Älykkäiden puettavien algoritmien kehittäminen (DIWAH)

Maailmanlaajuisesti elinajanodote kasvaa vähitellen, mikä johtaa väestörakenteen siirtymiseen kohti kasvavaa ikääntyneiden osuutta. Esimerkiksi Ruotsissa yli 75-vuotiaiden määrä kaksinkertaistuu seuraavan 50 vuoden aikana ja osuus kasvaa yli 60 % (Statistics Sweden, julkisesti saatavilla olevat tiedot). Tämä tarkoittaa, että useammat ihmiset elävät pidempään ja vähemmän ihmisiä on käytettävissä heistä huolehtimassa. Yksi suurimmista yhteiskunnallisista haasteistamme vastata tähän väestörakenteen muutokseen on kehittää strategioita hyvän terveyden ja elämänlaadun ylläpitämiseksi kyseisessä ikäryhmässä, ja sitten kun he väistämättä sairastuvat, miten heitä tulisi kohdella parhaalla mahdollisella tavalla? Yksi tapa edetä on hyödyntää teknologian kehityksen tarjoamia mahdollisuuksia. Itse asiassa Ruotsi on ottanut Vision2025:ssä (www.ehalsa2025.se) hahmotellun erittäin kunnianhimoisen tavoitteen: Vuonna 2025 Ruotsi on maailman paras hyödyntämään digitalisaation ja sähköisen terveydenhuollon tarjoamia mahdollisuuksia helpottaakseen ihmisten hyvän ja tasavertaisen terveyden ja hyvinvoinnin saavuttamista sekä kehittääkseen ja vahvistaakseen omia resurssejaan itsenäisyyden ja elämään osallistumisen lisäämiseksi. yhteiskunnasta. Digitaalinen teknologia ei kuitenkaan yksin riitä tähän tavoitteeseen, vaan myös muita strategioita, jotka käyttävät teknologiaa yksilön terveyttä lisäämiseen, on oltava läsnä. Yksi tällainen strategia on ylläpitää tervettä fyysistä aktiivisuutta koko elämän ajan. Fyysinen aktiivisuus on yksi harvoista käyttäytymismalleista, joita ihminen voi muuttaa yksinään ja halvalla ja joka tuottaa samanaikaisesti merkittäviä fyysisiä ja henkisiä terveyshyötyjä [1]. Tätä tarkoitusta varten kykyä arvioida henkilön tavanomaista fyysistä aktiivisuutta, joka määritellään "hypoteettiseksi keskiarvoksi, jonka ympärillä henkilön fyysinen aktiivisuus vaihtelee", on pitkään pidetty fyysisen aktiivisuuden tutkijoiden pyhänä maljana. 30 vuoden ajan tutkijat ovat käyttäneet kiihtyvyysmittareita vapaasti elävän fyysisen aktiivisuuden objektiiviseen kvantifiointiin, mutta viime vuosikymmenen aikana puettavista vaatteista on tullut valtavan suosittuja väestön keskuudessa (suurimpia tuotemerkkejä ovat Apple ja Fitbit). Puettavat laitteet, jotka tässä määritellään pieniksi kannettaviksi laitteiksi, joissa on sisäänrakennetut anturit, jotka mittaavat terveyteen liittyviä muuttujia, väittävät pystyvänsä keräämään pitkän aikavälin korkearesoluutioisia tietoja terveyteen liittyvästä käyttäytymisestä, kuten kehon asennosta, PA-intensiteetistä, unesta ja paljon muusta [ 2]. Puettavat vaatteet voivat myös tallentaa tärkeitä kardiometaboliseen järjestelmään liittyviä näkökohtia, kuten sykettä, verenpainetta [3], sekä tukea käyttäytymisen muutosta [4]. Siten niitä voidaan pitää "Sveitsin armeijan veitsenä", koska ne tarjoavat laajan valikoiman työkaluja yhdessä laitteessa. Teoriassa puetettavilla tuotteilla on valtava lupaus käyttää näyttöön perustuvia yksilöllisiä PA:ita terveyden edistämisessä, sairauksien ehkäisyssä ja sairauksien hoidossa [2, 5-8]. Verrattuna useimpiin tutkimustason monitoreihin kaupallisilla puetettavilla tuotteilla on useita etuja, jotka tekevät niistä houkuttelevia käytettäväksi terveydenhuoltojärjestelmässä. Ne sisältävät useita antureita, jotka ovat tärkeitä PA:n ja siihen liittyvien terveysvaikutusten arvioinnissa, erityisesti kiihtyvyysmittarin liikkeen biomekaanisten näkökohtien havaitsemiseksi ja optisen anturin, joka havaitsee fysiologisen reaktion liikkeelle, kuten sykkeen. Kaupallisten monitorien lisävahvuuksia tutkimustason monitoreihin verrattuna on, että ne on suunniteltu käytettäväksi pitkään, mikä antaa entistä paremman mahdollisuuden arvioida yksilöllistä fyysistä aktiivisuutta erityisesti vähiten aktiivisilla [9, 10]. Viime vuosikymmenen aikana on kuitenkin esiintynyt räjähdysmäisesti erilaisia ​​puettavia vaatteita ja tietojenkäsittelymenetelmiä ilman vakiintunutta viitekehystä niiden validiteetin tai luotettavuuden arvioimiseksi [11]. Tämä on aiheuttanut suurta hämmennystä, jota ovat aiheuttaneet epävakaat laitekehitys- ja arviointimenetelmät, jotka eivät heijasta sitä, miten niitä tullaan käyttämään käytännössä. Lisäksi fyysisen aktiivisuuden yhteenvetoarvioiden erot eri tuotemerkkien sisällä ja välillä estävät mahdollisuuden yhdistää tietoja tai tehdä suoria vertailuja eri tutkimusten välillä. Muita puettavien vaatteiden rajoituksia, jotka tekevät niistä käyttökelvottomia jopa terveille ihmisille, on se, että ne on ensisijaisesti suunniteltu kuntomarkkinoille eikä terveydenhuoltojärjestelmään, niitä ei ole arvioitu läpinäkyvästi, ne eivät ole tarkasti siepata fyysistä aktiivisuutta henkilöiltä, ​​joilla on muuttunut motorinen kuvio, esimerkiksi vanhukset [12]. Vaikka useimpien puettavien laitteiden laitteistot ovat samankaltaisia, algoritmit, jotka kääntävät antureiden signaalit erilaisiin tulkittavissa oleviin tuloksiin (esim. vaiheisiin), ovat usein omia ja päivittyvät epäsäännöllisin väliajoin. Muita tärkeitä rajoituksia ovat kyseenalainen potilaan luottamuksellisuus ja tietojen omistus. Kaupalliset tai tutkimustason monitorit eivät voi nykyään arvioida fyysistä aktiivisuutta yksilötasolla, koska he käyttävät rajoitetusti kerättyä tietoa. Jos puettavat laitteet voivat voittaa nämä rajoitukset, niillä on paljon lupauksia potilaskohtaisten toimenpiteiden kliinisen valikoiman laajentamiseksi, ja niitä pidetään tärkeänä työkaluna tulevaisuuden tarkkuusterveyden ja henkilökohtaisen lääketieteen kannalta. Kun otetaan huomioon uusien puettavien PA-seurantalaitteiden runsaus, joka tulee markkinoille ilman ennakkotodistusta niiden kelpoisuudesta, on erittäin tärkeää tarjota kuluttajille, potilaille, terveydenhuollon ammattilaisille ja tutkijoille avoimen lähdekoodin, näyttöön perustuva puettava laite, jonka kelpoisuus ja luotettavuus on erinomainen.

Tarkoitus ja tavoitteet Tässä projektissa ryhdymme yhdistämään kaupallisten puettavien vaatteiden vahvuudet tutkimustason monitorien vahvuuksiin ja nykyaikaisiin tiedonkäsittelymenetelmiin näiden rajoitusten voittamiseksi. Kiihtyvyysmittauksen (biomekaniikka) ja optisen anturin sykkeen (fysiologinen vaste) yhdistelmä parantaa ennusteita PA-intensiteetistä ja fyysiseen aktiivisuuteen liittyvästä energiankulutuksesta yksilötasolla [13]. Lisäksi puettavan laitteen optinen anturi voi arvioida henkilön verenpainetta. Antureista tulevat signaalit analysoidaan tekoälyn ja koneoppimisen avulla, jotta kerätystä rikkaasta datasta saadaan parempia hyötyjä. Normaalisti PA- ja terveystuloksia mitataan eri aikoina, mutta puettavat laitteet voivat kerätä tietoja useista muuttujista samanaikaisesti ja reaaliajassa. Tämä kyky voi tarjota uusia yksityiskohtia fyysisen aktiivisuuden ja yksilön kliinisen tilan välisestä yhteydestä. Tätä ei ole vielä tutkittu, mikä johtuu todennäköisesti näiden tietojen hankkimisen ja analysoinnin monimutkaisuudesta. Ala on kuitenkin nyt siirtynyt pisteeseen, jossa teknologia yhdessä prosessointitehon ja analyyttisten työkalujen kanssa on olemassa. Näin ollen on tullut aika tutkia täydellistä mahdollisuutta yhdistää reaaliaikaista tietoa fyysisen aktiivisuuden käyttäytymisestä, terveyteen liittyvistä tuloksista ja tekoälystä. Jotta kansalaiset voisivat tulevaisuudessa parantaa ja ylläpitää terveyttään laitepohjaisten palveluiden avulla ja tehdä tietoisia päätöksiä, jotka perustuvat henkilökohtaisiin terveystietoihinsa.

DIWAH:n päätarkoitus on kehittää ja validoida tekoälyyn/koneoppimiseen perustuvia algoritmeja fyysisen aktiivisuuden ja terveyteen liittyvien muuttujien arvioimiseksi yksilötasolla reaaliajassa käytettäväksi terveydenhuoltojärjestelmässä käyttämällä avoimen lähdekoodin puettavia laitteita.

Tässä projektissa otamme ensimmäiset askeleet suorittamalla algoritmien tiukan kehittämisen ja validoinnin käyttämällä läpinäkyvää vaihepohjaista viitekehystä. Tarkemmin sanottuna pyrimme kehittämään algoritmeja arvioimaan:

• Liikunta
• Syke
• Terveyteen liittyvät muuttujat, kuten verenpaine ja energiankulutus Pyrimme myös tunnistamaan, mitkä taustalla olevat tekijät parantavat ennusteita, kuten ikäsukupuolen kehonkoostumus ja terveyteen liittyvät kuntotasot.

Hankkeen kuvaus Tutkimusnäyte Rekrytoimme tähän projektiin noin 50 näennäisesti tervettä aikuista (18-65 vuotta, 50 % naisia). Rekrytointi tehdään mukavuusnäytteenottomenetelmällä. Otamme yhteyttä urheiluseuroihin, työmaihin ja yliopiston opiskelijoihin suullisesti.

Tutkimukseen ei vaadita erityisiä vaatimuksia, paitsi että koehenkilöiden on oltava ilmeisen terveitä ja kyettävä hölkkäämään vähintään 30 minuuttia. Poissulkemiskriteereinä ovat tunnetut sydän- ja verisuonitaudit tai sykkeeseen vaikuttavat lääkkeet.

Tutkimussuunnittelu Koska kaikkien puettavien laitteiden laitteistot ovat samanlaisia, keskitytään kehittämään mahdollisimman läpinäkyviä algoritmeja noudattamalla Keadlen et al. hahmottelemaa viitekehystä. [14] ja samalla noudattaa INTERLIVE-verkoston asiantuntijasuosituksia henkilöstövalvonnasta [15]. Keadle-kehys on saanut inspiraationsa lääkekehityksestä ja ehdottaa viittä vaihetta: mekaaninen signaalitestaus, laboratoriotestaus, puolistrukturoitu arviointi, naturalistinen validointi ja adoptio. Kaikkia näitä vaiheita ei käsitellä tässä hankkeessa. Puolistrukturoitu arviointivaihe on suunniteltu tunnistamaan tietyt aktiiviset aineet puettavien antureiden, kuten juoksemisen tai imuroinnin, signaalien perusteella. Kuitenkin fysiologinen vaste ja siten fyysisen aktiivisuuden terveysvaikutukset olisivat samanlaiset erityyppisissä toimissa samalla intensiteetillä. Esimerkiksi sydän ei todellakaan välitä, juokseeko tai lapioi lunta, jos se toimii samalla intensiteetillä. Lisäksi emme usko, että olisi eettisesti motivoitunutta testata laitetta potilaspopulaatiossa (vaihe viisi - Adoption), ennen kuin olemme varmoja, että laite tarjoaa kelvollisia tietoja. Tästä syystä puolistrukturoitu arviointivaihe sekä hyväksymisvaihe jätetään pois nykyisestä projektista.

Vaihe 1 - Tuotekehitys Koska laitteistot ovat samanlaisia ​​kaikissa markkinoilla olevissa puettavissa laitteissa, ei ole mitään merkitystä tarkalleen, mitä tiettyä puettavaa merkkiä käytetään algoritmidemme kehittämiseen ja testaamiseen. Ensimmäisen vaiheen pääideana on varmistaa, että puettava tuottaa kelvollista dataa ja että käsittelemätön raakadata on helposti saatavilla. Tätä tarkoitusta varten olemme tunnistaneet kaksi avoimen lähdekoodin puettavaa laitteistoa, jotka täyttävät fyysisen aktiivisuuden arvioinnin (kiihtyvyysanturi), HR (optinen sensori), terveyteen liittyvien muuttujien vaatimukset ja jotka voivat myös kommunikoida langattomasti ulkoisten laitteiden kanssa Bluetoothin avulla, nimittäin rannerengas. .js 2 (https://www.espruino.com/Bangle.js2) ja Pinetime (https://www.pine64.org/pinetime/). Olemme myös luoneet sovelluksia, jotka tallentavat tiedot paikallisesti laitteille ja jotka mahdollistavat helpon siirron ulkoiselle laitteelle vaiheessa 2 kerättyjen tietojen jatkokäsittelyä ja analysointia varten. Vaiheen 2 tuloksen perusteella on tarpeen ennen kuin suoritamme vaihe 3 - naturalistinen validointi esikäsittelymenetelmien kehittämiseksi, koska puettavan muistin kapasiteetti ei salli sen aikana kerättävää valtavaa määrää raakadataa. Näin ollen tämä vaihe tulee olemaan jatkuva osa koko hanketta.

Vaihe 2 - Laboratoriokehitys Vaiheen 2 tutkimuksen tavoitteena on kehittää ja testata algoritmeja, joilla voidaan arvioida fyysisen aktiivisuuden intensiteettiä, fyysisen aktiivisuuden energiakustannuksia ja verenpainetta puettavien laitteiden signaaleista kontrolloiduissa laboratorio-olosuhteissa. Lisäksi aiomme tunnistaa mahdollisia ennustajia, jotka voivat lisätä ennusteiden tarkkuutta. Ajatuksena on, että puettavat tiedot kerätään samaan aikaan kriteerimittausten kanssa protokollan aikana lepäämisestä kävelyn ja kasvavan nopeuden juoksemisesta uupumukseen asti. Protokollan aikana heitä seurataan epäsuoralla kalorimetrialla (Vyntus CPX, Vyaire Medical, Inc., Il, USA) ja rinnan ympärille asennettavalla sykemittarilla (Polar Electro Oy, Kempele, Suomi), joka on täysin verrattavissa oikeaan elektrokardiogrammiin. (r>0,99 [16]), jossa on samanaikaisesti puettava, tutkimusluokan kiihtyvyysanturi (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) ja kaupallinen puettava (Fit-Bit Sense, Fitbit international limited, Dublin, Irlanti). Tämä toimenpide kaappaa jatkuvan signaalin puetettavilta erilaisilla fyysisen toiminnan intensiteetillä, levosta yksilötasolla maksimaaliseen rasitukseen. Tämä mahdollistaa signaalin mallintamisen sekä ryhmä- että yksilötasolla ja vertaamisen epäsuoran kalorimetrian ja sykemittauksen kultaisiin standardimenetelmiin. Keräämme myös verenpainetietoja tavallisilla kliinisillä monitoreilla verrataksemme optista signaalia verenpainemittarin signaaliin.

Projektin puitteissa teemme myös useita vakiintuneita terveyteen liittyviä kuntotestejä. Lihasvoiman mittaamiseen käytetään käden pitotestiä ja joustavuuden osalta istuma- ja ulottuvuustestiä [17]. Lisäksi suoritetaan ajastettu ja mene -testi (TUG) [18]. Keräämme myös taustatietoja, kuten osallistujien iän, sukupuolen ja kehon koostumuksen. Näitä testejä käytetään sitten tutkimaan mahdollisuutta ennustaa yksilön fyysisen aktiivisuuden taso. Tämän vaiheen tuloksena on joukko malleja, joilla lasketaan askeleita ja havaitaan fyysisen aktiivisuuden intensiteetti käyttämällä kiihtyvyysmittaria, optista sensoria, näiden kahden yhdistelmää, lisättynä taustatiedoilla. Odotamme myös kehittävän mallin verenpaineen mittaamiseen puettavien laitteiden avulla levon aikana.

Vaihe 3 - Naturalistinen validointi Projektin kolmannen vaiheen tavoitteena on suorittaa algoritmien tiukka, riippumaton validointi reaalimaailman olosuhteissa verrattuna kultaisiin standardeihin. Näin ollen kontrolloidussa ympäristössä kehitettyjen algoritmien jälkeen siirrymme testaamaan puettavia vapaan elämän aikana. Samat 50 osallistujaa (50 % naisia, 18–65-vuotiaita) toisesta vaiheesta nauttivat annoksen kaksinkertaisesti merkittyä vettä (DLW), joka on kultainen standardi mitata energiankulutusta vapaan asumisen aikana virheillä ±3 %:n sisällä todellinen arvo hengityskammioilla mitattuna [19]. Vaikka DLW-menetelmä on kultainen standardi, sitä ei usein käytetä, koska se on kallis menetelmä, jossa potilaan kehon vesi rikastetaan raskaalla vedyllä (2H) ja raskaalla hapella (18O) ja määritetään sitten ero huuhtoutumiskinetiikassa. molempien isotooppien välillä, mikä on funktio hiilidioksidin tuotannosta, eli energiankulutuksesta, käyttämällä erikoislaitteita.

DLW-kinetiikan perusteella voimme sitten mallintaa puettavan prototyypin signaaleja löytääksemme parhaan istuvuuden, eli kuinka hyvin prototyyppi arvioi fyysiseen toimintaan liittyvän energiankulutuksen. Tämän vaiheen lopputuloksena odotetaan mallia, joka arvioi puettavien tietojen perusteella energiankulutusta vapaiden elinolojen aikana. Pyrimme myös määrittämään osallistujien fyysisen aktiivisuuden tasot toisen vaiheen aikana saatujen tietojen perusteella.

Tietojen analysointi ja tilastot Tämän projektin kaikissa vaiheissa hyödynnämme tekoälyn voimaa, tarkemmin sanottuna erilaisia ​​koneoppimistekniikoita ennustamaan fyysisen aktiivisuuden, energiankulutuksen ja verenpaineen eri puolia yksilötasolla. Koneoppiminen luo automaattisesti tietosarjoihin perustuvia malleja, jotka voivat tuottaa tarkkoja ennusteita, jotka ohjaavat päätöksiä reaaliajassa ilman ihmisen vuorovaikutusta. Puettavat laitteet tarjoavat korkeataajuista raakadatan näytteenottoa sekä kiihtyvyysmittarista että optisesta anturista. Näiden tietojen käyttäminen koneoppimiseen tarjoaa hyvät mahdollisuudet mitata epäsuorasti fyysistä aktiivisuutta ja neuvoa yksilöllisesti terveellistä liikuntaa. Useat tutkimukset ovat yrittäneet johtaa mielekkäitä fyysisen aktiivisuuden tuloksia ranteessa pidettävällä kiihtyvyysmittarilla kerätyistä kiihtyvyysmittaritiedoista [20-22]. Koneoppimiseen perustuvissa tutkimuksissa pyrittiin luokittamaan fyysisiä aktiviteettityyppejä, kuten istuminen, seisominen, kävely, juoksu jne., tai PA-intensiteettiä, esim. istuva, kevyt, kohtalainen, voimakas. He raportoivat >80 %:n luokitustarkkuuden aktiviteettityypille [23-26] ja >90 %:n luokitustarkkuuden intensiteetille [27, 28]. Suurin osa näistä tutkimuksista käyttää valvottuja koneoppimismenetelmiä, joissa on merkittyä dataa, eli pohjatotuus on saatavilla, kuten satunnainen metsä [29-31], tukivektorikone [26], keinotekoinen neuroverkko [32] ja syväoppimismallit [ 33, 34]. Vain harvat tutkimukset käyttävät valvomattomia koneoppimismalleja, kuten piilotettuja Semi-Markov-malleja [31, 35] ja k-means-klusterointia [36]. Täällä meillä on mahdollisuus luoda tietojoukkoja merkityillä tiedoilla. Koska tämän projektin päätavoitteena on kuitenkin kehittää puettava, joka mukautuu puettavan yksittäisten käyttäjien tarpeisiin, oppimislähestymistavan on kyettävä käsittelemään myös merkitsemätöntä dataa. Tämän ongelman lähestymiseksi käytämme vahvistusoppimista [37, 38]. Lopuksi keräämme myös useita taustamuuttujia, mukaan lukien toiminnalliset testit, joita käytämme täydentämään malleja. Tunnistamme parhaiten toimivat mallit fyysisen aktiivisuuden intensiteetin, taajuuden ja tason ennustamiseksi kiihtyvyysmittarin ja sykkeen perusteella ja käytämme niitä energiankulutuksen ja verenpaineen ennustamiseen. Paras suorituskyky viittaa sekä tarkkuuteen että selitettävyyteen, ja odotamme erilaisten lähestymistapojen menestyvän näissä kahdessa suhteessa. Lisäksi, perustuen tarkempiin fyysisen aktiivisuuden mittauksiin ja niiden tarkempiin ennusteisiin käyttämällä kiihtyvyysantureiden aikasarjatietoja, arvioimme uudelleen toiminnallisten testien mahdollisuudet fyysisen aktiivisuuden ajankohtaisena ennustajana.

Viitteet

1. Maailman terveysjärjestö. Fyysisen aktiivisuuden ja istumisen ohjeet 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Kuinka kuluttajien fyysisen aktiivisuuden mittarit voisivat muuttaa ihmisen fysiologian tutkimusta. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (sähköinen) 0363-6119 (linkitys) (maaliskuu 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. Cuffless Single-Site Photoplethysmography for Blood Pressure Monitoring. J Clin Med 9. issn: 2077-0383 (tulostus) 2077-0383 (sähköinen) 2077-0383 (linkitys) (maaliskuu 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Miten mobiilit terveyssovellukset tukevat käyttäytymisen muutoksia? Liikuntaan ja syömiskäyttäytymiseen liittyvien mobiiliterveyssovellusten laajuuskatsaus. Kansanterveys 175, 8-18. issn: 1476-5616 (sähköinen) 0033-3506 (linkitys) (lokakuu 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. Älykkäät puettavat laitteet sydän- ja verisuonihoidossa: missä olemme ja miten edetä. Nat Rev Cardiol. issn: 1759-5010 (sähköinen) 1759-5002 (linkitys) (maaliskuu 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 (tulosta) 2291-5222 (linkitys) (maaliskuu 2018).

7. Greiwe, J. & Nyenhuis, S. M. Wearable Technology ja kuinka tämä voidaan ottaa käyttöön kliinisissä käytännöissä. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (sähköinen) 1529-7322 (linkitys) (kesäkuu 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. A Critical Review of Consumer Wearables, Mobile Applications, and Equipment for Providing Biofeedback, Monitoring Stress and Sleep in Physically Active Populations. Front Physiol 9, 743. issn: 1664-042X (tulostus) 1664-042X (linkitys) (2018).

9. Bergman, P. Toistuvien havaintojen määrä, joka tarvitaan yksilön tavanomaisen fyysisen aktiivisuuden arvioimiseksi tietyllä tarkkuudella. PloS One 13, e0192117. issn: 1932-6203 (sähköinen) 1932-6203 (linkitys) (2018).

10. Bergman, P. & Hagstromer, M. Mikään kiihtyvyysmittariin perustuva fyysisen aktiivisuuden tiedonkeruuprotokolla ei sovi kaikkiin tutkimuskysymyksiin. BMC:n lääketieteellisen tutkimuksen metodologia 20, 141. issn: 1471-2288 (sähköinen) 1471-2288 (linkitys) (kesäkuu 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-työryhmä sähköisen kardiologian kannanotossa: kaupallisesti saatavilla olevan puettavan teknologian käyttö sykkeen ja aktiivisuuden seurantaan primaarisessa ja sekundaarisessa kardiovaskulaarisessa ehkäisyssä – yhteistyössä European Heartin kanssa Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patient Forum ja Digital Health Committee. Eurooppalainen sydänlehti. Digital Health 2, 49-59. issn: 2634-3916

(1. maaliskuuta 2021). epublish. 12. Wong, C. K., Mentis, H. M. & Kuber, R. Terä ei sovi: Kaupallisen aktiivisuuden seurantalaitteen arviointi hitaammilla kävelynopeuksilla. Kävelyasento 59, 177-181. issn: 1879-2219 (sähköinen) 0966-6362 (linkitys) (tammikuu 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Samanaikaisen kiihtyvyysmittauksen ja sykemittauksen haarautuneen yhtälön mallinnus parantaa arviota suoraan mitattu fyysisen aktiivisuuden energiankulutus. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (tulosta) 0161-7567 (linkitys) (tammikuu 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. Framework to Evaluate Devices That Assess Physical Behavior. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (sähköinen) 0091-6331 (linkitys) (lokakuu 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. Suosituksia kuluttajien puettavien sykelaitteiden validiteetin määrittämiseen: INTERLIVE Networkin asiantuntijalausunto ja tarkistuslista. Br J Sports Med. issn: 1473-0480 (sähköinen) 0306-3674 (linkitys) (tammikuu 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 Monitorit aerobisen harjoituksen aikana. Lääketiede ja tiede urheilussa ja liikunnassa 49, 1697-1703. issn: 1530-0315 (8. elokuuta 2017). pjulkaise.

17. Oja, P. & Tuxworth, B. Eurofit aikuisille. Terveyteen liittyvän kunnon arviointi. Strasbourg: Euroopan neuvoston UKK-instituutti, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. Ajastettu "Up & Go": toiminnallisen perusliikkuvuuden testi heikkokuntoisille vanhuksille. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (tulostus) 0002-8614 (linkitys) (helmikuu 1991).

19. Westerterp, K. R. Energiankulutuksen kaksinkertainen vesiarviointi: periaate, käytäntö ja lupaus. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (sähköinen) 1439-6319 (linkitys) (heinäkuu 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Fyysisen aktiivisuuden mittaaminen kliinisessä käytännössä käyttäen kiihtyvyysmittareita. J Intern Med 286, 137-153. issn: 1365-2796 (sähköinen) 0954-6820 (linkitys) (elokuu 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Assessment of Physical Activity in Adults Using Wrist Accelerometers. Epidemiol Rev 43, 65-93. issn: 1478-6729 (sähköinen) 0193-936X (linkitys) (tammikuu 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Kehittyneet analyyttiset menetelmät fyysisen aktiivisuuden arvioimiseksi käyttämällä kiihtyvyysmittarin raaka-aikasarjatietoja: protokolla for rajausarvio. Syst Rev 9, 259. issn: 2046-4053 (sähköinen) 2046-4053 (linkitys) (marraskuu 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Fyysisen aktiivisuuden ja energiankulutuksen mittaukset kiihtyvyysantureilla vanhemmilla aikuisilla. Nutr Hosp 25, 224-30. issn: 0212-1611 (tulostus) 0212-1611 (linkitys) (huhtikuu 2010).

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

Objektiivisten menetelmien pätevyys ikääntyneiden aikuisten istumisen mittaamiseen: systemaattinen katsaus. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (sähköinen) 1479-5868 (linkitys) (marraskuu 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 (elektroninen) 1938-2464 (linkitys) (lokakuu 2015).

26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. & Zhang, Y. Erilaisten koneoppimisalgoritmien, aktiivisuusmittarien tyyppien ja sijoittelujen vertailu fyysisen aktiivisuuden luokittelua varten. Mittaus 154, 107480 (2020).

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

Lonissa, reidessä ja ranteissa käytettävien kiihtyvyysantureiden validointi ja vertailu fyysisen aktiivisuuden ja istumiskäyttäytymisen mittaamiseen. AIMS Public Health 3, 298-312. issn: 2327-8994 (tulostus) 2327-8994 (linkitys) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Fyysisen toiminnan intensiteetin ennusteiden ristiinvalidointi ja otoksen ulkopuolinen testaus ranteessa käytettävällä kiihtyvyysmittarilla. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (sähköinen) 0161-7567 (linkitys) (toukokuu 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laboratory-based and free-living algoritms for energy kulutus estimation in preschool children: A free-living assessment. PloS One 15, e0233229. issn: 1932-6203 (sähköinen) 1932-6203 (linkitys) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. A Dual-Accelerometer System for Classifying Physical Activity in Children and Adults. Lääketiede ja tiede urheilussa ja liikunnassa 50, 2595-2602. issn: 1530-0315 (sähköinen) 0195-9131 (linkitys) (joulukuu 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Unen ja fyysisen aktiivisuuden fenotyyppien tilastollinen koneoppiminen anturitiedoista 96 220 Yhdistyneen kuningaskunnan Biopankin osallistujassa. Sci Rep 8, 7961. issn: 2045-2322 (sähköinen) 2045-2322 (linkitys) (toukokuu 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Raakojen kiihtyvyysmittaritietojen ja koneoppimistekniikoiden soveltaminen ihmisen liikekäyttäytymisen karakterisoimiseen: Systemaattinen laajuuskatsaus. 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. Fyysisen aktiivisuuden ja toiminnallisen kuntotason arviointi konvoluutiohermoverkkojen avulla. Knowledge-Based Systems 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Lasten energiankulutuksen ennustaminen fyysisen toiminnan aikana syvän oppimisen ja puettavien sensoritietojen avulla. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (sähköinen) 1536-7290 (linkitys) (kesäkuu 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Kiihtyvyysmittarin datan segmentointi jokapäiväisestä elämästä valvomattoman koneoppimisen avulla. PloS One 14, e0208692. issn: 1932-6203 (sähköinen) 1932-6203 (linkitys) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. Ominaisuuksien valinta kiihtyvyysmittarin datan fyysisen aktiivisuuden klustereiden valvomattomaan koneoppimiseen - Systemaattinen katsaus . Kävelyasento 90, 120-128. issn: 1879-2219 (sähköinen) 0966-6362 (linkitys) (lokakuu 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Diabetespotilaiden fyysisen aktiivisuuden rohkaiseminen automaattisen henkilökohtaisen palautteen avulla vahvistusoppimisen avulla parantaa verensokerin hallintaa . Diabetes Care 39, e59-60. issn: 1935-5548 (sähköinen) 0149-5992 (linkitys) (huhtikuu 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F. H. Pilottitutkimus kohonneen verenpaineen hoidosta telelääketieteen hoidon lähestymistavalla. Blood Press Monit 25, 18-21. issn: 1473-5725 (sähköinen) 1359-5237 (linkitys) (helmikuu 2020)