지능형 웨어러블 알고리즘 개발 (DIWAH)

전 세계적으로 기대수명이 점차 늘어나고 있으며, 이로 인해 인구통계학적으로 노인인구 비율이 증가하고 있습니다. 예를 들어, 스웨덴에서는 75세 이상의 인구가 향후 50년 동안 두 배로 늘어나고 그 비율도 60% 이상 증가할 것입니다(스웨덴 통계청, 공개 데이터). 이는 더 많은 사람들이 더 오래 살게 되고 그들을 돌볼 수 있는 사람은 더 적어진다는 것을 의미합니다. 이러한 인구통계학적 변화에 대처하기 위한 우리의 주요 사회적 과제 중 하나는 해당 연령층의 건강과 삶의 질을 유지하기 위한 전략을 개발하고 이들이 필연적으로 아플 때 가능한 최선의 방법으로 어떻게 치료해야 합니까? 앞으로 나아갈 한 가지 방법은 기술 발전이 제공한 기회를 활용하는 것입니다. 실제로 스웨덴은 Vision2025(www.ehalsa2025.se)에 설명된 대로 매우 야심찬 목표를 채택했습니다. 2025년에 스웨덴은 디지털화와 eHealth가 제공하는 기회를 활용하여 사람들이 보다 쉽게 ​​평등하고 평등한 건강과 복지를 달성하고 독립성과 삶의 참여를 높이기 위한 자원을 개발 및 강화하는 데 세계 최고가 될 것입니다. 사회의. 그러나 이러한 목표를 달성하기 위해서는 디지털 기술만으로는 충분하지 않으며, 개인의 건강을 증진시키기 위해 기술을 활용하는 다른 전략도 제시되어야 합니다. 그러한 전략 중 하나는 평생 동안 건강한 수준의 신체 활동을 유지하는 것입니다. 신체 활동은 인간이 저절로 저렴한 비용으로 변경할 수 있는 몇 안 되는 행동 중 하나이며 동시에 상당한 신체적, 정신적 건강상의 이점을 제공합니다[1]. 이를 위해 "개인의 신체 활동이 변하는 가상 평균"으로 정의된 개인의 습관적 신체 활동 수준을 평가하는 능력은 오랫동안 신체 활동 연구자들 사이에서 성배로 여겨져 왔습니다. 30년 동안 연구자들은 자유 생활 신체 활동을 객관적으로 정량화하기 위해 가속도계를 사용해 왔지만 지난 10년 동안 웨어러블 기기는 일반 인구 사이에서 엄청난 인기를 얻었습니다(Apple과 Fitbit이 가장 큰 브랜드임). 여기에서 건강 관련 변수를 측정하는 센서가 내장된 소형 휴대용 장치로 정의된 웨어러블은 신체 자세, PA 강도, 수면 등과 같은 건강 관련 행동에 관한 장기 고해상도 데이터를 수집할 수 있다고 주장합니다. 2]. 웨어러블은 또한 심박수, 혈압[3]은 물론 행동 변화 지원[4]과 같은 심장 대사 시스템과 관련된 중요한 측면을 포착할 수 있습니다. 따라서 하나의 장치에 다양한 도구를 제공하므로 "스위스 군용 칼"로 볼 수 있습니다. 이론적으로 웨어러블은 건강 증진, 질병 예방 및 질병 치료 분야에서 증거 기반의 개인화된 PA를 생성하는 데 사용될 수 있는 큰 가능성을 가지고 있습니다[2, 5-8]. 대부분의 연구 등급 모니터와 비교하여 상업용 웨어러블은 의료 시스템에서 사용하기에 매력적인 몇 가지 장점을 가지고 있습니다. 여기에는 PA 및 관련 건강 결과 평가와 관련된 여러 센서, 특히 움직임의 생체 역학적 측면을 감지하는 가속도계와 움직임에 대한 생리학적 반응(예: 심박수)을 감지하는 광학 센서가 포함되어 있습니다. 연구 등급 모니터와 비교하여 상업용 모니터의 또 다른 장점은 장시간 착용할 수 있도록 설계되어 특히 활동량이 가장 적은 사람들의 신체 활동 수준을 평가할 수 있는 더 나은 기회를 제공한다는 점입니다[9, 10]. 그러나 지난 10년 동안 타당성이나 신뢰성을 평가하기 위한 확립된 프레임워크 없이 다양한 웨어러블 및 데이터 처리 방법이 폭발적으로 증가했습니다[11]. 이는 실제로 어떻게 사용될지 반영하지 않는 견고하지 않은 장치 개발 및 평가 방법으로 인해 큰 혼란을 야기했습니다. 더욱이, 서로 다른 브랜드 내에서 그리고 브랜드 간 신체 활동에 대한 요약 추정치의 차이로 인해 데이터를 통합하거나 서로 다른 연구를 직접 비교할 수 있는 기회가 금지됩니다. 건강한 개인들 사이에서도 웨어러블을 사용하기에 부적합하게 만드는 웨어러블의 다른 제한 사항은 주로 피트니스 시장을 위해 설계되었으며 의료 시스템 내에서 사용하기 위한 것이 아니라는 것입니다. 투명한 방식으로 평가되지 않았으며 정확하게 평가되지 않았습니다. 노인과 같이 운동 패턴이 변경된 개인의 신체 활동을 포착합니다 [12]. 대부분의 웨어러블의 하드웨어는 유사하지만 센서의 신호를 해석 가능한 다양한 결과(예: 단계)로 변환하는 알고리즘은 종종 독점적이며 불규칙한 간격으로 업데이트됩니다. 다른 중요한 제한 사항으로는 의심스러운 환자 기밀성 및 데이터 소유권이 있습니다. 상업용 또는 연구용 모니터는 수집된 풍부한 데이터를 제한적으로 활용하기 때문에 오늘날 개인 수준에서 신체 활동을 평가할 수 없습니다. 웨어러블이 이러한 한계를 극복할 수 있다면 환자별 측정의 임상 레퍼토리를 확장할 가능성이 크며 정밀 의료 및 맞춤형 의료의 미래를 위한 중요한 도구로 간주됩니다. 사전 타당성 증명 없이 시장에 진입하는 수많은 새로운 웨어러블 PA 추적기를 고려할 때, 소비자, 환자, 의료 전문가 및 연구자들에게 뛰어난 타당성과 신뢰성을 갖춘 증거 기반 오픈 소스 웨어러블을 제공하는 것이 필수적입니다.

목적 및 목적 이 프로젝트에서 우리는 상업용 웨어러블의 장점을 연구용 모니터의 장점과 현대적인 데이터 처리 방법을 결합하여 이러한 한계를 극복하기 시작할 것입니다. 가속도 측정(생체 역학)과 광학 센서의 심박수(생리적 반응) 정보를 결합하면 개인 수준에서 PA 강도 및 신체 활동 관련 에너지 소비에 대한 예측이 향상됩니다[13]. 또한 웨어러블에 장착된 광학 센서는 개인의 혈압을 추정할 수 있습니다. 센서의 신호는 수집된 풍부한 데이터를 더 잘 활용하기 위해 인공 지능과 기계 학습을 사용하여 분석됩니다. 일반적으로 PA와 건강 결과는 서로 다른 시간에 측정되지만 웨어러블은 여러 변수로부터 동시에 실시간으로 데이터를 수집할 수 있습니다. 이 능력은 신체 활동 행동과 개인의 임상 상태 사이의 연관성에 대한 새로운 세부 정보를 제공할 수 있습니다. 이는 아직 연구되지 않았는데, 이는 이러한 데이터를 수집하고 분석하는 과정의 복잡성 때문일 가능성이 높습니다. 그러나 이제 이 분야는 처리 능력 및 분석 도구와 함께 기술이 존재하는 지점으로 이동했습니다. 따라서 신체 활동 행동, 건강 관련 결과 및 인공 지능에 대한 실시간 데이터를 결합할 수 있는 모든 가능성을 탐구해야 할 때가 왔습니다. 따라서 미래에는 시민들이 기기 기반 서비스를 통해 건강을 개선 및 유지하고 개인 건강 데이터를 기반으로 정보에 입각한 결정을 내릴 수 있습니다.

DIWAH의 가장 중요한 목적은 오픈 소스 웨어러블을 사용하여 의료 시스템 내에서 사용하기 위해 개인 수준에서 신체 활동 및 건강 관련 변수를 실시간으로 평가하는 인공 지능/기계 학습 기반 알고리즘을 개발하고 검증하는 것입니다.

이 프로젝트에서 우리는 투명한 단계 기반 프레임워크를 사용하여 알고리즘의 엄격한 개발 및 검증을 수행함으로써 첫 번째 단계를 수행할 것입니다. 보다 구체적으로 우리는 다음을 평가하기 위한 알고리즘을 개발하는 것을 목표로 합니다.

• 신체 활동
• 심박수
• 혈압, 에너지 소비 등 건강 관련 변수 또한 연령별 신체 구성, 건강 관련 체력 수준 등 예측을 향상시키는 기본 요소가 무엇인지 식별하려고 시도합니다.

프로젝트 설명 연구 샘플 우리는 이 프로젝트에 겉보기에 건강한 성인 약 50명(18~65세, 50% 여성)을 모집할 것입니다. 모집은 편의 샘플링 방식을 사용하여 수행됩니다. 우리는 입소문을 통해 대학의 스포츠 클럽, 직장 및 학생들에게 다가갈 것입니다.

피험자가 분명히 건강해야 하고 적어도 30분 동안 조깅할 수 있어야 한다는 점을 제외하고는 연구에 포함될 특별한 요구 사항은 없습니다. 제외 기준에는 알려진 심혈관 질환 또는 심박수에 영향을 미치는 약물 복용이 포함됩니다.

연구 설계 모든 웨어러블의 하드웨어가 유사하다는 점을 감안할 때 Keadle et al.이 설명한 프레임워크를 따라 가능한 한 투명한 알고리즘을 개발하는 데 중점을 둡니다. [14] 동시에 HR 모니터링에 관한 INTERLIVE 네트워크의 전문가 권장 사항을 준수합니다 [15]. Keadle 프레임워크는 약물 개발에서 영감을 얻었으며 기계적 신호 테스트, 실험실 테스트, 반구조적 평가, 자연주의적 검증 및 채택의 5단계를 제안합니다. 이 모든 단계는 현재 프로젝트에서 다루지 않습니다. 반구조화된 평가 단계는 달리기, 진공 청소 등 웨어러블 센서의 신호를 기반으로 특정 활동을 식별하도록 설계되었습니다. 그러나 생리적 반응과 그에 따른 신체 활동의 건강 영향은 동일한 강도의 다양한 활동에 대해 유사합니다. 예를 들어, 심장이 달리고 있거나 눈을 치울 때에도 같은 강도로 작동한다면 심장은 실제로 신경 쓰지 않습니다. 또한, 우리는 장치가 유효한 데이터를 제공한다는 것을 확신하기 전에 환자 모집단에서 장치를 테스트(5단계 - 채택)하는 것이 윤리적인 동기가 될 것이라고 믿지 않습니다. 따라서 현재 프로젝트에서는 반구조화된 평가 단계와 채택 단계를 생략할 예정이다.

1단계 - 제품 개발 시중의 모든 웨어러블 하드웨어가 유사하다는 점을 감안할 때, 알고리즘을 개발하고 테스트하는 데 특정 웨어러블 브랜드가 사용될지는 정확히 중요하지 않습니다. 첫 번째 단계의 주요 아이디어는 웨어러블이 유효한 데이터를 생성하고 처리되지 않은 원시 데이터에 쉽게 액세스할 수 있도록 하는 것입니다. 이를 위해 우리는 신체 활동(가속도계), HR(광학 센서), 건강 관련 변수 평가에 대한 요구 사항을 충족하고 Bluetooth를 사용하여 외부 장치인 Bangle과 무선으로 통신할 수도 있는 하드웨어를 갖춘 두 가지 오픈 소스 웨어러블을 확인했습니다. .js 2 (https://www.espruino.com/Bangle.js2) 및 Pinetime(https://www.pine64.org/pinetime/)이 있습니다. 또한 데이터를 장치에 로컬로 저장하고 2단계에서 수집된 데이터의 추가 처리 및 분석을 위해 외부 장치로 쉽게 전송할 수 있는 앱을 만들었습니다. 2단계의 결과에 따라 수행하기 전에 필요합니다. 3단계 - 전처리 방법을 개발하기 위한 자연주의적 검증. 웨어러블 메모리 용량이 해당 단계에서 수집될 방대한 양의 원시 데이터를 저장할 수 없기 때문입니다. 따라서 이 단계는 전체 프로젝트의 지속적인 부분이 될 것입니다.

2단계 - 실험실 개발 2단계 연구의 목표는 통제된 실험실 조건에서 웨어러블 신호로부터 신체 활동의 강도, 신체 활동의 에너지 비용 및 혈압을 추정하는 알고리즘을 개발하고 테스트하는 것입니다. 또한 예측의 정확성을 높일 수 있는 잠재적인 예측변수를 식별할 것입니다. 아이디어는 걷기와 달리기를 통한 휴식부터 지칠 때까지 증가하는 속도로 프로토콜 중에 기준 측정과 동시에 웨어러블 데이터가 수집된다는 것입니다. 프로토콜 중에는 간접 열량계(Vyntus CPX, Vyaire Medical, Inc., Il, USA)와 가슴 주위에 장착된 심박수 모니터(Polar Electro Oy, 핀란드 Kempele)를 사용하여 모니터링되며 이는 적절한 심전도와 완전히 유사합니다. (r>0.99 [16]) 웨어러블, 연구용 가속도계(Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) 및 상업용 웨어러블(Fit-Bit Sense, Fitbit International Limited, Dublin, Ireland)이 동시에 장착됩니다. 이 절차는 휴식부터 개인 수준의 최대 노력까지 다양한 신체 활동 강도에서 웨어러블의 지속적인 신호를 캡처합니다. 이를 통해 그룹 및 개인 수준의 신호를 모델링하고 간접 열량 측정 및 HR 모니터링의 황금 표준 방법과 비교할 수 있습니다. 또한 표준 임상 모니터를 사용하여 혈압 데이터를 수집하여 광학 신호를 혈압계의 신호와 비교합니다.

프로젝트 범위 내에서 우리는 잘 확립된 몇 가지 건강 관련 체력 테스트도 수행할 예정입니다. 근력 강화를 위해서는 손잡기 테스트를, 유연성을 위해서는 앉아서 뻗기 테스트를 사용한다[17]. 또한 TUG(Timed Up and Go Test)가 수행됩니다[18]. 또한 참가자의 연령, 성별, 신체 구성과 같은 배경 데이터도 수집합니다. 그런 다음 이러한 테스트를 사용하여 개인의 신체 활동 수준을 예측할 수 있는 가능성을 탐색합니다. 이 단계의 결과는 배경 데이터로 보강된 가속도계, 광학 센서, 이 둘의 조합을 사용하여 걸음 수를 계산하고 신체 활동의 강도를 감지하는 일련의 모델입니다. 또한, 휴식 중 웨어러블을 활용하여 혈압을 평가하는 모델도 개발할 예정입니다.

3단계 - 자연주의적 검증 프로젝트의 세 번째 단계의 목표는 최적 표준 측정과 비교하여 실제 조건에서 알고리즘에 대한 엄격하고 독립적인 검증을 수행하는 것입니다. 따라서 통제된 환경에서 알고리즘을 개발한 후에는 자유로운 생활 속에서도 웨어러블을 테스트하는 방향으로 나아갈 것입니다. 두 번째 단계의 동일한 50명의 참가자(50% 여성, 18~65세)는 이중 라벨 물(DLW)을 섭취하게 됩니다. 이는 자유 생활 중 에너지 소비를 측정하는 황금 표준이며 오차는 ±3% 이내입니다. 호흡실에서 측정한 실제 값입니다[19]. DLW 방법이 황금표준이라 할지라도 중수소(2H)와 중산소(18O)로 피험자의 체액을 농축한 후 세척 역학의 차이를 판단하는 고가의 방법이기 때문에 자주 사용되지는 않습니다. 이는 특수 장비를 사용하여 이산화탄소 생산, 즉 에너지 소비의 함수인 두 동위원소 사이의 변화입니다.

그런 다음 DLW 동역학을 기반으로 웨어러블 프로토타입의 신호를 모델링하여 가장 적합한 것을 찾을 수 있습니다. 즉, 프로토타입이 에너지 소비와 관련된 신체 활동을 얼마나 잘 평가하는지를 찾을 수 있습니다. 이 단계의 결과는 웨어러블이 제공하는 정보를 기반으로 자유로운 생활 조건에서 에너지 소비를 평가하는 모델이 될 것으로 예상됩니다. 또한 2단계에서 제공된 정보를 기반으로 참가자의 신체 활동 수준을 결정하는 것을 목표로 합니다.

데이터 분석 및 통계 이 프로젝트의 모든 단계에서 우리는 인공 지능의 힘, 보다 구체적으로는 다양한 기계 학습 기술을 활용하여 개인 수준에서 신체 활동, 에너지 소비 및 혈압의 다양한 측면을 예측할 것입니다. 기계 학습은 인간의 상호 작용 없이 실시간으로 결정을 제어하는 ​​정확한 예측을 생성할 수 있는 데이터 세트를 기반으로 모델을 자동으로 생성합니다. 웨어러블은 가속도 측정 센서와 광학 센서 모두에서 고주파 원시 데이터 샘플링을 제공합니다. 기계 학습에 이 데이터를 사용하면 신체 활동을 간접적으로 측정하고 건강한 신체 활동 수준을 개별적으로 조언할 수 있는 좋은 기회를 제공합니다. 여러 연구에서 손목 착용 가속도계를 통해 수집된 가속도계 데이터로부터 의미 있는 신체 활동 결과를 도출하려고 시도했습니다[20-22]. 기계 학습을 기반으로 한 연구는 앉기, 서기, 걷기, 달리기 등과 같은 신체 활동 유형 또는 앉아서 생활하기, 가볍게, 보통, 활발하게 PA 강도를 분류하는 것을 목표로 했습니다. 그들은 활동 유형에 대해 >80% 분류 정확도[23-26]와 강도에 대해 >90% 분류 정확도[27, 28]를 보고합니다. 이러한 연구의 대부분은 레이블이 지정된 데이터를 사용하여 지도된 기계 학습 접근 방식을 사용합니다. 즉, Random Forest[29-31], 지원 벡터 머신[26], 인공 신경망[32] 및 딥 러닝 모델과 같은 지상 진실을 사용할 수 있습니다. 33, 34]. 숨겨진 Semi-Markov 모델[31, 35] 및 k-평균 클러스터링[36]과 같은 비지도 기계 학습 모델을 사용하는 연구는 거의 없습니다. 여기서는 레이블이 지정된 데이터로 데이터 세트를 만들 수 있습니다. 그러나 이 프로젝트의 가장 중요한 목표는 웨어러블의 개별 사용자에게 적응할 수 있는 웨어러블을 개발하는 것이므로 학습 접근 방식은 레이블이 없는 데이터도 처리할 수 있어야 합니다. 이 문제에 접근하기 위해 강화 학습 [37, 38]을 사용할 것입니다. 마지막으로, 모델을 보강하는 데 사용할 기능 테스트를 포함한 여러 배경 변수도 수집하고 있습니다. 가속도계와 심박수를 통해 신체 활동 강도, 빈도, 수준을 예측하고 이를 사용하여 에너지 소비와 혈압을 예측하는 가장 성능이 좋은 모델을 식별합니다. 최고의 성과는 정확성과 설명 가능성을 모두 의미하며, 우리는 이 두 가지 측면에서 다양한 접근 방식이 탁월할 것으로 기대합니다. 또한 신체 활동에 대한 보다 정확한 측정과 가속도계의 시계열 데이터를 사용한 정확한 예측을 기반으로 신체 활동에 대한 특정 시점 예측 변수로서 기능 테스트의 잠재력을 재평가합니다.

참고자료

1. 세계보건기구. 신체 활동 및 좌식 행동에 관한 지침 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. 소비자 신체 활동 모니터가 인간 생리학 연구를 어떻게 변화시킬 수 있는지. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. 발행번호: 1522-1490(전자) 0363-6119(링크) (3. 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. 혈압 모니터링을 위한 Cuffless 단일 부위 광혈류측정법. J Clin Med 9. issn: 2077-0383 (인쇄) 2077-0383 (전자) 2077-0383 (연결) (Mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. 모바일 건강 애플리케이션은 어떻게 행동 변화를 지원합니까? 신체 활동 및 식습관과 관련된 모바일 건강 애플리케이션의 범위 검토. 공중 보건 175, 8-18. 발행번호: 1476-5616(전자) 0033-3506(연계)(10. 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. 스마트 웨어러블 장치 심혈관 치료 분야: 현재 우리의 위치와 앞으로 나아가는 방법. Nat Rev Cardiol. 발행번호 : 1759-5010 (전자) 1759-5002 (링크) (3월. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. 공개적으로 사용 가능한 신체 활동 앱의 품질: 검토 및 콘텐츠 분석. JMIR Mhealth Uhealth 6, e53. 발행번호: 2291-5222 (인쇄물) 2291-5222 (링크) (3월. 2018).

7. Greiwe, J. & Nyenhuis, S. M. 웨어러블 기술 및 이것이 임상 실습에 구현될 수 있는 방법. Curr 알레르기 천식 담당자 20, 36. 발행번호: 1534-6315(전자) 1529-7322(링크)(2020년 6월).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. 소비자 웨어러블, 모바일 애플리케이션 및 신체 활동 인구의 바이오피드백 제공, 스트레스 모니터링 및 수면 장비에 대한 비판적 검토. 프론트 물리올 9, 743. 발행물: 1664-042X(인쇄) 1664-042X(링크)(2018).

9. Bergman, P. 개인의 습관적인 신체 활동을 주어진 정확도 수준으로 추정하는 데 필요한 반복 관찰 횟수입니다. PloS One 13, e0192117. 발행물: 1932-6203(전자) 1932-6203(연결)(2018).

10. Bergman, P. & Hagstromer, M. 어떤 가속도계 기반 신체 활동 데이터 수집 프로토콜도 모든 연구 질문에 적합할 수는 없습니다. BMC 의학 연구 방법론 20, 141. 발행번호: 1471-2288(전자) 1471-2288(링크)(2020년 6월).

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. 전자 심장학 입장 문서에 관한 ESC 실무 그룹: European Heart와 협력하여 1차 및 2차 심혈관 예방에서 심박수 및 활동 추적을 위한 상용 웨어러블 기술 사용 리듬 협회, 유럽 예방 심장학 협회, 심혈관 간호 및 관련 전문가 협회, 환자 포럼 및 디지털 건강 위원회. 유럽 ​​심장 저널. 디지털 헬스 2, 49-59. 발행번호: 2634-3916

(3월 1일 2021). 출판하다. 12. Wong, C. K., Mentis, H. M. & Kuber, R. 내용이 맞지 않음: 느린 걷기 속도에서의 상업용 활동 추적기 평가. 보행 자세 59, 177-181. 발행번호: 1879-2219(전자) 0966-6362(링크) (1. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. 동시 가속도 측정 및 심박수 모니터링의 분기 방정식 모델링은 신체 활동 에너지 소비를 직접 측정했습니다. J Appl Physiol (1985) 96, 343-51. 발행번호: 8750-7587 (인쇄) 0161-7567 (링크) (1월. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. 신체 행동을 평가하는 장치를 평가하는 프레임워크. 운동 스포츠 과학 개정판 47, 206-214. 발행번호: 1538-3008(전자) 0091-6331(연계)(10. 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. 소비자 웨어러블 심박수 장치의 유효성을 결정하기 위한 권장 사항: INTERLIVE 네트워크의 전문가 진술 및 체크리스트. Br J 스포츠 메드. 발행번호: 1473-0480(전자) 0306-3674(연계) (1. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. 웨어러블 심박수의 가변 정확도 유산소 운동 중 모니터링. 스포츠와 운동의 의학과 과학 49, 1697-1703. 발행번호: 1530-0315(2017년 8월 8일). 출판하다.

17. Oja, P. & Tuxworth, B. 성인용 Eurofit. 건강 관련 체력 평가. 스트라스부르: 유럽-UKK 연구소 협의회, 탐페레. (1995).

18. Podsiadlo, D. & Richardson, S. 시간 제한이 있는 "Up & Go": 허약한 노인을 위한 기본적인 기능적 이동성 테스트. J Am Geriatr Soc 39, 142-8. 발행번호: 0002-8614 (인쇄) 0002-8614 (링크) (2월. 1991).

19. Westerterp, K. R. 에너지 소비에 대한 이중 라벨링된 물 평가: 원칙, 실행 및 약속. Eur J Appl Physiol 117, 1277-1285. 발행번호: 1439-6327(전자) 1439-6319(링크)(2017년 7월).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. 가속도계를 사용한 임상 실습에서의 신체 활동 측정. J 인턴 Med 286, 137-153. 발행번호: 1365-2796(전자) 0954-6820(링크)(8. 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. 손목 가속도계를 사용한 성인의 신체 활동 평가. Epidemiol Rev 43, 65-93. 발행번호: 1478-6729(전자) 0193-936X(연동) (1월. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. 가속도계 원시 시계열 데이터를 사용하여 신체 활동 행동을 평가하는 고급 분석 방법: 프로토콜 범위 검토. 시스템 개정 9, 259. 발행번호: 2046-4053 (전자) 2046-4053 (링크) (11월) 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. 노인의 가속도계를 사용한 신체 활동 및 에너지 소비 측정. Nutr 병원 25, 224-30. 발행번호 : 0212-1611 (인쇄) 0212-1611 (링크) (4월. 2010).

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

노인의 좌식 행동을 측정하기 위한 객관적인 방법의 타당성: 체계적인 검토. Int J Behav Nutr Phys Act 15, 119. 발행번호 : 1479-5868 (전자) 1479-5868 (링크) (11월) 2018).

25. Phillips, L. J., Petroski, G. F. & Markis, N. E. 노인의 가속도계 정확도 비교. Res Gerontol Nurs 8, 213-9. 발행번호: 1938-2464 (전자) 1938-2464 (링크) (10월) 2015).

26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. & Zhang, Y. 신체 활동 분류를 위한 다양한 기계 학습 알고리즘, 활동 모니터 유형 및 배치 비교. 측정 154, 107480(2020).

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

신체 활동 및 앉아 있는 행동을 측정하기 위해 엉덩이, 허벅지, 손목에 착용하는 가속도계의 검증 및 비교. AIMS 공중 보건 3, 298-312. 발행번호: 2327-8994(인쇄) 2327-8994(링크)(2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. 손목 착용 가속도계를 사용한 신체 활동 강도 예측에 대한 교차 검증 및 샘플 외 테스트. J Appl Physiol (1985) 124, 1284-1293. 발행번호: 1522-1601(전자) 0161-7567(링크)(2018년 5월).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. 미취학 아동의 에너지 소비 추정을 위한 실험실 기반 및 자유 생활 알고리즘: 자유 생활 평가. PloS One 15, e0233229. 발행물: 1932-6203(전자) 1932-6203(연결)(2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. 어린이와 성인의 신체 활동을 분류하기 위한 이중 가속도계 시스템. 스포츠 및 운동의 의학 및 과학 50, 2595-2602. 발행번호 : 1530-0315 (전자) 0195-9131 (링크) (12월 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. 96,220명의 영국 Biobank 참가자의 센서 데이터에서 얻은 수면 및 신체 활동 표현형에 대한 통계적 기계 학습. Sci Rep 8, 7961. 발행번호: 2045-2322 (전자) 2045-2322 (링크) (2018년 5월).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. 인간의 움직임 행동을 특성화하기 위한 원시 가속도계 데이터 및 기계 학습 기술 적용: 체계적인 범위 지정 검토. 신체 활동 및 건강 저널 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. & Moral-Munoz, J. A. 컨볼루션 신경망을 사용하여 신체 활동 및 기능적 체력 수준을 평가합니다. 지식 기반 시스템 185(2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. 딥 러닝 및 웨어러블 센서 데이터를 사용하여 어린이의 신체 활동 중 에너지 소비 예측. Eur J Sport Sci 21, 918-926. 발행번호: 1536-7290(전자) 1536-7290(링크)(2021년 6월).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. 비지도 기계 학습을 통해 일상 생활의 가속도계 데이터 분할. PloS One 14, e0208692. 발행물: 1932-6203(전자) 1932-6203(연결)(2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. 가속도계 데이터 신체 활동 클러스터의 비지도 기계 학습을 위한 기능 선택 - 체계적인 검토 . 보행 자세 90, 120-128. 발행번호: 1879-2219(전자) 0966-6362(링크)(10. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. 강화 학습을 통한 자동 개인화 피드백을 통해 당뇨병 환자의 신체 활동을 장려하면 혈당 조절이 향상됩니다. . 당뇨병 관리 39, e59-60. 발행번호 : 1935-5548 (전자) 0149-5992 (링크) (4월. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F. H. 원격의료 치료 접근법을 이용한 고혈압 관리에 대한 예비 연구. 혈액 압박 Monit 25, 18-21. 발행번호 : 1473-5725 (전자) 1359-5237 (링크) (2월. 2020)