- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06169020
Intelligens viselhető algoritmusok fejlesztése (DIWAH)
Intelligens viselet kialakítása a fizikai aktivitás és az egészséggel kapcsolatos eredmények felmérésére – a DIWAH-tanulmány
A fizikai aktivitás (PA) azon kevés viselkedési formák egyike, amelyeket az egyének saját maguk is megváltoztathatnak, minimális költségekkel, miközben jelentős egészségügyi előnyökkel járnak. Az elmúlt évtizedben új módszereket fejlesztettek ki a fizikai aktivitás és a kapcsolódó egészségügyi eredmények, például a vérnyomás mérésére. Nevezetesen, hogy robbanásszerűen fejlődtek az úgynevezett viselhető eszközök, beleértve az okosórákat és az aktivitáskövetőket. A hordható eszközök több érzékelővel vannak felszerelve, amelyek mérik a PA különböző aspektusait, például a lépéseket és a pulzusszámot, valamint a szív- és érrendszer egészségi mutatóit, például a vérnyomást és az oxigéntelítettséget. Ezért a hordható eszközöket svájci késeknek tekinthetjük, sok eszközzel egy hangszerben. Nagyon népszerűek a fitnesziparban, de szerepük az egészségügyben megfelelően korlátozott. A piacon kapható legtöbb hordható eszköznek azonban számos hátránya van, amelyek miatt még egészséges egyének körében sem használhatók.
Számos tanulmány feltárta, hogy nem szolgáltatnak megbízható vagy érvényes adatokat olyan mérőszámokra, mint az impulzus, a lépések és a PA-val kapcsolatos energiafelhasználás. Ezen túlmenően elsősorban a fitnesz piacra készültek, nem egészségügyi rendszereken belüli felhasználásra vagy a viselkedés megváltoztatásának támogatására, és nem kerültek átlátható értékelésre. Ezenkívül az érzékelők jeleit értelmezhető eredményekké alakító algoritmusok gyakran üzleti titkok. Ami még rosszabb, rendszertelen időközönként frissítik és módosítják őket, ami kihívást jelent az eredmények időbeli összehasonlítása. További jelentős korlátozások közé tartozik a megkérdőjelezhető betegek bizalmas kezelése, mivel az adatok gyakran kerülnek feltöltésre a vállalatok felhőszolgáltatásaiba.
Míg a kutatási monitorok rugalmasabbak és átláthatóbbak a kereskedelmi forgalomban kapható hordható eszközökhöz képest, hiányoznak belőlük a mindennapi használathoz szükséges alapvető jellemzők, amelyek elengedhetetlenek az egészségügyi környezetben, például a felhasználóval való kommunikáció képessége. Jelenleg sem a kereskedelmi, sem a kutatási monitorok nem tudják egyéni szinten értékelni a PA-t, mivel az összegyűjtött gazdag adatoknak csak korlátozott részét használják fel. Ezért nem meglepő, hogy alkalmazásuk a klinikai ellátásban továbbra is kihívást jelent.
Tekintettel arra, hogy rengeteg új termék kerül a piacra dokumentált érvényesség nélkül, kulcsfontosságú, hogy a fogyasztók, betegek, egészségügyi szakemberek és kutatók számára átlátható, bizonyítékokon alapuló viseletet biztosítsunk. Ennek fényében interdiszciplináris kutatócsoportot hoztunk létre azzal a ambiciózus céllal, hogy egy jól működő, egészségügyi használatra szabott hordható eszközt fejlesszünk ki és teszteljünk – egy e-fizioterapeutát (szemben a fitneszpiacot megcélzó kereskedelmi hordható eszközökkel – egy „e-személyi edzőt”. "). Ebben a projektben a PA, a vérnyomás és az energiafogyasztás mérésére összpontosítunk, mivel ezek jelentik a mortalitás és morbiditás legjelentősebb kockázati tényezőit, nevezetesen az inaktivitást, a magas vérnyomást és az elhízást.
A projekt átfogó célja mesterséges intelligencia-alapú algoritmusok kifejlesztése és validálása a fizikai aktivitás (PA), a pulzusszám, az energiafelhasználás és a vérnyomás különböző aspektusainak egyéni mérésére laboratóriumi körülmények között és mindennapi körülmények között. Ezek az algoritmusok jelentős előrelépést jelentenek a korábbi módszerekhez képest. A gyorsulásmérőből származó PA-metrikák esetében a jelenlegi megközelítések vágási pontokra (küszöbértékekre) támaszkodnak a PA intenzitásának meghatározásához. Ezek a vágási pontok abszolútak, és a biológia és a biomechanika egyéni eltérései növelik a súlyos téves osztályozás kockázatát. Az intenzitás pulzusszám alapján történő becsléséhez jól ismert, hogy mind a nyugalmi pulzusszám, mind a maximális pulzusszám relatív, és egyedi kalibrálást igényel a pontos mérésekhez – ez még a gyorsulásméréshez is elengedhetetlen, ha egyéni szinten kívánjuk mérni a PA-t, ami nem általános. ma vették.
Ezenkívül a pulzusszámot a PA-n kívüli tényezők is befolyásolják, például az érzelmek és a gyógyszeres kezelés. E problémák megoldása érdekében kombináljuk a gyorsulásmérőből (biomechanika) és a pulzusszámból (fiziológiai válaszból) származó információkat, javítva a PA egyéni intenzitásának és energiafelhasználásának azonosítását. Ebben a projektben mesterséges intelligenciát (AI) és gépi tanulást (ML) alkalmaznak az összegyűjtött adatok elemzésére és a PA intenzitásának előrejelzésére. Ha a javasolt módszer bizonyítja a PA és a vérnyomás egyéni szintű mérésének képességét, akkor folytatjuk a projektet. Az a szándékunk, hogy az AI/ML segítségével kombináljuk a PA-információkat a vérnyomásadatokkal, így egy olyan öntanuló rendszert hozunk létre, amely képes megfelelő PA-dózist javasolni a vérnyomás optimalizálása érdekében. Ezt a megközelítést még nem tanulmányozták, valószínűleg az adatok megszerzésének és elemzésének összetettsége miatt. A technológia, a feldolgozási teljesítmény és az elemző eszközök azonban már rendelkezésre állnak, így időszerű a megvalósíthatóság vizsgálata.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
Globálisan a várható élettartam fokozatosan növekszik, ami demográfiai eltolódáshoz vezet az idősek növekvő aránya felé. Például Svédországban a 75 év felettiek száma megduplázódik a következő 50 évben, és ez az arány több mint 60%-kal fog növekedni (Svédországi Statisztika, nyilvánosan elérhető adatok). Ez azt jelenti, hogy többen élnek tovább, és kevesebb ember lesz elérhető a gondozásukra. Ennek a demográfiai átalakulásnak az egyik legnagyobb társadalmi kihívása az, hogy stratégiákat dolgozzunk ki az adott korcsoport jó egészségének és életminőségének megőrzésére, majd amikor elkerülhetetlenül megbetegednek, hogyan kezeljük őket a lehető legjobb módon? A továbblépés egyik módja a technológiai fejlődés adta lehetőségek kihasználása. Valójában Svédország egy nagyon ambiciózus célt fogadott el, amint azt a Vision2025 (www.ehalsa2025.se) körvonalazta: 2025-ben Svédország lesz a legjobb a világon abban, hogy kihasználja a digitalizáció és az e-egészségügy kínálta lehetőségeket, hogy megkönnyítse az emberek számára a jó és egyenlő egészség és jólét elérését, valamint saját erőforrásaik fejlesztését és megerősítését a nagyobb függetlenség és az életben való részvétel érdekében. a társadalomé. A digitális technológia azonban önmagában nem elegendő egy ilyen cél eléréséhez, más stratégiáknak is jelen kell lenniük, amelyek a technológiát az egyének egészségének javítására használják. Az egyik ilyen stratégia a fizikai aktivitás egészséges szintjének fenntartása egész életen át. A fizikai aktivitás azon kevés magatartásformák egyike, amelyet az ember önmagában és alacsony költséggel megváltoztathat, és amely egyszerre jelentős fizikai és mentális egészségügyi előnyökkel jár [1]. Ebből a célból az egyén szokásos fizikai aktivitási szintjének felmérésére való képesség, amelyet „az egyén fizikai aktivitásának hipotetikus átlagaként definiálnak”, sokáig a szent grálnak tekintik a fizikai aktivitással foglalkozó kutatók körében. A kutatók 30 éve használnak gyorsulásmérőket a szabadon élő fizikai aktivitás objektív számszerűsítésére, de az elmúlt évtizedben a hordható termékek rendkívül népszerűvé váltak a lakosság körében (az Apple és a Fitbit a legnagyobb márkák). A hordható eszközök, amelyeket itt az egészséggel kapcsolatos változókat mérő, beágyazott érzékelőkkel ellátott kis hordozható eszközökként definiálunk, azt állítják, hogy képesek hosszú távú, nagy felbontású adatokat gyűjteni az egészséggel kapcsolatos viselkedésről, például a testtartásról, a PA intenzitásáról, az alvásról és még sok másról. 2]. A hordható eszközök a kardiometabolikus rendszerrel kapcsolatos fontos szempontokat is megragadhatják, mint például a pulzusszám, a vérnyomás [3], valamint a viselkedés változását [4]. Így „svájci késnek” tekinthetők, mivel egy eszközben a szerszámok széles választékát biztosítják. Elméletileg a hordható eszközök hatalmas ígéretet hordoznak a bizonyítékokon alapuló, személyre szabott PA létrehozásában az egészségfejlesztés, a betegségmegelőzés és a betegségek kezelésében [2, 5-8]. A legtöbb kutatási minőségű monitorhoz képest a kereskedelmi hordható eszközök számos előnnyel rendelkeznek, amelyek vonzóvá teszik őket az egészségügyi rendszerben való használatra. Több érzékelőt tartalmaznak, amelyek fontosak a PA és a kapcsolódó egészségügyi eredmények értékeléséhez, nevezetesen egy gyorsulásmérőt a mozgás biomechanikai vonatkozásainak észlelésére, valamint egy optikai érzékelőt a mozgásra adott fiziológiai válasz, például a szívritmus észlelésére. A kereskedelmi monitorok további erőssége a kutatási minőségű monitorokhoz képest, hogy hosszú ideig viselhető, ami még jobb lehetőséget ad a fizikai aktivitás egyéni szintjének felmérésére, különösen a legkevésbé aktívak körében [9, 10]. Az elmúlt évtizedben azonban robbanásszerűen megszaporodtak a különféle hordható eszközök és adatfeldolgozási módszerek, amelyek nem voltak kialakítva az érvényességük vagy megbízhatóságuk értékelésére szolgáló keretrendszer nélkül [11]. Ez nagy zűrzavart okozott a nem robusztus eszközfejlesztési és -értékelési módszerek miatt, amelyek nem tükrözik, hogyan fogják ezeket a gyakorlatban használni. Ezenkívül a különböző márkákon belüli és a különböző márkák közötti fizikai aktivitás összefoglaló becsléseinek eltérése nem teszi lehetővé az adatok összegyűjtését vagy a különböző tanulmányok közötti közvetlen összehasonlítást. A hordható eszközök további korlátai, ami még egészséges egyének körében is alkalmatlanná teszi őket, az, hogy elsősorban a fitnesz piacra, nem pedig az egészségügyi ellátórendszeren belüli használatra készültek, nem lettek átláthatóan értékelve, nem pontosan a fizikai aktivitás rögzítése megváltozott motorikus mintával rendelkező egyének, például idősek körében [12]. Annak ellenére, hogy a legtöbb hordható eszköz hardvere hasonló, az érzékelőktől érkező jeleket különböző értelmezhető eredményekre (például lépésekre) fordító algoritmusok gyakran saját tulajdonúak, és szabálytalan időközönként frissülnek. További fontos korlátozások közé tartozik a megkérdőjelezhető betegek bizalmas kezelése és az adatok tulajdonjoga. Sem a kereskedelmi, sem a kutatási besorolású monitorok ma nem tudják egyéni szinten értékelni a fizikai aktivitást, mivel korlátozott mértékben használják fel az összegyűjtött adatok gazdagságát. Ha a hordható eszközök leküzdhetik ezeket a korlátokat, akkor sokat ígérnek a betegspecifikus intézkedések klinikai repertoárjának bővítése felé, és a precíziós egészségügy és a személyre szabott orvoslás jövőjének fontos eszközének tekintik őket. Figyelembe véve a piacra az érvényesség előzetes igazolása nélkül megjelenő új hordható PA nyomkövetők gazdagságát, alapvető fontosságú, hogy a fogyasztókat, betegeket, egészségügyi szakembereket és kutatókat nyílt forráskódú, bizonyítékokon alapuló, kiváló érvényességű és megbízhatóságú hordható eszközzel lássák el.
Cél és célok Ebben a projektben elkezdjük egyesíteni a kereskedelmi hordható eszközök erősségeit a kutatási minőségű monitorok és a modern adatfeldolgozási módszerek erősségeivel, hogy leküzdjük ezeket a korlátokat. A gyorsulásmérő (biomechanika) és az optikai érzékelő pulzusszámának (fiziológiai válasz) információinak kombinációja egyéni szinten javítja a PA intenzitására és a fizikai aktivitáshoz kapcsolódó energiafelhasználásra vonatkozó előrejelzéseket [13]. Ezen túlmenően a hordható készülékbe beépített optikai érzékelő képes megbecsülni az egyén vérnyomását. Az érzékelőktől érkező jeleket mesterséges intelligencia és gépi tanulás segítségével elemzik, hogy jobban kihasználják az összegyűjtött gazdag adatok előnyeit. Általában a PA és az egészségügyi eredmények mérése különböző időpontokban történik, de a viselhető eszközök több változóból is gyűjthetnek adatokat egyidejűleg és valós időben. Ez a képesség újszerű részletekkel szolgálhat a fizikai aktivitás és az egyének klinikai állapota közötti összefüggésről. Ezt még nem vizsgálták, valószínűleg az adatok megszerzésének és elemzésének bonyolultsága miatt. A terület azonban mára egy olyan pontra lépett, ahol a technológia, a feldolgozási teljesítmény és az analitikai eszközök már léteznek. Így eljött az idő, hogy feltárjuk a fizikai aktivitási viselkedésre, az egészséggel kapcsolatos eredményekre és a mesterséges intelligenciára vonatkozó valós idejű adatok kombinálásának teljes lehetőségét. Annak érdekében, hogy a jövőben az állampolgárok eszközalapú szolgáltatásokkal javíthassák és megőrizhessék egészségüket, és megalapozott döntéseket hozzanak személyes egészségügyi adataik alapján.
A DIWAH átfogó célja mesterséges intelligencia/gépi tanulás alapú algoritmusok kifejlesztése és validálása a fizikai aktivitás és az egészséggel kapcsolatos változók egyéni szintű, valós idejű felmérésére az egészségügyi ellátórendszeren belüli, nyílt forráskódú viselhető eszközök segítségével.
Ebben a projektben az algoritmusok szigorú fejlesztésével és validálásával fogjuk megtenni az első lépéseket egy transzparens fázis alapú keretrendszer segítségével. Pontosabban célunk az alábbi értékelési algoritmusok kidolgozása:
- A fizikai aktivitás
- Pulzus
- Az egészséggel kapcsolatos változók, például a vérnyomás és az energiafelhasználás Megkíséreljük azonosítani azokat a mögöttes tényezőket is, amelyek javítják az előrejelzéseket, mint például a kor nemi testösszetétele és az egészséggel kapcsolatos fittségi szintek.
Projektleírás Vizsgálati minta Körülbelül 50 látszólag egészséges felnőttet (18-65 év közötti, 50%-a nő) veszünk fel ebbe a projektbe. Az igénylés kényelmi mintavételi módszerrel történik. Szóról szájra fogjuk elérni a sportklubokat, a munkahelyeket és az egyetem hallgatóit.
Nincsenek különösebb követelmények a vizsgálatba, kivéve azt, hogy az alanyoknak látszólag egészségesnek kell lenniük, és legalább 30 percig kocogniuk kell. A kizárási kritériumok közé tartozik az ismert szív- és érrendszeri betegség vagy a pulzusszámot befolyásoló gyógyszer szedése.
A tanulmány felépítése Tekintettel arra, hogy az összes hordható hardver hasonló, a hangsúly a lehető legátláthatóbb algoritmusok kidolgozásán van, követve a Keadle és munkatársai által felvázolt keretrendszert. [14], és ezzel egyidejűleg be kell tartani az INTERLIVE Network HR-monitoringra vonatkozó szakértői ajánlásait [15]. A Keadle-keretrendszert a gyógyszerfejlesztés ihlette, és öt fázist javasol: mechanikai jelvizsgálat, laboratóriumi tesztelés, félig strukturált értékelés, naturalisztikus validálás és örökbefogadás. Ezen fázisok mindegyikére nem tér ki a jelen projekt. A félig strukturált kiértékelési fázist úgy tervezték, hogy azonosítsa a konkrét aktív anyagokat a viselhető érzékelőktől származó jelek alapján, mint például a futás vagy a porszívózás. Ugyanakkor a fizikai aktivitás fiziológiai válasza és így egészségügyi hatásai hasonlóak lennének az azonos intenzitású különböző tevékenységek esetében. Például a szívet nem igazán érdekli, ha valaki fut vagy havat lapátol, ha ugyanolyan intenzitással dolgozik. Ezen túlmenően nem hisszük, hogy etikailag motivált lenne az eszközt egy betegpopulációban tesztelni (ötödik fázis – átvétel), mielőtt megbizonyosodnánk arról, hogy az eszköz érvényes adatokat szolgáltat. Ezért a félig strukturált értékelési szakasz, valamint az elfogadási szakasz a jelenlegi projektből kimarad.
1. fázis – Termékfejlesztés Tekintettel arra, hogy a hardver minden piacon lévő hordható eszközben hasonló, nem mindegy, hogy pontosan melyik hordható márkát fogják használni az algoritmusaink fejlesztéséhez és teszteléséhez. Az első fázis fő gondolata, hogy megbizonyosodjon arról, hogy a viselhető érvényes adatokat produkál, és a nyers, feldolgozatlan adatok könnyen hozzáférhetők legyenek. Ennek érdekében két nyílt forráskódú hordható eszközt azonosítottunk olyan hardverrel, amelyek megfelelnek a fizikai aktivitás mérésének (gyorsulásmérő), HR (optikai szenzor), egészséggel kapcsolatos változóknak, és vezeték nélkül kommunikálhatnak külső eszközökkel Bluetooth segítségével, nevezetesen a Bangle-t. .js 2 (https://www.espruino.com/Bangle.js2) és a Pinetime (https://www.pine64.org/pinetime/). Létrehoztunk olyan alkalmazásokat is, amelyek az adatokat helyben tárolják az eszközökön, és amelyek lehetővé teszik a könnyű átvitelt egy külső eszközre a 2. fázisban gyűjtött adatok további feldolgozása és elemzése céljából. A 2. fázis eredménye alapján szükséges 3. fázis - naturalisztikus validálás, előfeldolgozási módszerek kidolgozása, mivel a hordható memória kapacitása nem teszi lehetővé az abban a fázisban összegyűjtött hatalmas mennyiségű nyers adat tárolását. Így ez a szakasz a projekt egészének folyamatos része lesz.
2. fázis – Laboratóriumi fejlesztés A 2. fázisú vizsgálat célja olyan algoritmusok kidolgozása és tesztelése, amelyek segítségével ellenőrzött laboratóriumi körülmények között megbecsülhető a fizikai aktivitás intenzitása, a fizikai aktivitás energiaköltsége és a vérnyomás. Ezenkívül azonosítani fogjuk azokat a lehetséges előrejelzőket, amelyek növelhetik az előrejelzések pontosságát. Az ötlet az, hogy a viselhető adatok gyűjtése a kritérium mérésekkel egy időben történik, a pihenéstől a gyalogláson és a növekvő sebességű futáson át a kimerülésig. A protokoll alatt indirekt kalorimetriával (Vyntus CPX, Vyaire Medical, Inc., Il, USA) és a mellkas köré szerelt pulzusmérővel (Polar Electro Oy, Kempele, Finnország) fogják ellenőrizni őket, ami teljesen összehasonlítható a megfelelő elektrokardiogrammal. (r>0,99 [16]), egyidejűleg hordható, kutatási fokozatú gyorsulásmérővel (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) és kereskedelmi hordható eszközzel (Fit-Bit Sense, Fitbit International Limited, Dublin, Írország). Ez az eljárás folyamatos jelet fog kapni a hordható eszközöktől különböző fizikai aktivitási intenzitásoknál, a pihenéstől a maximális egyéni szintű erőfeszítésig. Ez lehetővé teszi a jelek csoportos és egyéni szintű modellezését, valamint az indirekt kalorimetria és a HR monitorozás arany standard módszereivel való összehasonlítását. Vérnyomásadatokat is gyűjtünk szabványos klinikai monitorok segítségével, hogy összehasonlíthassuk az optikai jeleket a vérnyomásmérőkével.
A projekt keretében számos jól bevált egészséggel kapcsolatos fittségi tesztet is végzünk. Az izomerő mérésére a kézfogástesztet, a hajlékonyságra pedig az ülő- és nyúlási tesztet alkalmazzák [17]. Ezenkívül lefolytatják az időzített és indulás tesztet (TUG) [18]. Olyan háttéradatokat is gyűjtünk, mint a résztvevők kora, neme és testösszetétele. Ezeket a teszteket azután arra használják, hogy feltárják az egyén fizikai aktivitási szintjének előrejelzésének lehetőségét. Ennek a fázisnak a végeredménye egy modellsorozat a lépések számlálására és a fizikai aktivitás intenzitásának detektálására a gyorsulásmérő, az optikai szenzor, a kettő kombinációja segítségével, háttéradatokkal kiegészítve. Arra is számítunk, hogy kidolgozunk egy modellt a vérnyomás mérésére a pihenés alatti hordható eszközök segítségével.
3. fázis – Naturalisztikus validálás A projekt harmadik szakaszának célja az algoritmusok szigorú, független validálása valós körülmények között, összehasonlítva az arany standard mérésekkel. Így az algoritmusok ellenőrzött környezetben történő kidolgozása után áttérünk a szabad élet során viselhető tesztelésre. Ugyanaz az 50 résztvevő (50%-a nők, 18-65 évesek) a második fázisból egy adag kétszeresen jelölt vizet (DLW) fog lenyelni, ami az aranystandard a szabad élet során eltöltött energiafelhasználás mérésére, ±3%-os hibával. légzéskamrák által mért valódi érték [19]. Még ha a DLW módszer az aranystandard, nem gyakran használják, mivel ez egy drága módszer, amely magában foglalja az alany testvizének nehéz hidrogénnel (2H) és nehéz oxigénnel (18O) való gazdagítását, majd a kimosódási kinetika különbségének meghatározását. mindkét izotóp között, ami a szén-dioxid-termelés, azaz az energiafelhasználás függvénye, speciális berendezések segítségével.
A DLW kinetikája alapján ezután modellezhetjük a hordható prototípus jeleit, hogy megtaláljuk a legjobb illeszkedést, vagyis hogy a prototípus mennyire méri fel a fizikai aktivitáshoz kapcsolódó energiafelhasználást. Ennek a fázisnak a végeredménye egy olyan modell várható, amely a hordható által szolgáltatott információk alapján felméri az energiafelhasználást a szabad életkörülmények között. Célunk továbbá a résztvevők fizikai aktivitási szintjének meghatározása a második fázis során kapott információk alapján.
Adatelemzés és statisztika A projekt minden fázisában a mesterséges intelligencia erejét, pontosabban a különféle gépi tanulási technikákat használjuk a fizikai aktivitás, az energiafelhasználás és a vérnyomás különböző aspektusainak előrejelzésére egyéni szinten. A gépi tanulás automatikusan olyan adatkészleteken alapuló modelleket hoz létre, amelyek képesek pontos előrejelzések készítésére, amelyek emberi beavatkozás nélkül, valós időben irányítják a döntéseket. A viselhető(k) nagyfrekvenciás nyersadat-mintavételezést biztosítanak mind a gyorsulásmérőről, mind az optikai érzékelőről. Ezen adatok gépi tanuláshoz való felhasználása jó lehetőséget biztosít a fizikai aktivitás közvetett mérésére, és egyéni tanácsadásra az egészséges fizikai aktivitás szintjére vonatkozóan. Számos tanulmány próbált értelmes fizikai aktivitási eredményeket levezetni a csuklón viselhető gyorsulásmérővel gyűjtött gyorsulásmérő adatokból [20-22]. A gépi tanuláson alapuló vizsgálatok a fizikai aktivitás típusok (pl. ülés, állás, járás, futás stb.) vagy a PA intenzitásának (pl. ülő, könnyű, mérsékelt, erőteljes) osztályozását célozták. Több mint 80%-os besorolási pontosságról számolnak be tevékenységtípusra [23-26], és >90%-os besorolási pontosságra az intenzitásra vonatkozóan [27, 28]. A legtöbb ilyen tanulmány felügyelt gépi tanulási megközelítést alkalmaz címkézett adatokkal, azaz rendelkezésre áll egy alapigazság, például véletlenszerű erdő [29-31], támogató vektorgép [26], mesterséges neurális hálózat [32] és mély tanulási modellek [ 33, 34]. Csak néhány tanulmány használ felügyelt gépi tanulási modelleket, például rejtett Semi-Markov modelleket [31, 35] és k-közép klaszterezést [36]. Itt lehetőségünk lesz adatkészleteket létrehozni címkézett adatokkal. Mivel azonban ennek a projektnek az átfogó célja egy olyan viselhető eszköz kifejlesztése, amely alkalmazkodni tud a viselhető eszköz egyéni felhasználóihoz, a tanulási megközelítésnek képesnek kell lennie a címkézetlen adatok kezelésére is. Ennek a kérdésnek a megközelítéséhez megerősítő tanulást alkalmazunk [37, 38]. Végül több háttérváltozót is összegyűjtünk, beleértve a funkcionális teszteket is, amelyeket a modellek kiegészítésére fogunk használni. Meg fogjuk határozni a legjobban teljesítő modelleket a fizikai aktivitás intenzitásának, gyakoriságának és szintjének gyorsulásmérő és pulzusszám alapján történő előrejelzésére, és ezt felhasználjuk az energiafelhasználás és a vérnyomás előrejelzésére. A legjobb teljesítmény a pontosságra és a magyarázhatóságra vonatkozik, és azt várjuk, hogy e két szempontból különböző megközelítések jeleskedjenek. Ezen túlmenően a fizikai aktivitás pontosabb mérése és azok pontos előrejelzése gyorsulásmérők idősoros adatai alapján újraértékeljük a funkcionális tesztekben rejlő lehetőségeket a fizikai aktivitás pontos előrejelzőjeként.
Hivatkozások
- Egészségügyi Világszervezet. Irányelvek a fizikai aktivitásról és az ülő viselkedésről 2020.
- Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Hogyan változtathatnák meg a fogyasztói fizikai aktivitás monitorok az emberi fiziológiai kutatást. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (elektronikus) 0363-6119 (összekapcsolás) (márc. 2017).
- 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 (nyomtatott) 2077-0383 (elektronikus) 2077-0383 (linkelés) (márc. 2020).
- Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Hogyan támogatják a mobil egészségügyi alkalmazások a viselkedés változásait? A fizikai aktivitással és étkezési magatartással kapcsolatos mobil egészségügyi alkalmazások hatókörének áttekintése. Népegészségügy 175, 8-18. issn: 1476-5616 (elektronikus) 0033-3506 (összekapcsolás) (okt. 2019).
- Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, E. H., Marvel, F. A., Martin, S. S., Muse, E. D., Turakhia, M. P., Tarakji, K. G. & Elshazly, M. B. Smart viselhető eszközök a szív- és érrendszeri ellátásban: hol tartunk és hogyan tovább. Nat Rev Cardiol. issn: 1759-5010 (elektronikus) 1759-5002 (linkelés) (márc. 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 (nyomtatott) 2291-5222 (linkelés) (márc. 2018).
7. Greiwe, J. & Nyenhuis, S. M. Wearable Technology and How This Can Be Implementable in Clinical Practice. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (elektronikus) 1529-7322 (összekapcsolás) (2020. június).
8. Peake, J. M., Kerr, G. & Sullivan, J. P. A Critical Review of Consumer Wearables, Mobile Applications and Equipment for Providing Biofeedback, Monitoring Stres and Sleep in Physically Active Populations. Front Physiol 9, 743. issn: 1664-042X (nyomtatott) 1664-042X (linkelés) (2018).
9. Bergman, P. Az egyén szokásos fizikai aktivitásának adott pontosságú becsléséhez szükséges ismételt megfigyelések száma. PloS One 13, e0192117. issn: 1932-6203 (Elektronikus) 1932-6203 (Linking) (2018).
10. Bergman, P. & Hagstromer, M. Egyetlen gyorsulásmérőn alapuló fizikai aktivitás adatgyűjtési protokoll sem fér el minden kutatási kérdésre. BMC orvosi kutatási módszertan 20, 141. issn: 1471-2288 (elektronikus) 1471-2288 (összekapcsolás) (2020. június).
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 munkacsoport az e-kardiológiai állásfoglalásról: Kereskedelmi forgalomban kapható hordható technológia alkalmazása szívritmus- és aktivitáskövetésben az elsődleges és másodlagos kardiovaszkuláris prevencióban – együttműködésben az Európai Szívvel Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patient Forum és a Digitális Egészségügyi Bizottság. Európai szív folyóirat. Digitális egészségügy 2, 49-59. issn: 2634-3916
(március 1. 2021). epublish. 12. Wong, C. K., Mentis, H. M. & Kuber, R. A bit nem illik: Egy kereskedelmi tevékenység-követő értékelése lassabb járási sebességnél. Járástartás 59, 177-181. issn: 1879-2219 (elektronikus) 0966-6362 (linkelés) (jan. 2018).
13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Branched equation modeling of simultaneous accelerometry and pulzusfigyelés javítja a becslést közvetlenül mért fizikai aktivitás energiafelhasználása. J. Appl. Physiol. 96, 343-51 (1985). issn: 8750-7587 (nyomtatott) 0161-7567 (linkelés) (jan. 2004).
14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. A Framework to Evaluate Devices That Assess Physical Behavior. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (elektronikus) 0091-6331 (összekapcsolás) (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. Ajánlások a fogyasztói viselhető pulzusmérő készülékek érvényességének meghatározásához: szakértői nyilatkozat és az INTERLIVE hálózat ellenőrző listája. Br J Sports Med. issn: 1473-0480 (elektronikus) 0306-3674 (linkelés) (jan. 2021).
16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. és Desai, M. Y. Variable Accuracy of Wearable Heart Rate Monitorok aerob edzés közben. Orvostudomány és tudomány a sportban és a testmozgásban 49, 1697-1703. issn: 1530-0315 (2017. augusztus 8.). ppublic.
17. Oja, P. & Tuxworth, B. Eurofit felnőtteknek. Az egészséggel kapcsolatos fittség felmérése. Strasbourg: Európa Tanács – UKK Intézet, Tampere. (1995).
18. Podsiadlo, D. & Richardson, S. Az időzített "Up & Go": az alapvető funkcionális mobilitás tesztje gyenge idősek számára. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Nyomtatott) 0002-8614 (Linkelés) (febr. 1991).
19. Westerterp, K. R. Az energiafelhasználás kettős címkével ellátott vízértékelése: elv, gyakorlat és ígéret. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (elektronikus) 1439-6319 (összekapcsolás) (2017. július).
20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Fizikai aktivitás mérése a klinikai gyakorlatban gyorsulásmérők segítségével. J. Intern. Med. 286, 137-153. issn: 1365-2796 (elektronikus) 0954-6820 (összekapcsolás) (aug. 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 (elektronikus) 0193-936X (linkelés) (jan. 2022).
22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Speciális analitikai módszerek a fizikai aktivitási viselkedés értékelésére gyorsulásmérő nyers idősoradatok felhasználásával: a protokoll a számára hatókör áttekintése. Syst Rev 9, 259. issn: 2046-4053 (elektronikus) 2046-4053 (összekapcsolás) (nov. 2020).
23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Fizikai aktivitás és energiafelhasználás mérése gyorsulásmérőkkel idősebb felnőtteknél. Nutr Hosp 25, 224-30. issn: 0212-1611 (Nyomtatott) 0212-1611 (Linkelés) (ápr. 2010).
24. Heesch, K. C., Hill, R. L., Aguilar-Farias, N., van Uffelen, J. G. Z. és Pavey, T.
Az idősebb felnőttek ülő viselkedésének mérésére szolgáló objektív módszerek érvényessége: szisztematikus áttekintés. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (elektronikus) 1479-5868 (linkelés) (nov. 2018).
25. Phillips, L. J., Petroski, G. F. & Markis, N. E. A Comparison of Accelerometer Accuracy in Older Adults. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (elektronikus) 1938-2464 (összekapcsolás) (okt. 2015).
26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. és Zhang, Y. Különböző gépi tanulási algoritmusok, aktivitásfigyelők típusainak és elhelyezéseinek összehasonlítása a fizikai aktivitás osztályozásához. 154. mérés, 107480 (2020).
27. Montoye, A. H. K., Pivarnik, J. M., Mudd, L. M., Biswas, S. és Pfeiffer, K. A.
A csípőn, combon és csuklón viselt gyorsulásmérők érvényesítése és összehasonlítása a fizikai aktivitás és az ülő viselkedés mérésére. CÉLKITŰZÉSEK Közegészségügy 3, 298-312. issn: 2327-8994 (Nyomtatott) 2327-8994 (Linking) (2016).
28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. A fizikai aktivitás intenzitási előrejelzéseinek keresztellenőrzése és mintán kívüli tesztelése csuklón viselhető gyorsulásmérővel. J. Appl. Physiol. 124, 1284-1293 (1985). issn: 1522-1601 (elektronikus) 0161-7567 (összekapcsolás) (2018. május).
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 (Elektronikus) 1932-6203 (Linking) (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. Medicine and Science in Sports and Exercise 50, 2595-2602. issn: 1530-0315 (elektronikus) 0195-9131 (összekapcsolás) (dec. 2018).
31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Az alvás és a fizikai aktivitás fenotípusainak statisztikai gépi tanulása szenzoradatokból 96 220 brit Biobank résztvevőben. Sci Rep 8, 7961. issn: 2045-2322 (elektronikus) 2045-2322 (összekapcsolás) (2018. május).
32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Nyers gyorsulásmérő adatok és gépi tanulási technikák alkalmazása az emberi mozgás viselkedésének jellemzésére: A szisztematikus hatókör áttekintése. 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. Fizikai aktivitás és funkcionális alkalmassági szint felmérése konvolúciós neurális hálózatok segítségével. Tudásalapú rendszerek 185 (2019).
34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. A gyermekek energiafelhasználásának előrejelzése fizikai aktivitás során mély tanulási és viselhető érzékelőadatok segítségével. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (elektronikus) 1536-7290 (összekapcsolás) (2021. június).
Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Gyorsulásmérő adatok szegmentálása a mindennapi életből felügyelet nélküli gépi tanulással. PloS One 14, e0208692. issn: 1932-6203 (Elektronikus) 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. Feature selection for unsupervised machine learning of accelerometer data fizikai aktivitás klaszterek - A systematic review . Járástartás 90, 120-128. issn: 1879-2219 (elektronikus) 0966-6362 (összekapcsolás) (okt. 2021).
37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. A diabéteszes betegek fizikai aktivitásának ösztönzése automatikus, személyre szabott visszacsatolás révén, megerősítési tanulás révén, javítja a glikémiás kontrollt . Diabetes Care 39, e59-60. issn: 1935-5548 (elektronikus) 0149-5992 (összekapcsolás) (ápr. 2016).
38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F. H. A hipertónia kezelésének kísérleti tanulmánya telemedicinális kezelési megközelítés alkalmazásával. Blood Press Monit 25, 18-21. issn: 1473-5725 (elektronikus) 1359-5237 (összekapcsolás) (febr. 2020)
Tanulmány típusa
Beiratkozás (Becsült)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Kalmar Lan
-
Kalmar, Kalmar Lan, Svédország, 39182
- Linneaus University
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Leírás
Bevételi kritériumok:
- Egymás után 30 percig képes kocogni
Kizárási kritériumok:
- Ismert szívbetegség
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egyéb
- Kiosztás: N/A
- Beavatkozó modell: Egyetlen csoportos hozzárendelés
- Maszkolás: Nincs (Open Label)
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
---|---|
Kísérleti: Kísérleti csoport
Minden tantárgy részt vesz ebben a karban.
Fittségi tesztek sorozatát végzik el, hogy felmérjék az energiafelhasználást a pihenéstől a maximálisig, a testösszetételt és az egészséggel kapcsolatos fittséget.
A szabad életkörülmények alatt viselhető eszközöket is felhasználják a szabad életenergia-felhasználás becslésére.
|
Minden alanyon nyugalmi és maximális oxigénfogyasztási teszteken vesznek részt, miközben egyidejűleg számos viseletet és pulzusmérőt viselnek.
Ezenkívül megvizsgálják az egészséggel kapcsolatos fizikai alkalmasságot és a nyugalmi vérnyomást.
A testösszetételüket is megmérik.
Minden alany lenyel egy adag kétszeresen megjelölt vizet, ami után több hordható eszközt is felszerelnek.
A hétköznapi életüket fogják élni, kivéve, hogy napi vizeletmintákat gyűjtenek.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Energia ráfordítás
Időkeret: Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
Az energiafelhasználás felmérése közvetett kalorimetria segítségével pihenés közben és egy növekményes aerob teszt során, mint kritérium, amelyet össze kell hasonlítani a hordható eszközök gyorsulásmérőjével és optikai jeleivel.
|
Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
A fizikai aktivitás intenzitása
Időkeret: Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
A fizikai aktivitás relatív intenzitása.
A kritérium mértéke az indirekt kalorimetria és a pulzusszámmérő pulzusszáma.
A kritérium mértékét az optikai érzékelő és a gyorsulásmérő jeleivel fogják összehasonlítani a hordható eszközökben.
|
Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
Lépések
Időkeret: Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
A megtett lépések száma.
A kritérium mértéke a kutatási fokozatú monitor, amelyet a hordható eszközökben lévő gyorsulásmérő jeleivel hasonlítanak össze.
|
Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
Pulzus
Időkeret: Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
A pulzusszám értékelése.
A hordható eszközök optikai jelét a pulzusmérő kritériummértékeivel fogják összehasonlítani.
|
Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
Vérnyomás
Időkeret: Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
A hordható eszközök optikai jelét összehasonlítják a vérnyomásmérő által mért kritériumokkal.
|
Egy alany tesztelése körülbelül 1,5 órát vesz igénybe
|
Szabadon élő energiafelhasználás
Időkeret: Az alanyokat körülbelül 12 napon keresztül (10-14 napig) figyelik.
|
A laboratóriumi vizsgálatok során kidolgozott algoritmusokat a kétszeresen jelölt víz kritériummértékével hasonlítják össze.
|
Az alanyokat körülbelül 12 napon keresztül (10-14 napig) figyelik.
|
Együttműködők és nyomozók
Szponzor
Publikációk és hasznos linkek
Általános kiadványok
- Podsiadlo D, Richardson S. The timed "Up & Go": a test of basic functional mobility for frail elderly persons. J Am Geriatr Soc. 1991 Feb;39(2):142-8. doi: 10.1111/j.1532-5415.1991.tb01616.x.
- Peake JM, Kerr G, Sullivan JP. A Critical Review of Consumer Wearables, Mobile Applications, and Equipment for Providing Biofeedback, Monitoring Stress, and Sleep in Physically Active Populations. Front Physiol. 2018 Jun 28;9:743. doi: 10.3389/fphys.2018.00743. eCollection 2018.
- Bull FC, Al-Ansari SS, Biddle S, Borodulin K, Buman MP, Cardon G, Carty C, Chaput JP, Chastin S, Chou R, Dempsey PC, DiPietro L, Ekelund U, Firth J, Friedenreich CM, Garcia L, Gichu M, Jago R, Katzmarzyk PT, Lambert E, Leitzmann M, Milton K, Ortega FB, Ranasinghe C, Stamatakis E, Tiedemann A, Troiano RP, van der Ploeg HP, Wari V, Willumsen JF. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. Br J Sports Med. 2020 Dec;54(24):1451-1462. doi: 10.1136/bjsports-2020-102955.
- Hochberg I, Feraru G, Kozdoba M, Mannor S, Tennenholtz M, Yom-Tov E. Encouraging Physical Activity in Patients With Diabetes Through Automatic Personalized Feedback via Reinforcement Learning Improves Glycemic Control. Diabetes Care. 2016 Apr;39(4):e59-60. doi: 10.2337/dc15-2340. Epub 2016 Jan 28. No abstract available.
- Arvidsson D, Fridolfsson J, Borjesson M. Measurement of physical activity in clinical practice using accelerometers. J Intern Med. 2019 Aug;286(2):137-153. doi: 10.1111/joim.12908. Epub 2019 Apr 16.
- Greiwe J, Nyenhuis SM. Wearable Technology and How This Can Be Implemented into Clinical Practice. Curr Allergy Asthma Rep. 2020 Jun 6;20(8):36. doi: 10.1007/s11882-020-00927-3.
- Gillinov S, Etiwy M, Wang R, Blackburn G, Phelan D, Gillinov AM, Houghtaling P, Javadikasgari H, Desai MY. Variable Accuracy of Wearable Heart Rate Monitors during Aerobic Exercise. Med Sci Sports Exerc. 2017 Aug;49(8):1697-1703. doi: 10.1249/MSS.0000000000001284.
- Wright SP, Hall Brown TS, Collier SR, Sandberg K. How consumer physical activity monitors could transform human physiology research. Am J Physiol Regul Integr Comp Physiol. 2017 Mar 1;312(3):R358-R367. doi: 10.1152/ajpregu.00349.2016. Epub 2017 Jan 4.
- Brage S, Brage N, Franks PW, Ekelund U, Wong MY, Andersen LB, Froberg K, Wareham NJ. Branched equation modeling of simultaneous accelerometry and heart rate monitoring improves estimate of directly measured physical activity energy expenditure. J Appl Physiol (1985). 2004 Jan;96(1):343-51. doi: 10.1152/japplphysiol.00703.2003. Epub 2003 Sep 12.
- Garatachea N, Torres Luque G, Gonzalez Gallego J. Physical activity and energy expenditure measurements using accelerometers in older adults. Nutr Hosp. 2010 Mar-Apr;25(2):224-30.
- Hosanee M, Chan G, Welykholowa K, Cooper R, Kyriacou PA, Zheng D, Allen J, Abbott D, Menon C, Lovell NH, Howard N, Chan WS, Lim K, Fletcher R, Ward R, Elgendi M. Cuffless Single-Site Photoplethysmography for Blood Pressure Monitoring. J Clin Med. 2020 Mar 7;9(3):723. doi: 10.3390/jcm9030723.
- Aromatario O, Van Hoye A, Vuillemin A, Foucaut AM, Crozet C, Pommier J, Cambon L. How do mobile health applications support behaviour changes? A scoping review of mobile health applications relating to physical activity and eating behaviours. Public Health. 2019 Oct;175:8-18. doi: 10.1016/j.puhe.2019.06.011. Epub 2019 Jul 30.
- Bayoumy K, Gaber M, Elshafeey A, Mhaimeed O, Dineen EH, Marvel FA, Martin SS, Muse ED, Turakhia MP, Tarakji KG, Elshazly MB. Smart wearable devices in cardiovascular care: where we are and how to move forward. Nat Rev Cardiol. 2021 Aug;18(8):581-599. doi: 10.1038/s41569-021-00522-7. Epub 2021 Mar 4.
- Bergman P. The number of repeated observations needed to estimate the habitual physical activity of an individual to a given level of precision. PLoS One. 2018 Feb 1;13(2):e0192117. doi: 10.1371/journal.pone.0192117. eCollection 2018.
- Bergman P, Hagstromer M. No one accelerometer-based physical activity data collection protocol can fit all research questions. BMC Med Res Methodol. 2020 Jun 3;20(1):141. doi: 10.1186/s12874-020-01026-7.
- Jensen MT, Treskes RW, Caiani EG, Casado-Arroyo R, Cowie MR, Dilaveris P, Duncker D, Di Rienzo M, Frederix I, De Groot N, Kolh PH, Kemps H, Mamas M, McGreavy P, Neubeck L, Parati G, Platonov PG, Schmidt-Trucksass A, Schuuring MJ, Simova I, Svennberg E, Verstrael A, Lumens J. ESC working group on e-cardiology position paper: use of commercially available wearable technology for heart rate and activity tracking in primary and secondary cardiovascular prevention-in collaboration with the European Heart Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patient Forum, and the Digital Health Committee. Eur Heart J Digit Health. 2021 Feb 8;2(1):49-59. doi: 10.1093/ehjdh/ztab011. eCollection 2021 Mar.
- Wong CK, Mentis HM, Kuber R. The bit doesn't fit: Evaluation of a commercial activity-tracker at slower walking speeds. Gait Posture. 2018 Jan;59:177-181. doi: 10.1016/j.gaitpost.2017.10.010. Epub 2017 Oct 9.
- Keadle SK, Lyden KA, Strath SJ, Staudenmayer JW, Freedson PS. A Framework to Evaluate Devices That Assess Physical Behavior. Exerc Sport Sci Rev. 2019 Oct;47(4):206-214. doi: 10.1249/JES.0000000000000206.
- Muhlen JM, Stang J, Lykke Skovgaard E, Judice PB, Molina-Garcia P, Johnston W, Sardinha LB, Ortega FB, Caulfield B, Bloch W, Cheng S, Ekelund U, Brond JC, Grontved A, Schumann M. Recommendations for determining the validity of consumer wearable heart rate devices: expert statement and checklist of the INTERLIVE Network. Br J Sports Med. 2021 Jul;55(14):767-779. doi: 10.1136/bjsports-2020-103148. Epub 2021 Jan 4.
- Oja, P. & Tuxworth, B. Eurofit for adults. Assessment of health-related fitness. Strasbourg: Council of Europe-UKK Institute, Tampere. (1995).
- Westerterp KR. Doubly labelled water assessment of energy expenditure: principle, practice, and promise. Eur J Appl Physiol. 2017 Jul;117(7):1277-1285. doi: 10.1007/s00421-017-3641-x. Epub 2017 May 15.
- Liu F, Wanigatunga AA, Schrack JA. Assessment of Physical Activity in Adults Using Wrist Accelerometers. Epidemiol Rev. 2022 Jan 14;43(1):65-93. doi: 10.1093/epirev/mxab004.
- Rastogi T, Backes A, Schmitz S, Fagherazzi G, van Hees V, Malisoux L. Advanced analytical methods to assess physical activity behaviour using accelerometer raw time series data: a protocol for a scoping review. Syst Rev. 2020 Nov 7;9(1):259. doi: 10.1186/s13643-020-01515-2.
- Heesch KC, Hill RL, Aguilar-Farias N, van Uffelen JGZ, Pavey T. Validity of objective methods for measuring sedentary behaviour in older adults: a systematic review. Int J Behav Nutr Phys Act. 2018 Nov 26;15(1):119. doi: 10.1186/s12966-018-0749-2.
- Phillips LJ, Petroski GF, Markis NE. A Comparison of Accelerometer Accuracy in Older Adults. Res Gerontol Nurs. 2015 Sep-Oct;8(5):213-9. doi: 10.3928/19404921-20150429-03. Epub 2015 May 7.
- Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. & Zhang, Y. A comparison of different machine learning algorithms, types and placements of activity monitors for physical activity classification. Measurement 154, 107480 (2020).
- Montoye AHK, Pivarnik JM, Mudd LM, Biswas S, Pfeiffer KA. Validation and Comparison of Accelerometers Worn on the Hip, Thigh, and Wrists for Measuring Physical Activity and Sedentary Behavior. AIMS Public Health. 2016 May 20;3(2):298-312. doi: 10.3934/publichealth.2016.2.298. eCollection 2016.
- Montoye AHK, Westgate BS, Fonley MR, Pfeiffer KA. Cross-validation and out-of-sample testing of physical activity intensity predictions with a wrist-worn accelerometer. J Appl Physiol (1985). 2018 May 1;124(5):1284-1293. doi: 10.1152/japplphysiol.00760.2017. Epub 2018 Jan 25.
- Ahmadi MN, Chowdhury A, Pavey T, Trost SG. Laboratory-based and free-living algorithms for energy expenditure estimation in preschool children: A free-living evaluation. PLoS One. 2020 May 20;15(5):e0233229. doi: 10.1371/journal.pone.0233229. eCollection 2020.
- Stewart T, Narayanan A, Hedayatrad L, Neville J, Mackay L, Duncan S. A Dual-Accelerometer System for Classifying Physical Activity in Children and Adults. Med Sci Sports Exerc. 2018 Dec;50(12):2595-2602. doi: 10.1249/MSS.0000000000001717.
- Willetts M, Hollowell S, Aslett L, Holmes C, Doherty A. Statistical machine learning of sleep and physical activity phenotypes from sensor data in 96,220 UK Biobank participants. Sci Rep. 2018 May 21;8(1):7961. doi: 10.1038/s41598-018-26174-1. Erratum In: Sci Rep. 2022 Apr 11;12(1):6024.
- Narayanan A, Desai F, Stewart T, Duncan S, Mackay L. Application of Raw Accelerometer Data and Machine-Learning Techniques to Characterize Human Movement Behavior: A Systematic Scoping Review. J Phys Act Health. 2020 Mar 1;17(3):360-383. doi: 10.1123/jpah.2019-0088.
- Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. & Moral-Munoz, J. A. Assessing physical activity and functional fitness level using convolutional neural networks. Knowledge-Based Systems 185 (2019).
- Hamid A, Duncan MJ, Eyre ELJ, Jing Y. Predicting children's energy expenditure during physical activity using deep learning and wearable sensor data. Eur J Sport Sci. 2021 Jun;21(6):918-926. doi: 10.1080/17461391.2020.1789749. Epub 2020 Jul 16.
- van Kuppevelt D, Heywood J, Hamer M, Sabia S, Fitzsimons E, van Hees V. Segmenting accelerometer data from daily life with unsupervised machine learning. PLoS One. 2019 Jan 9;14(1):e0208692. doi: 10.1371/journal.pone.0208692. eCollection 2019.
- Jones PJ, Catt M, Davies MJ, Edwardson CL, Mirkes EM, Khunti K, Yates T, Rowlands AV. Feature selection for unsupervised machine learning of accelerometer data physical activity clusters - A systematic review. Gait Posture. 2021 Oct;90:120-128. doi: 10.1016/j.gaitpost.2021.08.007. Epub 2021 Aug 13.
- Wijkman M, Carlsson M, Darwiche G, Nystrom FH. A pilot study of hypertension management using a telemedicine treatment approach. Blood Press Monit. 2020 Feb;25(1):18-21. doi: 10.1097/MBP.0000000000000413.
Hasznos linkek
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Becsült)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Egyéb vizsgálati azonosító számok
- 2023-04335-01
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .
Klinikai vizsgálatok a Egészségfejlesztés
-
National Taiwan University HospitalJelentkezés meghívóvalPeer Review, Health CareTajvan
-
Northeastern UniversityBefejezveMunkahelyi inaktivitás | Total Worker HealthEgyesült Államok
-
University of Colorado, DenverEunice Kennedy Shriver National Institute of Child Health and Human Development... és más munkatársakAktív, nem toborzóMegelőző egészségügyi szolgáltatások (PREV HEALTH SERV)Egyesült Államok
-
Oregon Health and Science UniversityFederal Emergency Management Agency; National Fallen Firefighters FoundationBefejezveEgészségügyi Viselkedés | Foglalkozás-egészségügyi | Total Worker HealthEgyesült Államok
-
University of ArizonaNational Institute of Environmental Health Sciences (NIEHS); El Rio Community Health... és más munkatársakBefejezveIllékony szerves vegyületek | Ipari higiénia | Community Health AidesEgyesült Államok
-
Menzies School of Health ResearchCharles Darwin University; Northern Territory of Australia as represented by the... és más munkatársakToborzásAboriginal Health | Kulturális biztonság | Hozzáférés a tolmácsokhoz | Egészségügyi szolgáltató képzésAusztrália
-
Queens College, The City University of New YorkToborzásAz American Journal of Public Health számára benyújtott cikkek közzétételeEgyesült Államok
-
PharmanexKGK Science Inc.BefejezveGI Health | Mikrobiális összetételKanada
-
Marmara University Pendik Training and Research...Még nincs toborzásSzorongás | Öregedés | Premenopauza | Womans HealthPulyka
-
Sun Yat-Sen Memorial Hospital of Sun Yat-Sen UniversityMég nincs toborzásFocus Health Terhes nők