Développer des algorithmes portables intelligents (DIWAH)

À l’échelle mondiale, l’espérance de vie augmente progressivement, ce qui entraîne une évolution démographique vers une proportion croissante de personnes âgées. Par exemple, en Suède, le nombre de personnes de plus de 75 ans doublera au cours des 50 prochaines années et cette proportion augmentera de plus de 60 % (Statistiques Suède, données accessibles au public). Cela signifie que davantage de personnes vivront plus longtemps et moins de personnes seront disponibles pour s’occuper d’elles. L’un de nos défis sociétaux majeurs pour répondre à cette transition démographique est de développer des stratégies permettant de maintenir une bonne santé et une bonne qualité de vie dans cette tranche d’âge, puis, lorsqu’ils tombent inévitablement malades, comment les traiter de la meilleure façon possible ? Une façon d’avancer consiste à capitaliser sur les opportunités offertes par l’évolution technologique. En fait, la Suède a adopté un objectif très ambitieux, tel que décrit dans Vision2025 (www.ehalsa2025.se) : En 2025, la Suède sera la meilleure au monde pour exploiter les opportunités offertes par la numérisation et la cybersanté pour permettre à ses citoyens d'accéder plus facilement à une bonne santé et à un bien-être égal, et de développer et renforcer leurs propres ressources pour une indépendance et une participation accrues à la vie. de la société. Cependant, la technologie numérique à elle seule ne suffit pas pour atteindre un tel objectif ; d’autres stratégies utilisant la technologie pour améliorer la santé des individus doivent également être présentes. L’une de ces stratégies consiste à maintenir un niveau sain d’activité physique tout au long de la vie. L’activité physique est l’un des rares comportements qu’un être humain peut modifier, seul et à faible coût, et qui produit simultanément des bénéfices significatifs pour la santé physique et mentale [1]. À cette fin, la capacité d'évaluer le niveau d'activité physique habituel d'une personne, défini comme « la moyenne hypothétique autour de laquelle varie l'activité physique de cet individu », a longtemps été considérée comme le Saint Graal parmi les chercheurs en activité physique. Depuis 30 ans, les chercheurs utilisent des accéléromètres pour quantifier objectivement l'activité physique en mode libre, mais au cours de la dernière décennie, les appareils portables sont devenus extrêmement populaires auprès de la population générale (Apple et Fitbit étant les plus grandes marques). Les wearables, définis ici comme de petits appareils portables dotés de capteurs intégrés mesurant des variables liées à la santé, prétendent être capables de collecter des données à haute résolution à long terme concernant les comportements liés à la santé, par exemple la posture du corps, l'intensité de l'AP, le sommeil et bien plus encore. 2]. Les appareils portables peuvent également capturer des aspects importants liés au système cardiométabolique tels que la fréquence cardiaque, la pression artérielle [3], ainsi que soutenir le changement de comportement [4]. Ainsi, ils peuvent être considérés comme un « couteau suisse », car ils offrent une large gamme d’outils dans un seul appareil. En théorie, les appareils portables sont très prometteurs et pourraient être utilisés pour créer une AP personnalisée fondée sur des preuves dans la promotion de la santé, la prévention et le traitement des maladies [2, 5-8]. Par rapport à la plupart des moniteurs de qualité recherche, les appareils portables commerciaux présentent plusieurs avantages qui les rendent attrayants pour une utilisation dans le système de santé. Ils contiennent plusieurs capteurs pertinents pour l'évaluation de l'AP et des résultats de santé associés, notamment un accéléromètre pour détecter les aspects biomécaniques du mouvement et un capteur optique pour détecter la réponse physiologique au mouvement, par exemple la fréquence cardiaque. Les atouts supplémentaires des moniteurs commerciaux par rapport aux moniteurs de qualité recherche sont qu'ils sont conçus pour être portés pendant une longue période, ce qui donne une opportunité encore meilleure d'évaluer le niveau individuel d'activité physique, en particulier parmi les moins actifs [9, 10]. Cependant, au cours de la dernière décennie, il y a eu une explosion de différents appareils portables et méthodes de traitement de données sans cadre établi pour évaluer leur validité ou leur fiabilité [11]. Cela a provoqué une grande confusion en raison de méthodes de développement et d'évaluation de dispositifs non robustes qui ne reflètent pas la manière dont ils seront utilisés dans la pratique. De plus, la divergence des estimations récapitulatives de l’activité physique au sein et entre les différentes marques interdit la possibilité de regrouper les données ou de faire des comparaisons directes entre différentes études. D'autres limitations des appareils portables qui les rendent impropres à l'utilisation, même chez des individus en bonne santé, sont qu'ils sont principalement conçus pour le marché du fitness et non pour une utilisation au sein du système de santé, qu'ils n'ont pas été évalués de manière transparente, qu'ils ne sont pas évalués avec précision. capturer l'activité physique chez les individus présentant un schéma moteur modifié, par exemple les personnes âgées [12]. Même si le matériel de la plupart des appareils portables est similaire, les algorithmes qui traduisent les signaux des capteurs en différents résultats interprétables (par exemple, les étapes) sont souvent propriétaires et mis à jour à intervalles irréguliers. D’autres limitations importantes incluent la confidentialité douteuse des patients et la propriété des données. Ni les moniteurs commerciaux ni ceux de recherche ne peuvent aujourd'hui évaluer l'activité physique au niveau individuel car ils utilisent de manière limitée la richesse des données collectées. Si les appareils portables peuvent surmonter ces limitations, ils sont très prometteurs pour élargir le répertoire clinique de mesures spécifiques aux patients, et ils sont considérés comme un outil important pour l’avenir de la santé de précision et de la médecine personnalisée. Compte tenu de la multitude de nouveaux trackers PA portables entrant sur le marché sans preuve préalable de validité, il est fondamental de fournir aux consommateurs, aux patients, aux professionnels de la santé et aux chercheurs un portable open source, fondé sur des preuves, doté d'une excellente validité et fiabilité.

But et objectifs Dans ce projet, nous commencerons à fusionner les atouts des appareils portables commerciaux avec ceux des moniteurs de qualité recherche et des méthodes modernes de traitement des données pour surmonter ces limitations. La combinaison des informations de l'accélérométrie (biomécanique) et de la fréquence cardiaque du capteur optique (réponse physiologique) améliore les prédictions concernant l'intensité de l'AP et la dépense énergétique liée à l'activité physique au niveau individuel [13]. De plus, le capteur optique installé dans un portable peut estimer la tension artérielle d'un individu. Les signaux des capteurs seront analysés à l’aide de l’intelligence artificielle et de l’apprentissage automatique pour mieux tirer parti de la richesse des données collectées. Normalement, l’AP et les résultats en matière de santé sont mesurés à des moments différents, mais les appareils portables peuvent collecter des données provenant de plusieurs variables simultanément et en temps réel. Cette capacité peut fournir de nouveaux détails sur l'association entre le comportement d'activité physique et l'état clinique de l'individu. Cela n’a pas encore été étudié, probablement en raison de la complexité de l’acquisition et de l’analyse de ces données. Cependant, le domaine a maintenant évolué à un point où la technologie ainsi que la puissance de traitement et les outils analytiques existent. Le moment est donc venu d’explorer toutes les possibilités de combiner des données en temps réel sur le comportement en matière d’activité physique, les résultats liés à la santé et l’intelligence artificielle. Afin qu'à l'avenir, les citoyens puissent améliorer et maintenir leur santé grâce à des services basés sur des appareils et prendre des décisions éclairées basées sur leurs données de santé personnelles.

L'objectif primordial de DIWAH est de développer et de valider des algorithmes basés sur l'intelligence artificielle/l'apprentissage automatique pour évaluer l'activité physique et les variables liées à la santé au niveau individuel en temps réel pour une utilisation au sein du système de santé à l'aide de dispositifs portables open source.

Dans ce projet, nous ferons les premiers pas en menant un développement et une validation rigoureux des algorithmes à l'aide d'un cadre transparent basé sur les phases. Plus spécifiquement, nous visons à développer des algorithmes pour évaluer :

• Activité physique
• Rythme cardiaque
• Variables liées à la santé, par exemple la pression artérielle et la dépense énergétique. Nous tenterons également d'identifier les facteurs sous-jacents qui améliorent les prédictions telles que la composition corporelle selon l'âge, le sexe et les niveaux de condition physique liés à la santé.

Description du projet Échantillon d'étude Nous recruterons environ 50 adultes apparemment en bonne santé (18-65 ans, 50 % de femmes) pour ce projet. Le recrutement sera effectué à l'aide d'une méthode d'échantillonnage de commodité. Nous contacterons les clubs sportifs, les chantiers et les étudiants de l’Université grâce au bouche à oreille.

Il n'y a pas d'exigences particulières pour être inclus dans l'étude, sauf que les sujets doivent être apparemment en bonne santé et être capables de faire du jogging pendant au moins 30 minutes. Les critères d'exclusion incluent les maladies cardiovasculaires connues ou la prise de médicaments qui influencent la fréquence cardiaque.

Conception de l'étude Étant donné que le matériel de tous les appareils portables est similaire, l'accent est mis sur le développement d'algorithmes aussi transparents que possible en suivant le cadre décrit par Keadle et al. [14] et adhérer simultanément aux recommandations des experts du réseau INTERLIVE concernant le suivi des RH [15]. Le cadre Keadle s'inspire du développement de médicaments et suggère cinq phases : tests de signaux mécaniques, tests en laboratoire, évaluation semi-structurée, validation naturaliste et adoption. Toutes ces phases ne seront pas couvertes dans le présent projet. La phase d'évaluation semi-structurée est conçue pour identifier des actifs spécifiques sur la base des signaux des capteurs du portable, comme la course à pied ou l'aspiration. Cependant, la réponse physiologique et, par conséquent, les effets de l’activité physique sur la santé seraient similaires pour différents types d’activités de même intensité. Par exemple, le cœur ne se soucie pas vraiment de savoir si l’on court ou pellete de la neige s’il travaille avec la même intensité. De plus, nous ne pensons pas qu'il serait éthiquement motivé de tester le dispositif auprès d'une population de patients (phase cinq - Adoption) avant d'être certain que le dispositif fournit des données valides. Par conséquent, la phase d’évaluation semi-structurée ainsi que la phase d’adoption seront omises dans le projet actuel.

Phase 1 - Développement du produit Étant donné que le matériel est similaire dans tous les wearables du marché, la marque spécifique du wearable qui sera utilisée pour développer et tester nos algorithmes n'a aucune importance. L'idée principale de la première phase est de s'assurer que le portable produit des données valides et que les données brutes non traitées sont facilement accessibles. À cette fin, nous avons identifié deux appareils portables open source dotés d'un matériel qui répond aux exigences d'évaluation de l'activité physique (accéléromètre), de la fréquence cardiaque (capteur optique), des variables liées à la santé et qui peuvent également communiquer sans fil avec des appareils externes via Bluetooth, à savoir le bracelet. .js 2 (https://www.espruino.com/Bangle.js2) et le Pinetime (https://www.pine64.org/pinetime/). Nous avons également créé des applications qui stockeront les données localement sur les appareils et qui permettront un transfert facile vers un appareil externe pour un traitement et une analyse ultérieurs des données collectées au cours de la phase 2. Sur la base des résultats de la phase 2, il est nécessaire avant de procéder phase 3 - validation naturaliste, pour développer des méthodes de pré-traitement, car la capacité de mémoire des appareils portables ne permettra pas de stocker la grande quantité de données brutes qui seront collectées au cours de cette phase. Ainsi, cette phase fera partie intégrante de l’ensemble du projet.

Phase 2 - Développement en laboratoire L'objectif de l'étude de phase 2 est de développer et de tester des algorithmes pour estimer l'intensité de l'activité physique, le coût énergétique de l'activité physique et la pression artérielle à partir des signaux des appareils portables dans des conditions de laboratoire contrôlées. De plus, nous allons identifier des prédicteurs potentiels susceptibles d’augmenter la précision des prédictions. L’idée est que les données portables soient collectées en même temps que les mesures de critères, au cours d’un protocole allant du repos à la marche et à la course à vitesse croissante jusqu’à l’épuisement. Pendant le protocole, ils seront surveillés à l'aide d'une calorimétrie indirecte (Vyntus CPX, Vyaire Medical, Inc., Il, USA) et d'un moniteur de fréquence cardiaque (Polar Electro Oy, Kempele, Finlande) installé autour de la poitrine, ce qui est tout à fait comparable à un électrocardiogramme approprié. (r>0,99 [16]), équipé simultanément du portable, d'un accéléromètre de qualité recherche (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) et d'un portable commercial (Fit-Bit Sense, Fitbit international limited, Dublin, Irlande). Cette procédure capturera un signal continu des appareils portables à différentes intensités d'activité physique, du repos à l'effort maximal au niveau individuel. Cela permettra de modéliser ce signal au niveau du groupe ainsi qu'au niveau individuel, et de le comparer aux méthodes de référence en matière de calorimétrie indirecte et de surveillance des ressources humaines. Nous collecterons également des données sur la pression artérielle à l'aide de moniteurs cliniques standard pour comparer un signal optique avec celui d'un tensiomètre.

Dans le cadre du projet, nous allons également réaliser plusieurs tests de condition physique bien établis liés à la santé. Pour la force musculaire, le test de préhension sera utilisé, et pour la flexibilité, le test d'assis et d'atteinte [17]. De plus, le test timed up and go (TUG) sera effectué [18]. Nous collecterons également des données de base telles que l'âge, le sexe et la composition corporelle des participants. Ces tests sont ensuite utilisés pour explorer la possibilité de prédire le niveau d'activité physique d'un individu. Le résultat de cette phase est un ensemble de modèles permettant de compter les pas et de détecter l'intensité de l'activité physique à l'aide de l'accéléromètre, du capteur optique, de la combinaison des deux, augmentés de données de base. Nous prévoyons également de développer un modèle pour évaluer la pression artérielle à l'aide des appareils portables au repos.

Phase 3 - Validation naturaliste L'objectif de la troisième phase du projet est de mener une validation rigoureuse et indépendante des algorithmes dans des conditions réelles par rapport aux mesures de référence. Ainsi, après le développement d’algorithmes dans un environnement contrôlé, nous passerons au test du portable en vie libre. Les mêmes 50 participants (50 % de femmes, 18-65 ans) de la deuxième phase ingéreront une dose d'eau doublement marquée (DLW), qui est la référence en matière de mesure de la dépense énergétique pendant la vie libre avec des erreurs de ± 3 % à partir de la valeur vraie telle que mesurée par les chambres respiratoires [19]. Même si la méthode DLW constitue la référence, elle n'est pas souvent utilisée car il s'agit d'une méthode coûteuse consistant à enrichir l'eau corporelle d'un sujet en hydrogène lourd (2H) et en oxygène lourd (18O), puis à déterminer la différence de cinétique de lessivage. entre les deux isotopes, qui est fonction de la production de dioxyde de carbone, c'est-à-dire de la dépense énergétique, à l'aide d'un équipement spécialisé.

Sur la base de la cinétique DLW, nous serons ensuite en mesure de modéliser les signaux du prototype portable pour trouver le meilleur ajustement, c'est-à-dire dans quelle mesure le prototype évalue la dépense énergétique liée à l'activité physique. Le résultat de cette phase devrait être un modèle qui, sur la base des informations fournies par le portable, évalue la dépense énergétique dans des conditions de vie libre. Nous visons également à déterminer les niveaux d'activité physique des participants sur la base des informations fournies au cours de la phase deux.

Analyse des données et statistiques Dans toutes les phases de ce projet, nous utiliserons la puissance de l'intelligence artificielle, plus précisément diverses techniques d'apprentissage automatique pour prédire différents aspects de l'activité physique, de la dépense énergétique et de la tension artérielle au niveau individuel. L'apprentissage automatique crée automatiquement des modèles basés sur des ensembles de données susceptibles de produire des prédictions précises contrôlant les décisions en temps réel, sans interaction humaine. Le ou les appareils portables fournissent un échantillonnage de données brutes à haute fréquence provenant à la fois d'une accélérométrie et d'un capteur optique. L’utilisation de ces données pour l’apprentissage automatique offre de bonnes opportunités de mesurer indirectement l’activité physique et de conseiller individuellement des niveaux d’activité physique sains. Plusieurs études ont tenté de dériver des résultats significatifs en matière d'activité physique à partir des données d'accéléromètre collectées via un accéléromètre porté au poignet [20-22]. Les études basées sur l'apprentissage automatique visaient à la classification des types d'activité physique, par exemple assis, debout, marche, course, etc., ou de l'intensité de l'AP, par exemple sédentaire, légère, modérée, vigoureuse. Ils rapportent une précision de classification > 80 % pour le type d'activité [23-26] et une précision de classification > 90 % pour l'intensité [27, 28]. La plupart de ces études utilisent des approches d'apprentissage automatique supervisé avec des données étiquetées, c'est-à-dire qu'une vérité terrain est disponible, comme une forêt aléatoire [29-31], une machine à vecteurs de support [26], un réseau de neurones artificiels [32] et des modèles d'apprentissage profond [ 33, 34]. Seules quelques études utilisent des modèles d'apprentissage automatique non supervisés, tels que les modèles semi-markoviens cachés [31, 35] et le clustering à k-moyennes [36]. Ici, nous aurons l'opportunité de créer des ensembles de données avec des données étiquetées. Cependant, puisque l’objectif primordial de ce projet est de développer un portable capable de s’adapter aux utilisateurs individuels du portable, l’approche d’apprentissage doit également être capable de gérer des données non étiquetées. Pour aborder cette question, nous utiliserons l'apprentissage par renforcement [37, 38]. Enfin, nous collectons également plusieurs variables de fond, notamment des tests fonctionnels, que nous utiliserons pour augmenter les modèles. Nous identifierons les modèles les plus performants pour prédire l'intensité, la fréquence et le niveau de l'activité physique à partir de l'accéléromètre et de la fréquence cardiaque, et les utiliserons pour prédire la dépense énergétique et la tension artérielle. Les meilleures performances font référence à la fois à l’exactitude et à l’explicabilité, et nous nous attendons à ce que différentes approches excellent dans ces deux aspects. De plus, sur la base de mesures plus précises de l'activité physique et de leur prédiction précise à l'aide de données de séries chronologiques provenant d'accéléromètres, nous réévaluons le potentiel des tests fonctionnels en tant que prédicteurs ponctuels de l'activité physique.

Les références

1. Organisation Mondiale de la Santé. Lignes directrices sur l'activité physique et le comportement sédentaire 2020.
2. Wright, S.P., Hall Brown, T.S., Collier, S.R. et Sandberg, K. Comment les moniteurs d'activité physique des consommateurs pourraient transformer la recherche en physiologie humaine. Am J Physiol Regul Intégré Comp Physiol 312, R358-R367. issn : 1522-1490 (électronique) 0363-6119 (lien) (mars. 2017).
3. Hosanee, M., Chan, G., Welykholowa, K., Cooper, R., Kyriacou, P. A., Zheng, D., Allen, J., Abbott, D., Menon, C., Lovell, NH, Howard, N., Chan, W. S., Lim, K., Fletcher, R., Ward, R. et Elgendi, M. Photopléthysmographie monosite sans brassard pour la surveillance de la pression artérielle. J Clin Med 9. issn : 2077-0383 (imprimé) 2077-0383 (électronique) 2077-0383 (lien) (mars. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Comment les applications mobiles de santé soutiennent-elles les changements de comportement ? Un examen de la portée des applications mobiles de santé liées à l'activité physique et aux comportements alimentaires. Santé publique 175, 8-18. issn : 1476-5616 (électronique) 0033-3506 (lien) (oct. 2019).
5. Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, E. H., Marvel, FA, Martin, SS, Muse, E. D., Turakhia, MP, Tarakji, K. G. et Elshazly, MB. Appareils portables intelligents en soins cardiovasculaires : où nous en sommes et comment aller de l’avant. Nat Rév Cardiol. issn : 1759-5010 (électronique) 1759-5002 (lien) (mars. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. et Murray, E. Qualité des applications d'activité physique accessibles au public : examen et analyse du contenu. JMIR Mhealth Uhealth 6, e53. issn : 2291-5222 (imprimé) 2291-5222 (lien) (mars. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Technologie portable et comment elle peut être mise en œuvre dans la pratique clinique. Curr Allergie Asthme Rep 20, 36. issn : 1534-6315 (électronique) 1529-7322 (lien) (juin 2020).

8. Peake, J. M., Kerr, G. et Sullivan, J. P. Un examen critique des appareils portables grand public, des applications mobiles et des équipements permettant de fournir un biofeedback, de surveiller le stress et le sommeil dans les populations physiquement actives. Physiol avant 9, 743. issn : 1664-042X (impression) 1664-042X (lien) (2018).

9. Bergman, P. Le nombre d'observations répétées nécessaires pour estimer l'activité physique habituelle d'un individu avec un niveau de précision donné. PloS One 13, e0192117. issn : 1932-6203 (électronique) 1932-6203 (lien) (2018).

10. Bergman, P. & Hagstromer, M. Aucun protocole de collecte de données sur l'activité physique basé sur un accéléromètre ne peut répondre à toutes les questions de recherche. Méthodologie de recherche médicale BMC 20, 141. issn : 1471-2288 (électronique) 1471-2288 (lien) (juin 2020).

11. Jensen, MT, Treskes, RW, Caiani, EG, Casado-Arroyo, R., Cowie, MR, 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. Groupe de travail ESC sur la prise de position en e-cardiologie : utilisation de technologies portables disponibles dans le commerce pour le suivi de la fréquence cardiaque et de l'activité dans la prévention cardiovasculaire primaire et secondaire - en collaboration avec l'European Heart Rhythm Association, Association européenne de cardiologie préventive, Association des soins infirmiers cardiovasculaires et professionnels connexes, Forum des patients et Comité de santé numérique. Journal européen du cœur. Santé numérique 2, 49-59. numéro d'identification : 2634-3916

(1er mars. 2021). publier en ligne. 12. Wong, C. K., Mentis, H. M. et Kuber, R. Le morceau ne convient pas : évaluation d'un tracker d'activité commercial à des vitesses de marche plus lentes. Posture de démarche 59, 177-181. issn : 1879-2219 (électronique) 0966-6362 (lien) (janv. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. La modélisation par équations ramifiées de l'accélérométrie simultanée et de la surveillance de la fréquence cardiaque améliore l'estimation de Dépense énergétique directement mesurée lors de l’activité physique. J Appl Physiol (1985) 96, 343-51. issn : 8750-7587 (imprimé) 0161-7567 (lien) (janv. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. et Freedson, P. S. Un cadre pour évaluer les appareils qui évaluent le comportement physique. Exercice Sport Sci Rev 47, 206-214. issn : 1538-3008 (électronique) 0091-6331 (lien) (oct. 2019).

15. Muhlen, J.M., Stang, J., Lykke Skovgaard, E., Judice, P.B., Molina-Garcia, P., Johnston, W., Sardinha, L.B., Ortega, FB, Caulfield, B., Bloch, W. , Cheng, S., Ekelund, U., Brond, J.C., Grontved, A. et Schumann, M. Recommandations pour déterminer la validité des appareils de fréquence cardiaque portables grand public : déclaration d'expert et liste de contrôle du réseau INTERLIVE. Br. J Sports Med. issn : 1473-0480 (électronique) 0306-3674 (lien) (janv. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. et Desai, MY. Précision variable de la fréquence cardiaque portable Moniteurs pendant l'exercice aérobie. Médecine et science du sport et de l'exercice 49, 1697-1703. issn : 1530-0315 (8 août 2017). ppublier.

17. Oja, P. & Tuxworth, B. Eurofit pour adultes. Évaluation de la condition physique liée à la santé. Strasbourg : Institut Conseil de l'Europe-UKK, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. Le « Up & Go » chronométré : un test de mobilité fonctionnelle de base pour les personnes âgées fragiles. J Am Geriatr Soc 39, 142-8. issn : 0002-8614 (imprimé) 0002-8614 (lien) (fév. 1991).

19. Westerterp, K. R. Évaluation de la dépense énergétique en eau doublement étiquetée : principe, pratique et promesse. Eur J Appl Physiol 117, 1277-1285. issn : 1439-6327 (électronique) 1439-6319 (lien) (juillet 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Mesure de l'activité physique en pratique clinique à l'aide d'accéléromètres. J Intern Med 286, 137-153. issn : 1365-2796 (électronique) 0954-6820 (lien) (août 2019). 2019).

21. Liu, F., Wanigatunga, A. A. et Schrack, J. A. Évaluation de l'activité physique chez les adultes à l'aide d'accéléromètres au poignet. Epidémiol Rev 43, 65-93. issn : 1478-6729 (électronique) 0193-936X (lien) (janv. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Méthodes analytiques avancées pour évaluer le comportement en matière d'activité physique à l'aide de données chronologiques brutes d'accéléromètre : un protocole pour un examen de la portée. Système Rév 9, 259. issn : 2046-4053 (électronique) 2046-4053 (lien) (nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Mesures de l'activité physique et de la dépense énergétique à l'aide d'accéléromètres chez les personnes âgées. Nutr Hosp 25, 224-30. issn : 0212-1611 (imprimé) 0212-1611 (lien) (avr. 2010).

24. Heesch, K.C., Hill, RL, Aguilar-Farias, N., van Uffelen, J.G.Z. et Pavey, T.

Validité des méthodes objectives de mesure du comportement sédentaire chez les personnes âgées : une revue systématique. Int J Behav Nutr Phys Loi 15, 119. issn : 1479-5868 (électronique) 1479-5868 (lien) (nov. 2018).

25. Phillips, L. J., Petroski, GF et Markis, N. E. Une comparaison de la précision de l'accéléromètre chez les personnes âgées. Res Gerontol Infirmières 8, 213-9. issn : 1938-2464 (électronique) 1938-2464 (lien) (oct. 2015).

26. Sheng, B., Moosman, OM, Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, RM et Zhang, Y. Une comparaison de différents algorithmes d'apprentissage automatique, types et emplacements de moniteurs d'activité pour la classification de l'activité physique. Mesure 154, 107480 (2020).

27. Montoye, AHK, Pivarnik, JM, Mudd, LM, Biswas, S. et Pfeiffer, KA.

Validation et comparaison des accéléromètres portés sur la hanche, la cuisse et les poignets pour mesurer l'activité physique et le comportement sédentaire. AIMS Santé publique 3, 298-312. issn : 2327-8994 (imprimé) 2327-8994 (lien) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. et Pfeiffer, K. A. Validation croisée et tests hors échantillon des prédictions de l'intensité de l'activité physique avec un accéléromètre porté au poignet. J Appl Physiol (1985) 124, 1284-1293. issn : 1522-1601 (électronique) 0161-7567 (lien) (mai 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. et Trost, S. G. Algorithmes en laboratoire et en vie libre pour l'estimation de la dépense énergétique chez les enfants d'âge préscolaire : une évaluation en vie libre. PloS One 15, e0233229. issn : 1932-6203 (électronique) 1932-6203 (lien) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. et Duncan, S. Un système à double accéléromètre pour classer l'activité physique chez les enfants et les adultes. Médecine et science du sport et de l'exercice 50, 2595-2602. issn : 1530-0315 (électronique) 0195-9131 (lien) (déc. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. et Doherty, A. Apprentissage automatique statistique des phénotypes de sommeil et d'activité physique à partir des données de capteurs de 96 220 participants à la biobanque britannique. Sci Rep 8, 7961. issn : 2045-2322 (électronique) 2045-2322 (lien) (mai 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. et Mackay, L. Application de données brutes d'accéléromètre et de techniques d'apprentissage automatique pour caractériser le comportement de mouvement humain : une revue systématique de la portée. Journal de l'activité physique et de la santé 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. et Moral-Munoz, JA. Évaluation de l'activité physique et du niveau de condition physique fonctionnelle à l'aide de réseaux neuronaux convolutifs. Systèmes basés sur la connaissance 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. et Jing, Y. Prédire la dépense énergétique des enfants pendant l'activité physique à l'aide de l'apprentissage profond et des données de capteurs portables. Eur J Sport Sci 21, 918-926. issn : 1536-7290 (électronique) 1536-7290 (lien) (juin 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. et van Hees, V. Segmentation des données d'accéléromètre de la vie quotidienne avec un apprentissage automatique non supervisé. PloS One 14, e0208692. issn : 1932-6203 (électronique) 1932-6203 (lien) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. et Rowlands, A. V. Sélection de fonctionnalités pour l'apprentissage automatique non supervisé des clusters d'activité physique avec données d'accéléromètre - Une revue systématique . Posture de marche 90, 120-128. issn : 1879-2219 (électronique) 0966-6362 (lien) (oct. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Encourager l'activité physique chez les patients diabétiques grâce à une rétroaction personnalisée automatique via l'apprentissage par renforcement améliore le contrôle glycémique . Soins du diabète 39, e59-60. issn : 1935-5548 (électronique) 0149-5992 (lien) (avr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. et Nystrom, F.H. Une étude pilote sur la gestion de l'hypertension utilisant une approche de traitement par télémédecine. Moniteur de presse sanguine 25, 18-21. issn : 1473-5725 (électronique) 1359-5237 (lien) (févr. 2020)