Intelligente draagbare algoritmen ontwikkelen (DIWAH)

Wereldwijd neemt de levensverwachting geleidelijk toe, wat leidt tot een demografische verschuiving richting een steeds groter aandeel ouderen. In Zweden zal het aantal personen ouder dan 75 jaar bijvoorbeeld de komende vijftig jaar verdubbelen en zal het aandeel met meer dan 60% toenemen (Statistieken Zweden, openbaar beschikbare gegevens). Dit betekent dat meer mensen langer zullen leven en dat er minder mensen beschikbaar zullen zijn om voor hen te zorgen. Een van onze grootste maatschappelijke uitdagingen om deze demografische transitie het hoofd te bieden, is het ontwikkelen van strategieën voor het behoud van een goede gezondheid en kwaliteit van leven in die leeftijdsgroep. Hoe moeten we hen, als ze onvermijdelijk ziek worden, op de best mogelijke manier behandelen? Eén weg vooruit is het benutten van de kansen die de technologische evolutie heeft geboden. Zweden heeft zelfs een zeer ambitieus doel aangenomen, zoals uiteengezet in Vision2025 (www.ehalsa2025.se): In 2025 zal Zweden het beste ter wereld zijn in het benutten van de kansen die digitalisering en e-gezondheid bieden om het voor mensen gemakkelijker te maken een goede en gelijke gezondheid en welzijn te bereiken, en om hun eigen middelen te ontwikkelen en te versterken voor meer onafhankelijkheid en participatie in het leven. van de samenleving. Digitale technologie alleen is echter niet voldoende om een ​​dergelijk doel te bereiken; er moeten ook andere strategieën aanwezig zijn die de technologie gebruiken om de gezondheid van individuen te verbeteren. Eén van die strategie is het handhaven van een gezond niveau van fysieke activiteit gedurende het hele leven. Lichamelijke activiteit is een van de weinige gedragingen die een mens op zichzelf en tegen lage kosten kan veranderen en die tegelijkertijd aanzienlijke voordelen voor de fysieke en mentale gezondheid oplevert [1]. Daartoe wordt het vermogen om het gebruikelijke fysieke activiteitsniveau van een persoon te beoordelen, gedefinieerd als "het hypothetische gemiddelde waarrond de fysieke activiteit van dat individu varieert", lange tijd beschouwd als de heilige graal onder onderzoekers op het gebied van fysieke activiteit. Dertig jaar lang hebben onderzoekers versnellingsmeters gebruikt om vrijlevende fysieke activiteit objectief te kwantificeren, maar de afgelopen tien jaar zijn wearables enorm populair geworden onder de algemene bevolking (Apple en Fitbit zijn de grootste merken). Wearables, hier gedefinieerd als kleine draagbare apparaten met ingebouwde sensoren die gezondheidsgerelateerde variabelen meten, beweren in staat te zijn langetermijngegevens met hoge resolutie te verzamelen over gezondheidsgerelateerd gedrag, bijvoorbeeld lichaamshouding, PA-intensiteit, slaap en nog veel meer [ 2]. Wearables kunnen ook belangrijke aspecten vastleggen die verband houden met het cardiometabolische systeem, zoals hartslag en bloeddruk [3], en gedragsverandering ondersteunen [4]. Ze kunnen dus worden gezien als een "Zwitsers zakmes", aangezien ze een breed scala aan gereedschappen in één apparaat bieden. In theorie houden wearables een enorme belofte in om te worden gebruikt om op bewijs gebaseerde gepersonaliseerde PA te creëren op het gebied van gezondheidsbevordering, ziektepreventie en ziektebehandeling [2, 5-8]. Vergeleken met de meeste monitoren van onderzoekskwaliteit hebben de commerciële wearables verschillende voordelen die ze aantrekkelijk maken voor gebruik in de gezondheidszorg. Ze bevatten meerdere sensoren die relevant zijn voor de beoordeling van PA en gerelateerde gezondheidsresultaten, met name een versnellingsmeter om biomechanische aspecten van beweging te detecteren en een optische sensor om de fysiologische reactie op beweging, bijvoorbeeld de hartslag, te detecteren. Bijkomende sterke punten van de commerciële monitoren vergeleken met monitoren van onderzoekskwaliteit zijn dat ze ontworpen zijn om lange tijd gedragen te worden, wat een nog betere mogelijkheid biedt om het individuele niveau van fysieke activiteit te beoordelen, vooral onder degenen die het minst actief zijn [9, 10]. De afgelopen tien jaar heeft er echter een explosie plaatsgevonden van verschillende wearables en gegevensverwerkingsmethoden zonder een vastgesteld raamwerk om de validiteit of betrouwbaarheid ervan te evalueren [11]. Dit heeft grote verwarring veroorzaakt, veroorzaakt door niet-robuuste ontwikkelings- en evaluatiemethoden voor apparaten die niet weerspiegelen hoe ze in de praktijk zullen worden gebruikt. Bovendien verhindert de divergentie in samenvattende schattingen van fysieke activiteit binnen en tussen verschillende merken de mogelijkheid om gegevens te bundelen of directe vergelijkingen tussen verschillende onderzoeken te maken. Andere beperkingen van wearables die ze ongeschikt maken voor gebruik, zelfs onder gezonde individuen, is dat ze in de eerste plaats zijn ontworpen voor de fitnessmarkt en niet voor gebruik binnen de gezondheidszorg. Ze zijn niet op een transparante manier geëvalueerd en niet accuraat. fysieke activiteit vastleggen bij personen met een veranderd motorisch patroon, bijvoorbeeld ouderen [12]. Hoewel de hardware in de meeste wearables vergelijkbaar is, zijn de algoritmen die de signalen van de sensoren vertalen naar verschillende interpreteerbare uitkomsten (bijvoorbeeld stappen) vaak bedrijfseigen en worden ze met onregelmatige intervallen bijgewerkt. Andere belangrijke beperkingen zijn onder meer de twijfelachtige vertrouwelijkheid van patiënten en het eigendom van gegevens. Noch de commerciële monitoren, noch de monitoren van onderzoekskwaliteit kunnen tegenwoordig de fysieke activiteit op individueel niveau beoordelen, omdat ze beperkt gebruik maken van de rijkdom aan verzamelde gegevens. Als wearables deze beperkingen kunnen overwinnen, zijn ze veelbelovend voor de uitbreiding van het klinische repertoire van patiëntspecifieke maatregelen, en worden ze beschouwd als een belangrijk instrument voor de toekomst van precisiegezondheid en gepersonaliseerde geneeskunde. Gezien de rijkdom aan nieuwe draagbare PA-trackers die op de markt komen zonder voorafgaand bewijs van geldigheid, is het van fundamenteel belang om consumenten, patiënten, gezondheidswerkers en onderzoekers te voorzien van een open-source, op bewijs gebaseerde wearable met uitstekende validiteit en betrouwbaarheid.

Doel en doelstellingen In dit project zullen we beginnen met het samenvoegen van de sterke punten van commerciële wearables met die van monitoren van onderzoekskwaliteit en moderne gegevensverwerkingsmethoden om deze beperkingen te overwinnen. De combinatie van informatie uit accelerometrie (biomechanica) en hartslag van de optische sensor (fysiologische respons) verbetert de voorspellingen met betrekking tot PA-intensiteit en aan fysieke activiteit gerelateerd energieverbruik op individueel niveau [13]. Bovendien kan de optische sensor die in een wearable is aangebracht de bloeddruk van een individu schatten. De signalen van de sensoren zullen worden geanalyseerd met behulp van kunstmatige intelligentie en machinaal leren om beter voordeel te halen uit de rijke verzamelde gegevens. Normaal gesproken worden PA- en gezondheidsresultaten op verschillende tijdstippen gemeten, maar wearables kunnen tegelijkertijd en in realtime gegevens van meerdere variabelen verzamelen. Dit vermogen kan nieuwe details opleveren over de associatie tussen het fysieke activiteitsgedrag en de klinische status van het individu. Dit is nog niet onderzocht, hoogstwaarschijnlijk vanwege de complexiteit van het verzamelen en analyseren van deze gegevens. Het veld is nu echter op een punt beland waar de technologie samen met de verwerkingskracht en analytische hulpmiddelen bestaat. De tijd is dus gekomen om de volledige mogelijkheid te onderzoeken om realtime gegevens over het gedrag van fysieke activiteiten, gezondheidsgerelateerde resultaten en kunstmatige intelligentie te combineren. Zodat burgers in de toekomst hun gezondheid kunnen verbeteren en behouden via op apparaten gebaseerde diensten en weloverwogen beslissingen kunnen nemen op basis van hun persoonlijke gezondheidsgegevens.

Het overkoepelende doel van DIWAH is het ontwikkelen en valideren van op kunstmatige intelligentie/machine learning gebaseerde algoritmen om fysieke activiteit en gezondheidsgerelateerde variabelen in realtime op individueel niveau te beoordelen voor gebruik binnen het gezondheidszorgsysteem met behulp van open-source wearables.

In dit project zullen we de eerste stappen zetten door een rigoureuze ontwikkeling en validatie van de algoritmen uit te voeren met behulp van een transparant fasegebaseerd raamwerk. Meer specifiek streven wij ernaar algoritmen te ontwikkelen voor het beoordelen van:

• Fysieke activiteit
• Hartslag
• Gezondheidsgerelateerde variabelen, bijvoorbeeld bloeddruk en energieverbruik. We zullen ook proberen te identificeren welke onderliggende factoren de voorspellingen verbeteren, zoals de lichaamssamenstelling van het geslacht, de leeftijd en de gezondheidsgerelateerde fitnessniveaus.

Projectbeschrijving Onderzoekssteekproef We zullen ongeveer 50 ogenschijnlijk gezonde volwassenen (18-65 jaar, 50% vrouwen) rekruteren voor dit project. De werving zal gebeuren via een gemakssteekproefmethode. We zullen via mond-tot-mondreclame sportclubs, werkplekken en studenten van de universiteit bereiken.

Er zijn geen bijzondere vereisten om in het onderzoek te worden opgenomen, behalve dat de proefpersonen ogenschijnlijk gezond moeten zijn en minstens 30 minuten moeten kunnen joggen. Uitsluitingscriteria zijn onder meer bekende hart- en vaatziekten of het gebruik van medicijnen die de hartslag beïnvloeden.

Studieontwerp Omdat de hardware in alle wearables vergelijkbaar is, ligt de focus op het ontwikkelen van zo transparant mogelijke algoritmen door het raamwerk te volgen dat is geschetst door Keadle et al. [14] en volg tegelijkertijd de deskundige aanbevelingen van het INTERLIVE-netwerk met betrekking tot HR-monitoring [15]. Het Keadle-framework is geïnspireerd op de ontwikkeling van geneesmiddelen en stelt vijf fasen voor: mechanische signaaltesten, laboratoriumtesten, semi-gestructureerde evaluatie, naturalistische validatie en adoptie. In dit project zullen niet al deze fases aan bod komen. De semi-gestructureerde evaluatiefase is ontworpen om specifieke actieve stoffen te identificeren op basis van de signalen van de sensoren in de wearable, zoals hardlopen of stofzuigen. De fysiologische respons en dus de gezondheidseffecten van fysieke activiteit zouden echter vergelijkbaar zijn voor verschillende soorten activiteiten met dezelfde intensiteit. Het maakt het hart bijvoorbeeld niet zoveel uit of je aan het rennen bent of sneeuw aan het scheppen bent als het met dezelfde intensiteit werkt. Daarnaast geloven wij niet dat het ethisch gemotiveerd zou zijn om het apparaat te testen in een patiëntenpopulatie (fase vijf - Adoptie) voordat we er zeker van zijn dat het apparaat geldige gegevens oplevert. Daarom zullen in het huidige project zowel de semi-gestructureerde evaluatiefase als de adoptiefase achterwege blijven.

Fase 1 - Productontwikkeling Aangezien de hardware bij elke wearable op de markt vergelijkbaar is, is het niet van belang welk specifiek merk wearable precies zal worden gebruikt om onze algoritmen te ontwikkelen en te testen. Het belangrijkste idee bij de eerste fase is ervoor te zorgen dat de wearable geldige gegevens produceert en dat de onbewerkte, onverwerkte gegevens gemakkelijk toegankelijk zijn. Daartoe hebben we twee open-source wearables geïdentificeerd met hardware die voldoet aan de vereisten voor de beoordeling van fysieke activiteit (versnellingsmeter), HR (optische sensor), gezondheidsgerelateerde variabelen en die ook draadloos kunnen communiceren met externe apparaten via Bluetooth, namelijk de Bangle. .js 2 (https://www.espruino.com/Bangle.js2) en de Pinetime (https://www.pine64.org/pinetime/). Ook hebben we apps gemaakt die de gegevens lokaal op de apparaten opslaan en die een eenvoudige overdracht naar een extern apparaat mogelijk maken voor verdere verwerking en analyse van de in fase 2 verzamelde gegevens. Op basis van de uitkomsten uit fase 2 is het noodzakelijk voordat we fase 3 - naturalistische validatie, om voorverwerkingsmethoden te ontwikkelen, aangezien de geheugencapaciteit van de wearables het niet mogelijk maakt de enorme hoeveelheid ruwe gegevens op te slaan die tijdens die fase zullen worden verzameld. Deze fase zal dus een doorlopend onderdeel zijn van het geheel van het project.

Fase 2 - Laboratoriumontwikkeling Het doel van de fase 2-studie is het ontwikkelen en testen van algoritmen om de intensiteit van fysieke activiteit, de energiekosten van fysieke activiteit en de bloeddruk te schatten op basis van de wearables-signalen onder gecontroleerde laboratoriumomstandigheden. Daarnaast gaan we potentiële voorspellers identificeren die de nauwkeurigheid van de voorspellingen kunnen vergroten. Het idee is dat draagbare gegevens tegelijkertijd met criteriummetingen worden verzameld, tijdens een protocol van rusten via lopen en rennen met toenemende snelheid tot uitputting. Tijdens het protocol zullen ze worden gevolgd met behulp van indirecte calorimetrie (Vyntus CPX, Vyaire Medical, Inc., Il, VS) en een hartslagmeter (Polar Electro Oy, Kempele, Finland) rond de borst, die volledig vergelijkbaar is met een echt elektrocardiogram. (r>0,99 [16]), gelijktijdig uitgerust met de wearable, een accelerometer van onderzoekskwaliteit (Actigraph GT3+, Actigraphcorp, Pensacola, FL, VS) en een commerciële wearable (Fit-Bit Sense, Fitbit international limited, Dublin, Ierland). Deze procedure zal een continu signaal van de wearables opvangen bij verschillende fysieke activiteitsintensiteiten, van rusten tot maximale inspanning op individueel niveau. Dit zal het mogelijk maken om dat signaal op zowel groeps- als individueel niveau te modelleren, en te vergelijken met de gouden standaardmethoden van indirecte calorimetrie en HR-monitoring. We zullen ook bloeddrukgegevens verzamelen met behulp van standaard klinische monitoren om een ​​optisch signaal te vergelijken met dat van een bloeddrukmeter.

In het kader van het project gaan we ook een aantal gerenommeerde gezondheidsgerelateerde conditietests uitvoeren. Voor spierkracht zal de handgreeptest worden gebruikt en voor flexibiliteit de zit- en reiktest [17]. Daarnaast zal de timed up and go test (TUG) worden uitgevoerd [18]. Ook verzamelen wij achtergrondgegevens zoals leeftijd, geslacht en lichaamssamenstelling van de deelnemers. Deze tests worden vervolgens gebruikt om de mogelijkheid te onderzoeken om het niveau van fysieke activiteit van een individu te voorspellen. Het resultaat van deze fase is een reeks modellen om stappen te tellen en de intensiteit van fysieke activiteit te detecteren met behulp van de versnellingsmeter, de optische sensor, de combinatie van beide, aangevuld met achtergrondgegevens. We verwachten ook een model te ontwikkelen om de bloeddruk te meten met behulp van wearables tijdens rust.

Fase 3 - Naturalistische validatie Het doel van de derde fase van het project is het uitvoeren van een rigoureuze, onafhankelijke validatie van de algoritmen in reële omstandigheden, vergeleken met gouden standaardmetingen. Dus na de ontwikkeling van algoritmen in een gecontroleerde omgeving, gaan we verder met het testen van wearables tijdens het vrije leven. Dezelfde 50 deelnemers (50% vrouwen, 18-65 jaar) uit de tweede fase zullen een dosis dubbel gelabeld water (DLW) innemen, wat de gouden standaard is om het energieverbruik tijdens het vrije leven te meten, met fouten binnen ±3% van de werkelijke waarde zoals gemeten door ademhalingskamers [19]. Zelfs als de DLW-methode de gouden standaard is, wordt deze niet vaak gebruikt, omdat het een dure methode is waarbij het lichaamswater van een persoon wordt verrijkt met zware waterstof (2H) en zware zuurstof (18O), en vervolgens het verschil in uitwaskinetiek wordt bepaald. tussen beide isotopen, wat een functie is van de kooldioxideproductie, dat wil zeggen het energieverbruik, met behulp van gespecialiseerde apparatuur.

Op basis van de DLW-kinetiek kunnen we vervolgens de signalen van het draagbare prototype modelleren om de beste pasvorm te vinden, d.w.z. hoe goed het prototype het energieverbruik dat verband houdt met fysieke activiteit beoordeelt. De uitkomst van deze fase zal naar verwachting een model zijn dat, op basis van de informatie van de wearable, het energieverbruik tijdens vrije levensomstandigheden beoordeelt. We streven er ook naar om de fysieke activiteitsniveaus van de deelnemers te bepalen op basis van de informatie die tijdens fase twee wordt verstrekt.

Data-analyse en statistieken In alle fasen van dit project zullen we de kracht van kunstmatige intelligentie gebruiken, meer specifiek verschillende machine learning-technieken, om verschillende aspecten van fysieke activiteit, energieverbruik en bloeddruk op individueel niveau te voorspellen. Machine learning creëert automatisch modellen op basis van datasets die het potentieel hebben om nauwkeurige voorspellingen te produceren die beslissingen in realtime controleren zonder menselijke tussenkomst. De wearable(s) bieden hoogfrequente ruwe gegevensbemonstering van zowel accelerometrie als optische sensoren. Het gebruik van deze gegevens voor machinaal leren biedt goede mogelijkheden om indirect fysieke activiteit te meten en individueel advies te geven over een gezond niveau van fysieke activiteit. Verschillende onderzoeken hebben geprobeerd betekenisvolle uitkomsten van fysieke activiteit af te leiden uit gegevens van de versnellingsmeter verzameld via een op de pols gedragen versnellingsmeter [20-22]. De onderzoeken op basis van machinaal leren waren gericht op de classificatie van soorten fysieke activiteit, bijvoorbeeld zitten, staan, lopen, rennen, enz., of PA-intensiteit, bijvoorbeeld sedentair, licht, matig, krachtig. Ze rapporteren een classificatienauwkeurigheid van >80% voor het type activiteit [23-26] en een classificatienauwkeurigheid van >90% voor de intensiteit [27, 28]. De meeste van deze onderzoeken maken gebruik van begeleide machinale leerbenaderingen met gelabelde gegevens, dat wil zeggen dat er een grondwaarheid beschikbaar is, zoals willekeurig bos [29-31], ondersteunende vectormachine [26], kunstmatig neuraal netwerk [32] en diepgaande leermodellen [ 33, 34]. Slechts weinig onderzoeken maken gebruik van onbewaakte machine learning-modellen, zoals verborgen Semi-Markov-modellen [31, 35] en k-means clustering [36]. Hier hebben we de mogelijkheid om datasets met gelabelde gegevens te maken. Omdat het overkoepelende doel van dit project echter het ontwikkelen van een wearable is die zich kan aanpassen aan individuele gebruikers van de wearable, moet de leeraanpak ook in staat zijn om met ongelabelde data om te gaan. Om dit probleem te benaderen zullen we gebruik maken van versterkend leren [37, 38]. Ten slotte verzamelen we ook verschillende achtergrondvariabelen, waaronder functionele tests, die we zullen gebruiken om de modellen aan te vullen. We zullen de best presterende modellen identificeren om de intensiteit, frequentie en het niveau van fysieke activiteit te voorspellen op basis van de versnellingsmeter en hartslag, en die gebruiken om het energieverbruik en de bloeddruk te voorspellen. De beste prestaties hebben betrekking op zowel nauwkeurigheid als verklaarbaarheid, en we verwachten dat verschillende benaderingen in deze twee aspecten uitblinken. Bovendien evalueren we, op basis van nauwkeurigere metingen van fysieke activiteit en hun nauwkeurige voorspelling met behulp van tijdreeksgegevens van versnellingsmeters, het potentieel van functionele tests als een point-in-time voorspeller voor fysieke activiteit.

Referenties

1. Wereldgezondheidsorganisatie. Richtlijnen voor fysieke activiteit en sedentair gedrag 2020.
2. Wright, S.P., Hall Brown, T.S., Collier, S.R. & Sandberg, K. Hoe monitoren voor fysieke activiteit van consumenten het onderzoek naar de menselijke fysiologie zouden kunnen transformeren. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (elektronisch) 0363-6119 (koppeling) (mrt. 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 fotoplethysmografie voor bloeddrukmonitoring. J Clin Med 9. issn: 2077-0383 (afdruk) 2077-0383 (elektronisch) 2077-0383 (koppeling) (mrt. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A.M., Crozet, C., Pommier, J. & Cambon, L. Hoe ondersteunen mobiele gezondheidsapplicaties gedragsveranderingen? Een verkennend overzicht van mobiele gezondheidstoepassingen met betrekking tot fysieke activiteit en eetgedrag. Volksgezondheid 175, 8-18. issn: 1476-5616 (elektronisch) 0033-3506 (koppeling) (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. Slimme draagbare apparaten in de cardiovasculaire zorg: waar we staan ​​en hoe we verder kunnen. Nat Rev Cardiol. issn: 1759-5010 (elektronisch) 1759-5002 (koppeling) (mrt. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Kwaliteit van openbaar beschikbare apps voor fysieke activiteit: beoordeling en inhoudsanalyse. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (afdruk) 2291-5222 (koppeling) (mrt. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Wearable Technology en hoe dit in de klinische praktijk kan worden geïmplementeerd. Curr Allergie Astma Rep 20, 36. issn: 1534-6315 (elektronisch) 1529-7322 (koppeling) (juni 2020).

8. Peake, J.M., Kerr, G. & Sullivan, J.P. Een kritische beoordeling van consumentenwearables, mobiele applicaties en apparatuur voor het bieden van biofeedback, het monitoren van stress en slaap in fysiek actieve populaties. Voorzijde Physiol 9, 743. issn: 1664-042X (afdrukken) 1664-042X (koppeling) (2018).

9. Bergman, P. Het aantal herhaalde observaties dat nodig is om de gebruikelijke fysieke activiteit van een individu met een bepaald nauwkeurigheidsniveau te schatten. PloS One 13, e0192117. issn: 1932-6203 (elektronisch) 1932-6203 (koppeling) (2018).

10. Bergman, P. & Hagstromer, M. Geen enkel op een accelerometer gebaseerd protocol voor het verzamelen van gegevens over fysieke activiteit kan aan alle onderzoeksvragen voldoen. BMC medische onderzoeksmethodologie 20, 141. issn: 1471-2288 (elektronisch) 1471-2288 (koppeling) (juni 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. ESC-werkgroep over e-cardiologie position paper: gebruik van commercieel beschikbare draagbare technologie voor het volgen van de hartslag en activiteit bij primaire en secundaire cardiovasculaire preventie - in samenwerking met het European Heart Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patient Forum en de Digital Health Committee. Europees harttijdschrift. Digitale gezondheidszorg 2, 49-59. issn: 2634-3916

(1 mrt. 2021). epubliceren. 12. Wong, C.K., Mentis, H.M. & Kuber, R. Het bit klopt niet: evaluatie van een commerciële activiteitstracker bij lagere loopsnelheden. Loophouding 59, 177-181. issn: 1879-2219 (elektronisch) 0966-6362 (koppeling) (jan. 2018).

13. Brage, S., Brage, N., Franks, P.W., Ekelund, U., Wong, M.Y., Andersen, L.B., Froberg, K. & Wareham, N.J. Vertakte vergelijkingsmodellering van gelijktijdige accelerometrie en hartslagmonitoring verbetert de schatting van direct gemeten energieverbruik bij fysieke activiteit. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (afdruk) 0161-7567 (koppeling) (jan. 2004).

14. Keadle, S.K., Lyden, K.A., Strath, S.J., Staudenmayer, J.W. & Freedson, P.S. Een raamwerk voor het evalueren van apparaten die fysiek gedrag beoordelen. Oefening Sport Sci Rev 47, 206-214. issn: 1538-3008 (elektronisch) 0091-6331 (koppeling) (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. Aanbevelingen voor het bepalen van de geldigheid van draagbare hartslagapparaten voor consumenten: expertverklaring en checklist van het INTERLIVE-netwerk. Br J Sport Med. issn: 1473-0480 (elektronisch) 0306-3674 (koppeling) (jan. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Variabele nauwkeurigheid van draagbare hartslag Monitoren tijdens aërobe oefening. Geneeskunde en wetenschap in sport en beweging 49, 1697-1703. issn: 1530-0315 (8 augustus 2017). ppubliceren.

17. Oja, P. & Tuxworth, B. Eurofit voor volwassenen. Beoordeling van gezondheidsgerelateerde fitheid. Straatsburg: Raad van Europa-UKK Instituut, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. De getimede "Up & Go": een test van functionele basismobiliteit voor kwetsbare ouderen. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (afdruk) 0002-8614 (koppeling) (februari. 1991).

19. Westerterp, K.R. Waterbeoordeling van energieverbruik dubbel bestempeld: principe, praktijk en belofte. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (elektronisch) 1439-6319 (koppeling) (juli 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Meting van fysieke activiteit in de klinische praktijk met behulp van versnellingsmeters. J Intern Med 286, 137-153. issn: 1365-2796 (elektronisch) 0954-6820 (koppeling) (aug. 2019).

21. Liu, F., Wanigatunga, A.A. & Schrack, J.A. Beoordeling van fysieke activiteit bij volwassenen met behulp van polsversnellingsmeters. Epidemiol Rev. 43, 65-93. issn: 1478-6729 (elektronisch) 0193-936X (koppeling) (jan. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Geavanceerde analytische methoden om het gedrag van fysieke activiteit te beoordelen met behulp van ruwe tijdreeksgegevens van de accelerometer: een protocol voor een verkennend onderzoek. Systeem Rev 9, 259. issn: 2046-4053 (elektronisch) 2046-4053 (koppeling) (nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Metingen van fysieke activiteit en energieverbruik met behulp van versnellingsmeters bij oudere volwassenen. Nutr Hosp 25, 224-30. issn: 0212-1611 (print) 0212-1611 (koppeling) (apr. 2010).

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

Geldigheid van objectieve methoden voor het meten van sedentair gedrag bij oudere volwassenen: een systematische review. Int J Gedrag Nutr Phys Act 15, 119. issn: 1479-5868 (elektronisch) 1479-5868 (koppeling) (nov. 2018).

25. Phillips, L.J., Petroski, G.F. & Markis, N.E. Een vergelijking van de nauwkeurigheid van de accelerometer bij oudere volwassenen. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (elektronisch) 1938-2464 (koppeling) (okt. 2015).

26. Sheng, B., Moosman, O.M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R.M. & Zhang, Y. Een vergelijking van verschillende machine learning-algoritmen, typen en plaatsingen van activiteitenmonitors voor classificatie van fysieke activiteiten. Meting 154, 107480 (2020).

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

Validatie en vergelijking van versnellingsmeters die op de heup, dij en polsen worden gedragen voor het meten van fysieke activiteit en sedentair gedrag. DOELSTELLINGEN Volksgezondheid 3, 298-312. issn: 2327-8994 (afdruk) 2327-8994 (koppeling) (2016).

28. Montoye, A.H.K., Westgate, B.S., Fonley, M.R. & Pfeiffer, K.A. Kruisvalidatie en buiten de steekproef testen van voorspellingen van de intensiteit van fysieke activiteit met een om de pols gedragen versnellingsmeter. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (elektronisch) 0161-7567 (koppeling) (mei 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laboratoriumgebaseerde en vrijlevende algoritmen voor het schatten van het energieverbruik bij kleuters: een evaluatie van het vrijleven. PloS One 15, e0233229. issn: 1932-6203 (elektronisch) 1932-6203 (koppeling) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Een dual-accelerometersysteem voor het classificeren van fysieke activiteit bij kinderen en volwassenen. Geneeskunde en wetenschap in sport en beweging 50, 2595-2602. issn: 1530-0315 (elektronisch) 0195-9131 (koppeling) (dec. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistisch machinaal leren van fenotypes van slaap en fysieke activiteit op basis van sensorgegevens bij 96.220 UK Biobank-deelnemers. Sci Rep 8, 7961. issn: 2045-2322 (elektronisch) 2045-2322 (koppeling) (mei 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Toepassing van onbewerkte versnellingsmetergegevens en machinale leertechnieken om menselijk bewegingsgedrag te karakteriseren: een systematische scoping review. Tijdschrift voor fysieke activiteit en gezondheid 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. & Moral-Munoz, J. A. Beoordeling van fysieke activiteit en functioneel fitnessniveau met behulp van convolutionele neurale netwerken. Op kennis gebaseerde systemen 185 (2019).

34. Hamid, A., Duncan, M.J., Eyre, E.L.J. & Jing, Y. Het voorspellen van het energieverbruik van kinderen tijdens fysieke activiteit met behulp van diepgaand leren en draagbare sensorgegevens. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (elektronisch) 1536-7290 (koppeling) (juni 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentatie van versnellingsmetergegevens uit het dagelijks leven met onbewaakt machinaal leren. PloS One 14, e0208692. issn: 1932-6203 (elektronisch) 1932-6203 (koppeling) (2019).

36. Jones, P.J., Catt, M., Davies, M.J., Edwardson, C.L., Mirkes, E.M., Khunti, K., Yates, T. & Rowlands, A.V. Functieselectie voor onbewaakt machinaal leren van accelerometergegevens fysieke activiteitsclusters - Een systematische review . Loophouding 90, 120-128. issn: 1879-2219 (elektronisch) 0966-6362 (koppeling) (okt. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Het aanmoedigen van fysieke activiteit bij patiënten met diabetes door automatische gepersonaliseerde feedback via versterkend leren verbetert de glykemische controle . Diabeteszorg 39, e59-60. issn: 1935-5548 (elektronisch) 0149-5992 (koppeling) (april. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F.H. Een pilotstudie naar het beheer van hypertensie met behulp van een telegeneeskundige behandelaanpak. Bloeddrukmaand 25, 18-21. issn: 1473-5725 (elektronisch) 1359-5237 (koppeling) (februari. 2020)