bessere Möglichkeit bietet, das individuelle Maß an körperlicher Aktivität zu beurteilen, insbesondere bei den am wenigsten aktiven Personen [9, 10]. Im letzten Jahrzehnt kam es jedoch zu einer explosionsartigen Zunahme unterschiedlicher Wearables und Datenverarbeitungsmethoden ohne einen etablierten Rahmen zur Bewertung ihrer Gültigkeit oder Zuverlässigkeit [11]. Dies hat zu großer Verwirrung geführt, da nicht robuste Entwicklungs- und Bewertungsmethoden für Geräte nicht deren Verwendung in der Praxis widerspiegeln. Darüber hinaus verhindern die unterschiedlichen zusammenfassenden Schätzungen der körperlichen Aktivität innerhalb und zwischen verschiedenen Marken die Möglichkeit, Daten zu bündeln oder direkte Vergleiche zwischen verschiedenen Studien anzustellen. Weitere Einschränkungen von Wearables, die sie auch bei gesunden Personen für den Einsatz ungeeignet machen, bestehen darin, dass sie in erster Linie für den Fitnessmarkt und nicht für den Einsatz im Gesundheitssystem konzipiert sind. Sie wurden nicht transparent und nicht genau bewertet erfassen körperliche Aktivität bei Personen mit veränderten motorischen Mustern, z. B. älteren Menschen [12]. Obwohl die Hardware in den meisten Wearables ähnlich ist, sind die Algorithmen, die die Signale von den Sensoren in unterschiedliche interpretierbare Ergebnisse (z. B. Schritte) umwandeln, oft proprietär und werden in unregelmäßigen Abständen aktualisiert. Weitere wichtige Einschränkungen sind die fragwürdige Vertraulichkeit der Patientenvertraulichkeit und das Dateneigentum. Weder kommerzielle noch forschungstaugliche Monitore können heute die körperliche Aktivität auf individueller Ebene beurteilen, da sie die Fülle der gesammelten Daten nur begrenzt nutzen. Wenn Wearables diese Einschränkungen überwinden können, sind sie vielversprechend für die Erweiterung des klinischen Repertoires an patientenspezifischen Maßnahmen und gelten als wichtiges Werkzeug für die Zukunft der Präzisionsgesundheit und der personalisierten Medizin. Angesichts der Vielzahl neuer tragbarer PA-Tracker, die ohne vorherigen Gültigkeitsnachweis auf den Markt kommen, ist es von grundlegender Bedeutung, Verbrauchern, Patienten, Gesundheitsfachkräften und Forschern ein Open-Source-, evidenzbasiertes Wearable mit ausgezeichneter Validität und Zuverlässigkeit zur Verfügung zu stellen.

Zweck und Ziele In diesem Projekt werden wir damit beginnen, die Stärken kommerzieller Wearables mit denen von Forschungsmonitoren und modernen Datenverarbeitungsmethoden zu verbinden, um diese Einschränkungen zu überwinden. Die Kombination von Informationen aus der Beschleunigungsmessung (Biomechanik) und der Herzfrequenz des optischen Sensors (physiologische Reaktion) verbessert die Vorhersagen hinsichtlich der PA-Intensität und des Energieverbrauchs im Zusammenhang mit körperlicher Aktivität auf individueller Ebene [13]. Darüber hinaus kann der in ein Wearable eingebaute optische Sensor den Blutdruck einer Person abschätzen. Die Signale der Sensoren werden mithilfe künstlicher Intelligenz und maschinellem Lernen analysiert, um die umfangreichen gesammelten Daten besser zu nutzen. Normalerweise werden PA- und Gesundheitsergebnisse zu unterschiedlichen Zeiten gemessen, aber Wearables können Daten von mehreren Variablen gleichzeitig und in Echtzeit erfassen. Diese Fähigkeit kann neue Details über den Zusammenhang zwischen dem Verhalten bei körperlicher Aktivität und dem klinischen Zustand des Einzelnen liefern. Dies wurde noch nicht untersucht, was höchstwahrscheinlich auf die Komplexität der Erfassung und Analyse dieser Daten zurückzuführen ist. Mittlerweile ist das Feld jedoch an einem Punkt angelangt, an dem die Technologie zusammen mit der Rechenleistung und den Analysetools bereits vorhanden ist. Daher ist es an der Zeit, alle Möglichkeiten auszuloten, Echtzeitdaten zu körperlichem Aktivitätsverhalten, gesundheitsbezogenen Ergebnissen und künstlicher Intelligenz zu kombinieren. Damit Bürger in Zukunft ihre Gesundheit durch gerätebasierte Dienste verbessern und erhalten können und fundierte Entscheidungen auf der Grundlage ihrer persönlichen Gesundheitsdaten treffen können.

Der übergeordnete Zweck von DIWAH ist die Entwicklung und Validierung von auf künstlicher Intelligenz/maschinellem Lernen basierenden Algorithmen zur Bewertung körperlicher Aktivität und gesundheitsbezogener Variablen auf individueller Ebene in Echtzeit für den Einsatz im Gesundheitssystem mithilfe von Open-Source-Wearables.

In diesem Projekt werden wir die ersten Schritte unternehmen, indem wir eine rigorose Entwicklung und Validierung der Algorithmen unter Verwendung eines transparenten, phasenbasierten Frameworks durchführen. Konkreter geht es uns um die Entwicklung von Algorithmen zur Bewertung von:

• Physische Aktivität
• Pulsschlag
• Gesundheitsbezogene Variablen, z. B. Blutdruck und Energieverbrauch. Wir werden auch versuchen, die zugrunde liegenden Faktoren zu identifizieren, die die Vorhersagen verbessern, wie z. B. Alter, Geschlecht, Körperzusammensetzung und gesundheitsbezogene Fitnessniveaus.

Projektbeschreibung Studienstichprobe Für dieses Projekt werden wir etwa 50 scheinbar gesunde Erwachsene (18-65 Jahre, 50 % Frauen) rekrutieren. Die Rekrutierung erfolgt mithilfe einer praktischen Stichprobenmethode. Über Mundpropaganda werden wir Kontakt zu Sportvereinen, Arbeitsstätten und Studierenden der Universität aufnehmen.

Für die Teilnahme an der Studie gelten keine besonderen Anforderungen, außer dass die Probanden augenscheinlich gesund sind und mindestens 30 Minuten joggen können. Zu den Ausschlusskriterien gehören bekannte Herz-Kreislauf-Erkrankungen oder die Einnahme von Medikamenten, die die Herzfrequenz beeinflussen.

Studiendesign Da die Hardware in allen Wearables ähnlich ist, liegt der Schwerpunkt auf der Entwicklung möglichst transparenter Algorithmen, indem man dem von Keadle et al. skizzierten Rahmen folgt. [14] und halten sich gleichzeitig an die Expertenempfehlungen des INTERLIVE-Netzwerks zum HR-Monitoring [15]. Das Keadle-Framework ist von der Arzneimittelentwicklung inspiriert und schlägt fünf Phasen vor: Mechanische Signaltests, Labortests, halbstrukturierte Bewertung, naturalistische Validierung und Einführung. Alle diese Phasen werden im vorliegenden Projekt nicht abgedeckt. Die halbstrukturierte Evaluierungsphase ist darauf ausgelegt, anhand der Signale der Sensoren im Wearable bestimmte aktive Aktivitäten zu identifizieren, beispielsweise Laufen oder Staubsaugen. Allerdings wären die physiologische Reaktion und damit die gesundheitlichen Auswirkungen körperlicher Aktivität für verschiedene Arten von Aktivitäten mit derselben Intensität ähnlich. Dem Herzen ist es zum Beispiel egal, ob man rennt oder Schnee schaufelt, wenn es mit der gleichen Intensität arbeitet. Darüber hinaus glauben wir nicht, dass es ethisch motiviert wäre, das Gerät an einer Patientenpopulation zu testen (Phase fünf – Einführung), bevor wir sicher sind, dass das Gerät gültige Daten liefert. Daher entfallen im aktuellen Projekt sowohl die semistrukturierte Evaluierungsphase als auch die Adoptionsphase.

Phase 1 – Produktentwicklung Da die Hardware in jedem Wearable auf dem Markt ähnlich ist, ist es nicht von Bedeutung, welche spezifische Wearable-Marke genau für die Entwicklung und den Test unserer Algorithmen verwendet wird. Der Hauptgedanke der ersten Phase besteht darin, sicherzustellen, dass das Wearable gültige Daten erzeugt und dass auf die unverarbeiteten Rohdaten problemlos zugegriffen werden kann. Zu diesem Zweck haben wir zwei Open-Source-Wearables identifiziert, deren Hardware die Anforderungen für die Beurteilung von körperlicher Aktivität (Beschleunigungsmesser), Herzfrequenz (optischer Sensor) und gesundheitsbezogenen Variablen erfüllt und außerdem drahtlos über Bluetooth mit externen Geräten kommunizieren kann, nämlich dem Armreif .js 2 (https://www.espruino.com/Bangle.js2) und die Pinetime (https://www.pine64.org/pinetime/). Wir haben auch Apps erstellt, die die Daten lokal auf den Geräten speichern und eine einfache Übertragung auf ein externes Gerät zur weiteren Verarbeitung und Analyse der in Phase 2 gesammelten Daten ermöglichen. Basierend auf den Ergebnissen aus Phase 2 ist dies erforderlich, bevor wir sie durchführen Phase 3 – naturalistische Validierung, um Vorverarbeitungsmethoden zu entwickeln, da die Speicherkapazität des Wearables nicht ausreicht, um die große Menge an Rohdaten zu speichern, die in dieser Phase gesammelt wird. Daher wird diese Phase ein fortlaufender Teil des gesamten Projekts sein.

Phase 2 – Laborentwicklung Das Ziel der Phase-2-Studie besteht darin, Algorithmen zu entwickeln und zu testen, um die Intensität körperlicher Aktivität, die Energiekosten körperlicher Aktivität und den Blutdruck aus den Wearables-Signalen unter kontrollierten Laborbedingungen abzuschätzen. Darüber hinaus werden wir potenzielle Prädiktoren identifizieren, die die Präzision der Vorhersagen erhöhen können. Die Idee besteht darin, dass tragbare Daten gleichzeitig mit Kriteriumsmessungen während eines Protokolls vom Ruhezustand über das Gehen und Laufen mit zunehmender Geschwindigkeit bis zur Erschöpfung erfasst werden. Während des Protokolls werden sie mittels indirekter Kalorimetrie (Vyntus CPX, Vyaire Medical, Inc., Il, USA) und einem um die Brust angebrachten Herzfrequenzmesser (Polar Electro Oy, Kempele, Finnland) überwacht, der vollständig mit einem richtigen Elektrokardiogramm vergleichbar ist (r>0,99 [16]), gleichzeitig ausgestattet mit dem Wearable, einem Beschleunigungsmesser für Forschungszwecke (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) und einem kommerziellen Wearable (Fit-Bit Sense, Fitbit International Limited, Dublin, Irland). Dieses Verfahren erfasst ein kontinuierliches Signal von den Wearables bei verschiedenen körperlichen Aktivitätsintensitäten, von Ruhe bis hin zu maximaler Anstrengung auf individueller Ebene. Dies wird es ermöglichen, dieses Signal sowohl auf Gruppen- als auch auf Einzelebene zu modellieren und mit den Goldstandardmethoden der indirekten Kalorimetrie und HR-Überwachung zu vergleichen. Wir werden auch Blutdruckdaten mit klinischen Standardmonitoren erfassen, um ein optisches Signal mit dem eines Blutdruckmessgeräts zu vergleichen.

Im Rahmen des Projekts werden wir auch mehrere bewährte gesundheitsbezogene Fitnesstests durchführen. Für die Muskelkraft wird der Handgrifftest verwendet, für die Flexibilität der Sitz- und Greiftest [17]. Darüber hinaus wird der Timed Up and Go Test (TUG) durchgeführt [18]. Darüber hinaus erheben wir Hintergrunddaten wie Alter, Geschlecht und Körperzusammensetzung der Teilnehmer. Diese Tests werden dann verwendet, um die Möglichkeit zu untersuchen, das Ausmaß der körperlichen Aktivität einer Person vorherzusagen. Das Ergebnis dieser Phase ist eine Reihe von Modellen zum Zählen von Schritten und zum Erfassen der Intensität körperlicher Aktivität mithilfe des Beschleunigungsmessers, des optischen Sensors und einer Kombination aus beiden, ergänzt durch Hintergrunddaten. Wir gehen außerdem davon aus, ein Modell zur Messung des Blutdrucks mithilfe der Wearables im Ruhezustand zu entwickeln.

Phase 3 – Naturalistische Validierung Das Ziel der dritten Phase des Projekts besteht darin, eine strenge, unabhängige Validierung der Algorithmen unter realen Bedingungen im Vergleich zu Goldstandardmaßen durchzuführen. Daher werden wir nach der Entwicklung der Algorithmen in einer kontrollierten Umgebung dazu übergehen, das Wearable im freien Leben zu testen. Dieselben 50 Teilnehmer (50 % Frauen, 18–65 Jahre) aus der zweiten Phase nehmen eine Dosis doppelt markiertes Wasser (DLW) zu sich, das den goldenen Standard zur Messung des Energieverbrauchs während des freien Lebens mit Fehlern innerhalb von ±3 % darstellt wahrer Wert, gemessen durch Atemkammern [19]. Auch wenn die DLW-Methode der goldene Standard ist, wird sie nicht oft verwendet, da es sich um eine teure Methode handelt, bei der das Körperwasser eines Probanden mit schwerem Wasserstoff (2H) und schwerem Sauerstoff (18O) angereichert und dann der Unterschied in der Auswaschkinetik bestimmt wird zwischen beiden Isotopen, was eine Funktion der Kohlendioxidproduktion, d. h. des Energieaufwands, unter Verwendung spezieller Geräte ist.

Basierend auf der DLW-Kinetik werden wir dann in der Lage sein, die Signale des tragbaren Prototyps zu modellieren, um die beste Passform zu finden, d. h. wie gut der Prototyp den Energieverbrauch im Zusammenhang mit körperlicher Aktivität bewertet. Das Ergebnis dieser Phase wird voraussichtlich ein Modell sein, das auf der Grundlage der vom Wearable bereitgestellten Informationen den Energieverbrauch unter freien Lebensbedingungen bewertet. Unser Ziel ist es außerdem, anhand der in Phase zwei bereitgestellten Informationen das körperliche Aktivitätsniveau der Teilnehmer zu ermitteln.

Datenanalyse und Statistik In allen Phasen dieses Projekts werden wir die Leistungsfähigkeit der künstlichen Intelligenz nutzen, insbesondere verschiedene Techniken des maschinellen Lernens, um verschiedene Aspekte der körperlichen Aktivität, des Energieverbrauchs und des Blutdrucks auf individueller Ebene vorherzusagen. Maschinelles Lernen erstellt automatisch Modelle auf der Grundlage von Datensätzen, die das Potenzial haben, genaue Vorhersagen zu treffen, die Entscheidungen in Echtzeit ohne menschliches Eingreifen steuern. Die Wearables ermöglichen die Hochfrequenz-Rohdatenerfassung sowohl von der Beschleunigungsmessung als auch vom optischen Sensor. Die Nutzung dieser Daten für maschinelles Lernen bietet gute Möglichkeiten, körperliche Aktivität indirekt zu messen und individuelle Empfehlungen für ein gesundes Maß an körperlicher Aktivität abzugeben. In mehreren Studien wurde versucht, aus Beschleunigungsmesserdaten, die mit einem am Handgelenk getragenen Beschleunigungsmesser erfasst wurden, aussagekräftige Ergebnisse für körperliche Aktivität abzuleiten [20–22]. Die auf maschinellem Lernen basierenden Studien zielten auf die Klassifizierung von körperlichen Aktivitätsarten, z. B. Sitzen, Stehen, Gehen, Laufen usw., oder der PA-Intensität, z. B. sitzend, leicht, mäßig, kräftig. Sie berichten von einer Klassifizierungsgenauigkeit von >80 % für die Aktivitätsart [23–26] und einer Klassifizierungsgenauigkeit von >90 % für die Intensität [27, 28]. Die meisten dieser Studien verwenden überwachte maschinelle Lernansätze mit gekennzeichneten Daten, d. h. es ist eine Grundwahrheit verfügbar, wie z. B. Random Forest [29-31], Support Vector Machine [26], künstliche neuronale Netze [32] und Deep-Learning-Modelle [ 33, 34]. Nur wenige Studien verwenden unbeaufsichtigte Modelle des maschinellen Lernens, wie etwa versteckte Semi-Markov-Modelle [31, 35] und k-Means-Clustering [36]. Hier haben wir die Möglichkeit, Datensätze mit gekennzeichneten Daten zu erstellen. Da das übergeordnete Ziel dieses Projekts jedoch darin besteht, ein Wearable zu entwickeln, das sich an individuelle Nutzer des Wearables anpassen lässt, muss der Lernansatz auch mit unbeschrifteten Daten umgehen können. Um dieses Problem anzugehen, verwenden wir Reinforcement Learning [37, 38]. Schließlich sammeln wir auch mehrere Hintergrundvariablen, einschließlich Funktionstests, die wir zur Erweiterung der Modelle verwenden werden. Wir werden die leistungsstärksten Modelle identifizieren, um die Intensität, Häufigkeit und das Ausmaß der körperlichen Aktivität anhand des Beschleunigungsmessers und der Herzfrequenz vorherzusagen, und diese zur Vorhersage des Energieverbrauchs und des Blutdrucks verwenden. Die beste Leistung bezieht sich sowohl auf Genauigkeit als auch auf Erklärbarkeit, und wir erwarten, dass sich unterschiedliche Ansätze in diesen beiden Aspekten auszeichnen. Basierend auf genaueren Messungen der körperlichen Aktivität und deren genauer Vorhersage mithilfe von Zeitreihendaten von Beschleunigungsmessern bewerten wir außerdem das Potenzial von Funktionstests als Zeitpunkt-Prädiktor für körperliche Aktivität neu.

Verweise

1. Weltgesundheitsorganisation. Leitlinien zu körperlicher Aktivität und sitzendem Verhalten 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Wie Verbrauchermonitore für körperliche Aktivität die Forschung zur menschlichen Physiologie verändern könnten. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (Elektronisch) 0363-6119 (Verlinkung) (März. 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. Manschettenlose Single-Site-Photoplethysmographie zur Blutdrucküberwachung. J Clin Med 9. issn: 2077-0383 (Druck) 2077-0383 (Elektronisch) 2077-0383 (Verlinkung) (März. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Wie unterstützen mobile Gesundheitsanwendungen Verhaltensänderungen? Eine umfassende Überprüfung mobiler Gesundheitsanwendungen im Zusammenhang mit körperlicher Aktivität und Essverhalten. Öffentliche Gesundheit 175, 8-18. issn: 1476-5616 (Elektronisch) 0033-3506 (Verlinkung) (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. Intelligente tragbare Geräte in der Herz-Kreislauf-Pflege: Wo wir stehen und wie wir vorankommen. Nat Rev Cardiol. issn: 1759-5010 (Elektronisch) 1759-5002 (Verlinkung) (März. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Qualität öffentlich verfügbarer Apps für körperliche Aktivität: Überprüfung und Inhaltsanalyse. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (Druck) 2291-5222 (Verlinkung) (März. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Wearable Technology und wie diese in die klinische Praxis umgesetzt werden kann. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (Elektronisch) 1529-7322 (Verlinkung) (Juni 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. Eine kritische Überprüfung von Verbraucher-Wearables, mobilen Anwendungen und Geräten zur Bereitstellung von Biofeedback, Überwachung von Stress und Schlaf in körperlich aktiven Bevölkerungsgruppen. Front Physiol 9, 743. issn: 1664-042X (Druck) 1664-042X (Verlinkung) (2018).

9. Bergman, P. Die Anzahl der wiederholten Beobachtungen, die erforderlich sind, um die gewohnheitsmäßige körperliche Aktivität einer Person mit einem bestimmten Genauigkeitsgrad abzuschätzen. PloS One 13, e0192117. issn: 1932-6203 (Elektronisch) 1932-6203 (Linking) (2018).

10. Bergman, P. & Hagstromer, M. Kein einzelnes, auf Beschleunigungsmessern basierendes Datenerfassungsprotokoll für körperliche Aktivität kann alle Forschungsfragen beantworten. BMC medizinische Forschungsmethodik 20, 141. issn: 1471-2288 (Elektronisch) 1471-2288 (Verlinkung) (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-Arbeitsgruppe zum Positionspapier zur E-Kardiologie: Einsatz kommerziell erhältlicher tragbarer Technologie zur Herzfrequenz- und Aktivitätsverfolgung in der primären und sekundären Herz-Kreislauf-Prävention – in Zusammenarbeit mit European Heart Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patientenforum und Digital Health Committee. Europäisches Herzjournal. Digitale Gesundheit 2, 49-59. Issn: 2634-3916

(1. März) 2021). epublish. 12. Wong, C. K., Mentis, H. M. & Kuber, R. Das Bit passt nicht: Bewertung eines kommerziellen Aktivitäts-Trackers bei langsameren Gehgeschwindigkeiten. Ganghaltung 59, 177-181. issn: 1879-2219 (Elektronisch) 0966-6362 (Verlinkung) (Jan. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Verzweigte Gleichungsmodellierung der gleichzeitigen Beschleunigungsmessung und Herzfrequenzüberwachung verbessert die Schätzung von direkt gemessener Energieverbrauch bei körperlicher Aktivität. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (Druck) 0161-7567 (Verlinkung) (Jan. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. Ein Rahmen zur Bewertung von Geräten, die das physische Verhalten bewerten. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (Elektronisch) 0091-6331 (Verlinkung) (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. Empfehlungen zur Bestimmung der Gültigkeit von tragbaren Herzfrequenzgeräten für Verbraucher: Expertenmeinung und Checkliste des INTERLIVE-Netzwerks. Br J Sports Med. issn: 1473-0480 (Elektronisch) 0306-3674 (Verlinkung) (Jan. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Variable Genauigkeit der tragbaren Herzfrequenz Überwacht während Aerobic-Übungen. Medizin und Wissenschaft in Sport und Bewegung 49, 1697-1703. Issn: 1530-0315 (8. August 2017). ppublish.

17. Oja, P. & Tuxworth, B. Eurofit für Erwachsene. Beurteilung der gesundheitsbezogenen Fitness. Straßburg: Europarat-UKK-Institut, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. Das zeitgesteuerte „Up & Go“: ein Test der grundlegenden funktionellen Mobilität für gebrechliche ältere Menschen. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Druck) 0002-8614 (Verlinkung) (Feb. 1991).

19. Westerterp, K. R. Doppelt gekennzeichnete Wasserbewertung des Energieverbrauchs: Prinzip, Praxis und Versprechen. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (Elektronisch) 1439-6319 (Verlinkung) (Juli 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Messung körperlicher Aktivität in der klinischen Praxis mithilfe von Beschleunigungsmessern. J Intern Med 286, 137-153. issn: 1365-2796 (Elektronisch) 0954-6820 (Verlinkung) (Aug. 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Beurteilung der körperlichen Aktivität bei Erwachsenen mithilfe von Handgelenksbeschleunigungsmessern. Epidemiol Rev 43, 65-93. issn: 1478-6729 (Elektronisch) 0193-936X (Verlinkung) (Jan. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Fortgeschrittene Analysemethoden zur Bewertung des Verhaltens bei körperlicher Aktivität mithilfe von Beschleunigungsmesser-Rohzeitreihendaten: ein Protokoll für eine Scoping-Überprüfung. Syst Rev 9, 259. issn: 2046-4053 (Elektronisch) 2046-4053 (Verlinkung) (Nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Messungen der körperlichen Aktivität und des Energieverbrauchs mithilfe von Beschleunigungsmessern bei älteren Erwachsenen. Nutr Hosp 25, 224-30. issn: 0212-1611 (Druck) 0212-1611 (Verlinkung) (Apr. 2010).

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

Gültigkeit objektiver Methoden zur Messung des sitzenden Verhaltens bei älteren Erwachsenen: eine systematische Überprüfung. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (Elektronisch) 1479-5868 (Verlinkung) (Nov. 2018).

25. Phillips, L. J., Petroski, G. F. & Markis, N. E. Ein Vergleich der Beschleunigungsmessergenauigkeit bei älteren Erwachsenen. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (elektronisch) 1938-2464 (Verlinkung) (Okt. 2015).

26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. & Zhang, Y. Ein Vergleich verschiedener Algorithmen für maschinelles Lernen, Typen und Platzierungen von Aktivitätsmonitoren zur Klassifizierung körperlicher Aktivität. Messung 154, 107480 (2020).

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

Validierung und Vergleich von Beschleunigungsmessern, die an Hüfte, Oberschenkel und Handgelenken getragen werden, zur Messung körperlicher Aktivität und Bewegungsmangel. AIMS Public Health 3, 298-312. issn: 2327-8994 (Druck) 2327-8994 (Verlinkung) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Kreuzvalidierung und Out-of-Sample-Test von Vorhersagen zur Intensität körperlicher Aktivität mit einem am Handgelenk getragenen Beschleunigungsmesser. J Appl Physiol (1985) 124, 1284–1293. issn: 1522-1601 (Elektronisch) 0161-7567 (Verlinkung) (Mai 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laborbasierte und freilebende Algorithmen zur Schätzung des Energieverbrauchs bei Kindern im Vorschulalter: Eine freilebende Bewertung. PloS One 15, e0233229. issn: 1932-6203 (Elektronisch) 1932-6203 (Linking) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Ein Dual-Beschleunigungsmessersystem zur Klassifizierung körperlicher Aktivität bei Kindern und Erwachsenen. Medizin und Wissenschaft in Sport und Bewegung 50, 2595-2602. issn: 1530-0315 (Elektronisch) 0195-9131 (Verlinkung) (Dez. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistisches maschinelles Lernen von Schlaf- und körperlichen Aktivitätsphänotypen aus Sensordaten bei 96.220 britischen Biobank-Teilnehmern. Sci Rep 8, 7961. issn: 2045-2322 (Elektronisch) 2045-2322 (Verlinkung) (Mai 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Anwendung von Rohdaten von Beschleunigungsmessern und Techniken des maschinellen Lernens zur Charakterisierung des menschlichen Bewegungsverhaltens: Eine systematische Scoping-Überprüfung. 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. Beurteilung der körperlichen Aktivität und des funktionellen Fitnessniveaus mithilfe von Faltungs-Neuronalen Netzen. Wissensbasierte Systeme 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Vorhersage des Energieverbrauchs von Kindern bei körperlicher Aktivität mithilfe von Deep Learning und tragbaren Sensordaten. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (Elektronisch) 1536-7290 (Verlinkung) (Juni 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentierung von Beschleunigungsmesserdaten aus dem täglichen Leben mit unbeaufsichtigtem maschinellem Lernen. PloS One 14, e0208692. issn: 1932-6203 (Elektronisch) 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. Funktionsauswahl für unbeaufsichtigtes maschinelles Lernen von Beschleunigungsmesserdaten-Clustern für körperliche Aktivität – Eine systematische Überprüfung . Ganghaltung 90, 120-128. issn: 1879-2219 (Elektronisch) 0966-6362 (Verlinkung) (Okt. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Die Förderung körperlicher Aktivität bei Patienten mit Diabetes durch automatisches personalisiertes Feedback über Reinforcement Learning verbessert die Blutzuckerkontrolle . Diabetes Care 39, e59-60. Issn: 1935-5548 (Elektronisch) 0149-5992 (Verlinkung) (Apr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F. H. Eine Pilotstudie zur Behandlung von Bluthochdruck mithilfe eines telemedizinischen Behandlungsansatzes. Blutpresse Monit 25, 18-21. issn: 1473-5725 (Elektronisch) 1359-5237 (Verlinkung) (Feb. 2020)