Intelligens viselhető algoritmusok fejlesztése (DIWAH)

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

1. Egészségügyi Világszervezet. Irányelvek a fizikai aktivitásról és az ülő viselkedésről 2020.
2. 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).
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 (nyomtatott) 2077-0383 (elektronikus) 2077-0383 (linkelés) (márc. 2020).
4. 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).
5. Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, E. H., Marvel, F. A., Martin, S. S., Muse, E. D., Turakhia, M. P., Tarakji, K. G. & Elshazly, M. B. Smart 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)