Sviluppo di algoritmi indossabili intelligenti (DIWAH)

A livello globale, l’aspettativa di vita sta gradualmente aumentando, il che porta ad uno spostamento demografico verso una percentuale crescente di persone anziane. In Svezia, ad esempio, il numero di individui di età superiore ai 75 anni raddoppierà nei prossimi 50 anni e la percentuale aumenterà di oltre il 60% (Statistiche svedesi, dati disponibili al pubblico). Ciò significa che più persone vivranno più a lungo e meno persone saranno disponibili a prendersi cura di loro. Una delle principali sfide sociali per affrontare questa transizione demografica è sviluppare strategie per mantenere una buona salute e qualità della vita in quella fascia di età e poi, quando inevitabilmente si ammalano, come dovremmo trattarli nel miglior modo possibile? Una via da seguire è sfruttare le opportunità offerte dall’evoluzione tecnologica. In effetti, la Svezia ha adottato un obiettivo molto ambizioso, come delineato in Vision2025 (www.ehalsa2025.se): Nel 2025, la Svezia sarà la migliore al mondo nell’utilizzare le opportunità offerte dalla digitalizzazione e dall’eHealth per rendere più facile per le persone ottenere salute e benessere buoni ed equi e per sviluppare e rafforzare le proprie risorse per una maggiore indipendenza e partecipazione alla vita. della società. Tuttavia, la sola tecnologia digitale non è sufficiente per raggiungere tale obiettivo, devono essere presenti anche altre strategie che utilizzino la tecnologia per migliorare la salute degli individui. Una di queste strategie è mantenere un livello sano di attività fisica per tutta la vita. L’attività fisica è uno dei pochi comportamenti che un essere umano può modificare, da solo e a basso costo, che produce contemporaneamente significativi benefici per la salute fisica e mentale [1]. A tal fine, la capacità di valutare il livello di attività fisica abituale di una persona, definito come "la media ipotetica attorno alla quale varia l'attività fisica di un individuo", è stata a lungo considerata il Santo Graal tra i ricercatori in materia di attività fisica. Per 30 anni i ricercatori hanno utilizzato gli accelerometri per quantificare oggettivamente l’attività fisica di uno stile di vita libero, ma nell’ultimo decennio i dispositivi indossabili sono diventati estremamente popolari tra la popolazione generale (Apple e Fitbit sono i marchi più grandi). I dispositivi indossabili, qui definiti come piccoli dispositivi portatili con sensori incorporati che misurano le variabili relative alla salute, affermano di essere in grado di raccogliere dati ad alta risoluzione a lungo termine riguardanti il ​​comportamento correlato alla salute, ad esempio la postura del corpo, l'intensità dell'attività motoria, il sonno e molto altro ancora. 2]. I dispositivi indossabili possono anche catturare aspetti importanti relativi al sistema cardiometabolico come la frequenza cardiaca, la pressione sanguigna [3], nonché supportare il cambiamento del comportamento [4]. Pertanto possono essere considerati un "coltellino svizzero", poiché forniscono una vasta gamma di strumenti in un unico dispositivo. In teoria, i dispositivi indossabili hanno un’enorme promessa di essere utilizzati per creare PA personalizzate basate sull’evidenza nella promozione della salute, nella prevenzione e nel trattamento delle malattie [2, 5-8]. Rispetto alla maggior parte dei monitor di ricerca, i dispositivi indossabili commerciali presentano numerosi vantaggi che li rendono interessanti per l’uso nel sistema sanitario. Contengono più sensori rilevanti per la valutazione dell'attività motoria e dei relativi risultati sulla salute, in particolare un accelerometro per rilevare gli aspetti biomeccanici del movimento e un sensore ottico per rilevare la risposta fisiologica al movimento, ad esempio la frequenza cardiaca. Ulteriori punti di forza dei monitor commerciali rispetto ai monitor di livello di ricerca sono che sono progettati per essere indossati per un lungo periodo, il che offre un'opportunità ancora migliore di valutare il livello individuale di attività fisica, soprattutto tra i meno attivi [9, 10]. Tuttavia, durante l’ultimo decennio, si è verificata un’esplosione di diversi dispositivi indossabili e metodi di elaborazione dati senza un quadro stabilito per valutarne la validità o l’affidabilità [11]. Ciò ha causato una grande confusione dovuta allo sviluppo di dispositivi non robusti e a metodi di valutazione che non riflettono il modo in cui verranno utilizzati nella pratica. Inoltre, la divergenza nelle stime sintetiche dell’attività fisica all’interno e tra diversi marchi impedisce l’opportunità di mettere in comune i dati o di effettuare confronti diretti tra diversi studi. Altre limitazioni dei dispositivi indossabili che li rendono inadatti all'uso, anche tra individui sani, sono che sono progettati principalmente per il mercato del fitness e non per l'uso all'interno del sistema sanitario, non sono stati valutati in modo trasparente, non forniscono informazioni accurate catturare l'attività fisica tra individui con pattern motorio alterato, ad esempio, anziani [12]. Anche se l'hardware nella maggior parte dei dispositivi indossabili è simile, gli algoritmi che traducono i segnali provenienti dai sensori in diversi risultati interpretabili (ad esempio passaggi) sono spesso proprietari e si aggiornano a intervalli irregolari. Altre limitazioni importanti includono la discutibile riservatezza del paziente e la proprietà dei dati. Né i monitoraggi commerciali né quelli di ricerca possono oggi valutare l’attività fisica a livello individuale poiché fanno un uso limitato della ricchezza di dati raccolti. Se i dispositivi indossabili riescono a superare queste limitazioni, sono molto promettenti per espandere il repertorio clinico di misure specifiche per il paziente e sono considerati uno strumento importante per il futuro della salute di precisione e della medicina personalizzata. Considerando la ricchezza di nuovi tracker PA indossabili che entrano nel mercato senza previa prova di validità, è fondamentale fornire a consumatori, pazienti, operatori sanitari e ricercatori un dispositivo indossabile open source e basato sull’evidenza con eccellente validità e affidabilità.

Scopo e obiettivi In questo progetto inizieremo a unire i punti di forza dei dispositivi indossabili commerciali con quelli dei monitor di ricerca e dei moderni metodi di elaborazione dei dati per superare queste limitazioni. La combinazione delle informazioni provenienti dall'accelerometria (biomeccanica) e della frequenza cardiaca provenienti dal sensore ottico (risposta fisiologica) migliora le previsioni riguardanti l'intensità dell'attività fisica e il dispendio energetico correlato all'attività fisica a livello individuale [13]. Inoltre, il sensore ottico montato su un dispositivo indossabile può stimare la pressione sanguigna di un individuo. I segnali provenienti dai sensori verranno analizzati utilizzando l'intelligenza artificiale e l'apprendimento automatico per sfruttare al meglio i ricchi dati raccolti. Normalmente i risultati sulla PA e sulla salute vengono misurati in momenti diversi, ma i dispositivi indossabili possono raccogliere dati da più variabili contemporaneamente e in tempo reale. Questa capacità può fornire nuovi dettagli sull’associazione tra il comportamento dell’attività fisica e lo stato clinico dell’individuo. Questi non sono ancora stati studiati, molto probabilmente a causa della complessità dell'acquisizione e dell'analisi di questi dati. Tuttavia, il campo è ora arrivato a un punto in cui esiste la tecnologia insieme alla potenza di elaborazione e agli strumenti analitici. È giunto quindi il momento di esplorare tutte le possibilità di combinare dati in tempo reale sul comportamento dell’attività fisica, sui risultati relativi alla salute e sull’intelligenza artificiale. In modo che in futuro i cittadini possano essere in grado di migliorare e mantenere la propria salute attraverso servizi basati su dispositivi e di prendere decisioni informate basate sui propri dati sanitari personali.

Lo scopo generale di DIWAH è sviluppare e convalidare algoritmi basati sull'intelligenza artificiale/apprendimento automatico per valutare l'attività fisica e le variabili relative alla salute a livello individuale in tempo reale da utilizzare all'interno del sistema sanitario utilizzando dispositivi indossabili open source.

In questo progetto faremo i primi passi conducendo uno sviluppo e una validazione rigorosi degli algoritmi utilizzando un framework trasparente basato su fasi. Più nello specifico miriamo a sviluppare algoritmi per valutare:

• Attività fisica
• Frequenza cardiaca
• Variabili legate alla salute, ad esempio pressione sanguigna e dispendio energetico. Cercheremo anche di identificare quali fattori sottostanti migliorano le previsioni, come la composizione corporea per età, sesso e livelli di forma fisica legati alla salute.

Descrizione del progetto Campione di studio Recluteremo circa 50 adulti apparentemente sani (18-65 anni, 50% donne) per questo progetto. Il reclutamento verrà effettuato utilizzando un metodo di campionamento di convenienza. Raggiungeremo le società sportive, i cantieri e gli studenti dell'Università attraverso il passaparola.

Non ci sono requisiti particolari per essere inclusi nello studio se non che i soggetti devono essere apparentemente sani e poter fare jogging per almeno 30 minuti. I criteri di esclusione includono malattie cardiovascolari note o l'assunzione di farmaci che influenzano la frequenza cardiaca.

Progettazione dello studio Dato che l'hardware di tutti i dispositivi indossabili è simile, l'attenzione si è concentrata sullo sviluppo di algoritmi quanto più trasparenti possibile seguendo il quadro delineato da Keadle et al. [14] e contemporaneamente aderire alle raccomandazioni degli esperti della rete INTERLIVE in merito al monitoraggio delle risorse umane [15]. Il quadro di Keadle si ispira allo sviluppo di farmaci e suggerisce cinque fasi: test del segnale meccanico, test di laboratorio, valutazione semi-strutturata, validazione naturalistica e adozione. Tutte queste fasi non saranno coperte nel presente progetto. La fase di valutazione semi-strutturata è progettata per identificare attività specifiche in base ai segnali provenienti dai sensori nell'indossabile, come la corsa o l'uso dell'aspirapolvere. Tuttavia, la risposta fisiologica e, quindi, gli effetti sulla salute dell’attività fisica sarebbero simili per diversi tipi di attività con la stessa intensità. Ad esempio, al cuore non importa se si corre o si spala la neve, se si lavora con la stessa intensità. Inoltre, non crediamo che sarebbe eticamente motivato testare il dispositivo su una popolazione di pazienti (fase cinque - Adozione) prima di essere certi che il dispositivo fornisca dati validi. Pertanto, la fase di valutazione semistrutturata e la fase di adozione verranno omesse nel progetto attuale.

Fase 1 - Sviluppo del prodotto Dato che l'hardware è simile in tutti i dispositivi indossabili sul mercato, non ha alcuna importanza esattamente quale marca specifica di dispositivi indossabili verrà utilizzata per sviluppare e testare i nostri algoritmi. L’idea principale della prima fase è assicurarsi che il dispositivo indossabile produca dati validi e che i dati grezzi non elaborati siano facilmente accessibili. A tal fine abbiamo identificato due dispositivi indossabili open source con hardware che soddisfa i requisiti per la valutazione dell'attività fisica (accelerometro), della frequenza cardiaca (sensore ottico), delle variabili relative alla salute e che possono anche comunicare in modalità wireless con dispositivi esterni tramite Bluetooth, ovvero il Bangle. .js2 (https://www.espruino.com/Bangle.js2) e il Pinetime (https://www.pine64.org/pinetime/). Abbiamo anche creato app che memorizzeranno i dati localmente sui dispositivi e che ne consentiranno un facile trasferimento su un dispositivo esterno per un'ulteriore elaborazione e analisi dei dati raccolti nella fase 2. In base ai risultati della fase 2 è necessario prima di condurre fase 3 - validazione naturalistica, per sviluppare metodi di pre-elaborazione, poiché la capacità di memoria dei dispositivi indossabili non consentirà di archiviare la grande quantità di dati grezzi che verranno raccolti durante quella fase. Pertanto, questa fase sarà una parte continuativa dell’intero progetto.

Fase 2 - Sviluppo in laboratorio L'obiettivo dello studio di fase 2 è sviluppare e testare algoritmi per stimare l'intensità dell'attività fisica, il costo energetico dell'attività fisica e la pressione sanguigna dai segnali dei dispositivi indossabili in condizioni di laboratorio controllate. Inoltre identificheremo potenziali predittori che potrebbero aumentare la precisione delle previsioni. L'idea è che i dati indossabili vengano raccolti contemporaneamente alle misure criteri, durante un protocollo dal riposo alla camminata e alla corsa a velocità crescente fino all'esaurimento. Durante il protocollo verranno monitorati utilizzando la calorimetria indiretta (Vyntus CPX, Vyaire Medical, Inc., Il, USA) e un cardiofrequenzimetro (Polar Electro Oy, Kempele, Finlandia) posizionato attorno al torace, che è pienamente paragonabile ad un vero e proprio elettrocardiogramma. (r>0,99 [16]), dotato contemporaneamente del dispositivo indossabile, di un accelerometro di ricerca (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) e di un dispositivo indossabile commerciale (Fit-Bit Sense, Fitbit international limited, Dublino, Irlanda). Questa procedura catturerà un segnale continuo dai dispositivi indossabili a varie intensità di attività fisica, dal riposo allo sforzo massimo a livello individuale. Ciò consentirà di modellare quel segnale a livello di gruppo così come a livello individuale e di confrontarlo con i metodi golden standard della calorimetria indiretta e del monitoraggio della frequenza cardiaca. Raccoglieremo anche dati sulla pressione sanguigna utilizzando monitor clinici standard per confrontare un segnale ottico con quello di un misuratore di pressione sanguigna.

Nell'ambito del progetto eseguiremo anche diversi test di fitness ben consolidati relativi alla salute. Per la forza muscolare verrà utilizzato il test dell'impugnatura e per la flessibilità il test di sedersi e raggiungere [17]. Inoltre, verrà condotto il timed up and go test (TUG) [18]. Raccoglieremo anche dati di base come età, sesso e composizione corporea dei partecipanti. Questi test vengono poi utilizzati per esplorare la possibilità di prevedere il livello di attività fisica di un individuo. Il risultato di questa fase è un insieme di modelli per contare i passi e per rilevare l'intensità dell'attività fisica utilizzando l'accelerometro, il sensore ottico, la combinazione dei due, arricchiti con dati di background. Prevediamo inoltre di sviluppare un modello per valutare la pressione sanguigna utilizzando i dispositivi indossabili durante il riposo.

Fase 3 - Validazione naturalistica L'obiettivo della terza fase del progetto è condurre una validazione rigorosa e indipendente degli algoritmi in condizioni reali rispetto alle misure del gold standard. Quindi, dopo lo sviluppo degli algoritmi in ambiente controllato, si passerà a testare il wearable durante la vita libera. Gli stessi 50 partecipanti (50% donne, 18-65 anni) della seconda fase ingeriranno una dose di acqua doppiamente etichettata (DLW), che è lo standard d'oro per misurare il dispendio energetico durante la vita libera con errori entro ± 3% dal valore valore reale misurato dalle camere respiratorie [19]. Anche se il metodo DLW è lo standard d'oro, non viene utilizzato spesso in quanto è un metodo costoso che prevede l'arricchimento dell'acqua corporea di un soggetto con idrogeno pesante (2H) e ossigeno pesante (18O) e quindi la determinazione della differenza nella cinetica di dilavamento tra i due isotopi, che è una funzione della produzione di anidride carbonica, cioè del dispendio energetico, utilizzando apparecchiature specializzate.

Sulla base della cinetica DLW, saremo quindi in grado di modellare i segnali provenienti dal prototipo indossabile per trovare la soluzione migliore, ovvero quanto bene il prototipo valuta il dispendio energetico correlato all'attività fisica. Si prevede che il risultato di questa fase sia un modello che, sulla base delle informazioni fornite dal dispositivo indossabile, valuti il ​​dispendio energetico durante le condizioni di vita libera. Miriamo anche a determinare i livelli di attività fisica dei partecipanti sulla base delle informazioni fornite durante la fase due.

Analisi dei dati e statistiche In tutte le fasi di questo progetto, utilizzeremo il potere dell'intelligenza artificiale, più specificamente, varie tecniche di apprendimento automatico per prevedere diversi aspetti dell'attività fisica, del dispendio energetico e della pressione sanguigna a livello individuale. L’apprendimento automatico crea automaticamente modelli basati su set di dati che hanno il potenziale di produrre previsioni accurate che controllano le decisioni in tempo reale senza interazione umana. I dispositivi indossabili forniscono campionamento di dati grezzi ad alta frequenza sia dall'accelerometria che dal sensore ottico. L'utilizzo di questi dati per l'apprendimento automatico offre buone opportunità per misurare indirettamente l'attività fisica e consigliare individualmente livelli salutari di attività fisica. Diversi studi hanno cercato di ricavare risultati significativi dell’attività fisica dai dati dell’accelerometro raccolti tramite l’accelerometro da polso [20-22]. Gli studi basati sull'apprendimento automatico miravano alla classificazione dei tipi di attività fisica, ad esempio seduto, in piedi, camminare, correre, ecc., o dell'intensità dell'attività fisica, ad esempio sedentario, leggero, moderato, vigoroso. Riportano un'accuratezza di classificazione >80% per il tipo di attività [23-26] e un'accuratezza di classificazione >90% per l'intensità [27, 28]. La maggior parte di questi studi utilizza approcci di machine learning supervisionati con dati etichettati, ovvero è disponibile una verità fondamentale, come la foresta casuale [29-31], la macchina vettoriale di supporto [26], la rete neurale artificiale [32] e i modelli di deep learning [ 33, 34]. Solo pochi studi utilizzano modelli di apprendimento automatico non supervisionato, come i modelli Semi-Markov nascosti [31, 35] e il clustering k-means [36]. Qui avremo l'opportunità di creare set di dati con dati etichettati. Tuttavia, poiché l’obiettivo generale di questo progetto è sviluppare un dispositivo indossabile in grado di adattarsi ai singoli utenti del dispositivo indossabile, l’approccio di apprendimento deve essere in grado anche di gestire dati non etichettati. Per affrontare questo problema utilizzeremo l'apprendimento per rinforzo [37, 38]. Infine, stiamo anche raccogliendo diverse variabili di fondo, inclusi test funzionali, che utilizzeremo per aumentare i modelli. Identificheremo i modelli più performanti per prevedere l'intensità, la frequenza e il livello dell'attività fisica dall'accelerometro e dalla frequenza cardiaca e li utilizzeremo per prevedere il dispendio energetico e la pressione sanguigna. Le migliori prestazioni si riferiscono sia all'accuratezza che alla spiegabilità e ci aspettiamo che approcci diversi eccellano in questi due aspetti. Inoltre, sulla base di misurazioni più accurate dell’attività fisica e della loro previsione accurata utilizzando dati di serie temporali provenienti da accelerometri, rivalutiamo il potenziale dei test funzionali come predittore puntuale dell’attività fisica.

Riferimenti

1. Organizzazione mondiale della sanità. Linee guida su attività fisica e comportamento sedentario 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Come i monitor dell'attività fisica dei consumatori potrebbero trasformare la ricerca sulla fisiologia umana. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. numero: 1522-1490 (elettronico) 0363-6119 (collegamento) (marzo. 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. Fotopletismografia a sito singolo senza cuffia per il monitoraggio della pressione arteriosa. J Clin Med 9. numero: 2077-0383 (stampa) 2077-0383 (elettronico) 2077-0383 (collegamento) (marzo. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. In che modo le applicazioni sanitarie mobili supportano i cambiamenti di comportamento? Una revisione esplorativa delle applicazioni sanitarie mobili relative all’attività fisica e ai comportamenti alimentari. Sanità pubblica 175, 8-18. numero: 1476-5616 (elettronico) 0033-3506 (collegamento) (ottobre 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. Dispositivi indossabili intelligenti nelle cure cardiovascolari: a che punto siamo e come andare avanti. Nat Rev Cardiol. numero: 1759-5010 (elettronico) 1759-5002 (collegamento) (marzo. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Qualità delle app di attività fisica disponibili al pubblico: revisione e analisi dei contenuti. JMIR Mhealth Uhealth 6, e53. numero: 2291-5222 (Stampa) 2291-5222 (Collegamento) (Marzo. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Tecnologia indossabile e come questa può essere implementata nella pratica clinica. Curr Allergy Asma Rep 20, 36. issn: 1534-6315 (elettronico) 1529-7322 (collegamento) (giugno 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. Una revisione critica di dispositivi indossabili di consumo, applicazioni mobili e apparecchiature per fornire biofeedback, monitorare lo stress e il sonno nelle popolazioni fisicamente attive. Fronte Physiol 9, 743. numero: 1664-042X (Stampa) 1664-042X (Collegamento) (2018).

9. Bergman, P. Il numero di osservazioni ripetute necessarie per stimare l'attività fisica abituale di un individuo con un dato livello di precisione. PloS One 13, e0192117. numero: 1932-6203 (elettronico) 1932-6203 (collegamento) (2018).

10. Bergman, P. & Hagstromer, M. Nessun protocollo di raccolta dati sull'attività fisica basato sull'accelerometro può soddisfare tutte le domande di ricerca. Metodologia della ricerca medica BMC 20, 141. numero: 1471-2288 (elettronico) 1471-2288 (collegamento) (giugno 2020).

11. Jensen, M. T., Treskes, R. W., Caiani, E. G., Casado-Arroyo, R., Cowie, M. R., Dilaveris, P., Duncker, D., Di Rienzo, M., Frederix, I., De Groot, N ., Kolh, P. H., Kemps, H., Mamas, M., McGreavy, P., Neubeck, L., Parati, G., Platonov, P. G., Schmidt-Trucksäss, A., Schuuring, M. J., Simova, I. , Svennberg, E., Verstrael, A. & Lumens, J. Gruppo di lavoro ESC sul position paper sull'e-cardiologia: uso della tecnologia indossabile disponibile in commercio per il monitoraggio della frequenza cardiaca e dell'attività nella prevenzione cardiovascolare primaria e secondaria, in collaborazione con European Heart Rhythm Association, Associazione europea di cardiologia preventiva, Associazione degli infermieri cardiovascolari e professionisti affini, Forum dei pazienti e Comitato per la salute digitale. Giornale europeo del cuore. Salute digitale 2, 49-59. numero: 2634-3916

(1 marzo 2021). epublish. 12. Wong, C. K., Mentis, H. M. & Kuber, R. La parte non si adatta: valutazione di un rilevatore di attività commerciale a velocità di camminata più lente. Postura dell'andatura 59, 177-181. numero: 1879-2219 (Elettronico) 0966-6362 (Collegamento) (Gen. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. La modellazione di equazioni ramificate dell'accelerometria simultanea e del monitoraggio della frequenza cardiaca migliora la stima di misurato direttamente il dispendio energetico dell’attività fisica. J Appl Physiol (1985) 96, 343-51. numero: 8750-7587 (Stampa) 0161-7567 (Collegamento) (Gen. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. Un quadro per la valutazione dei dispositivi che valutano il comportamento fisico. Esercizio Sport Sci Rev 47, 206-214. numero: 1538-3008 (elettronico) 0091-6331 (collegamento) (ott. 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. Raccomandazioni per determinare la validità dei dispositivi indossabili per la frequenza cardiaca dei consumatori: dichiarazione di esperti e lista di controllo della rete INTERLIVE. Br J Sports Med. numero: 1473-0480 (elettronico) 0306-3674 (collegamento) (gennaio) 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Precisione variabile della frequenza cardiaca indossabile Monitora durante l'esercizio aerobico. Medicina e scienza nello sport e nell'esercizio fisico 49, 1697-1703. numero: 1530-0315 (8 agosto 2017). pubblicare.

17. Oja, P. & Tuxworth, B. Eurofit per adulti. Valutazione della forma fisica correlata alla salute. Strasburgo: Istituto del Consiglio d'Europa-UKK, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. Il cronometrato "Up & Go": un test di mobilità funzionale di base per anziani fragili. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Stampa) 0002-8614 (Collegamento) (febbraio 1991).

19. Westerterp, K. R. Valutazione dell'acqua del dispendio energetico doppiamente etichettata: principio, pratica e promessa. Eur J Appl Physiol 117, 1277-1285. numero: 1439-6327 (elettronico) 1439-6319 (collegamento) (luglio 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Misurazione dell'attività fisica nella pratica clinica utilizzando accelerometri. J Intern Med 286, 137-153. numero: 1365-2796 (elettronico) 0954-6820 (collegamento) (agosto 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Valutazione dell'attività fisica negli adulti utilizzando accelerometri da polso. Epidemiol Rev 43, 65-93. numero: 1478-6729 (elettronico) 0193-936X (collegamento) (gennaio) 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Metodi analitici avanzati per valutare il comportamento dell'attività fisica utilizzando i dati grezzi delle serie temporali dell'accelerometro: un protocollo per una revisione esplorativa. Sistema Ap 9, 259. numero: 2046-4053 (elettronico) 2046-4053 (collegamento) (nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Misurazioni dell'attività fisica e del dispendio energetico utilizzando accelerometri negli anziani. Nutr Hosp 25, 224-30. numero: 0212-1611 (Stampa) 0212-1611 (Collegamento) (Apr. 2010).

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

Validità dei metodi oggettivi per misurare il comportamento sedentario negli anziani: una revisione sistematica. Int J Behav Nutr Phys Act 15, 119. numero: 1479-5868 (elettronico) 1479-5868 (collegamento) (nov. 2018).

25. Phillips, L. J., Petroski, G. F. & Markis, N. E. Un confronto tra la precisione dell'accelerometro negli anziani. Res Gerontol Nurs 8, 213-9. numero: 1938-2464 (Elettronico) 1938-2464 (Collegamento) (ott. 2015).

26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. & Zhang, Y. Un confronto tra diversi algoritmi di apprendimento automatico, tipi e posizionamenti di monitor di attività per la classificazione dell'attività fisica. Misura 154, 107480 (2020).

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

Convalida e confronto di accelerometri indossati su fianchi, cosce e polsi per misurare l'attività fisica e il comportamento sedentario. OBIETTIVI Salute Pubblica 3, 298-312. numero: 2327-8994 (stampa) 2327-8994 (collegamento) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Convalida incrociata e test fuori campione delle previsioni dell'intensità dell'attività fisica con un accelerometro da polso. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (elettronico) 0161-7567 (collegamento) (maggio 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Algoritmi di laboratorio e di vita libera per la stima del dispendio energetico nei bambini in età prescolare: una valutazione di vita libera. PloS One 15, e0233229. numero: 1932-6203 (elettronico) 1932-6203 (collegamento) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Un sistema a doppio accelerometro per classificare l'attività fisica nei bambini e negli adulti. Medicina e scienza nello sport e nell'esercizio fisico 50, 2595-2602. numero: 1530-0315 (elettronico) 0195-9131 (collegamento) (dicembre) 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Apprendimento automatico statistico dei fenotipi del sonno e dell'attività fisica dai dati dei sensori in 96.220 partecipanti alla biobanca del Regno Unito. Rep. Sci 8, 7961. numero: 2045-2322 (elettronico) 2045-2322 (collegamento) (maggio 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Applicazione di dati grezzi dell'accelerometro e tecniche di apprendimento automatico per caratterizzare il comportamento del movimento umano: una revisione sistematica di scoping. Giornale di attività fisica e salute 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. & Moral-Munoz, J. A. Valutazione dell'attività fisica e del livello di forma fisica utilizzando reti neurali convoluzionali. Sistemi basati sulla conoscenza 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Previsione del dispendio energetico dei bambini durante l'attività fisica utilizzando l'apprendimento profondo e i dati dei sensori indossabili. Eur J Sport Sci 21, 918-926. numero: 1536-7290 (elettronico) 1536-7290 (collegamento) (giugno 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentazione dei dati dell'accelerometro dalla vita quotidiana con apprendimento automatico non supervisionato. PloS One 14, e0208692. numero: 1932-6203 (elettronico) 1932-6203 (collegamento) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. Selezione di funzionalità per l'apprendimento automatico non supervisionato dei cluster di attività fisica dei dati dell'accelerometro - Una revisione sistematica . Postura dell'andatura 90, 120-128. numero: 1879-2219 (elettronico) 0966-6362 (collegamento) (ott. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Incoraggiare l'attività fisica nei pazienti con diabete attraverso feedback automatico personalizzato tramite apprendimento di rinforzo migliora il controllo glicemico . Cura del diabete 39, e59-60. numero: 1935-5548 (Elettronico) 0149-5992 (Collegamento) (Apr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F.H. Uno studio pilota sulla gestione dell’ipertensione utilizzando un approccio terapeutico di telemedicina. Pressa sanguigna Monit 25, 18-21. numero: 1473-5725 (elettronico) 1359-5237 (collegamento) (febbraio 2020)