Utvikle intelligente bærbare algoritmer (DIWAH)

Globalt øker levealderen gradvis, noe som fører til et demografisk skifte mot en økende andel eldre. For eksempel i Sverige vil antallet personer over 75 år dobles i løpet av de neste 50 årene, og andelen vil øke med mer enn 60 % (Statistiska centralbyrån, offentlig tilgjengelige data). Det betyr at flere vil leve lenger og færre mennesker vil være tilgjengelige for å ta vare på dem. En av våre store samfunnsutfordringer for å møte denne demografiske overgangen er å utvikle strategier for å opprettholde god helse og livskvalitet i den aldersgruppen og så når de uunngåelig blir syke, hvordan skal vi behandle dem på best mulig måte? En vei videre er å utnytte mulighetene den teknologiske utviklingen har gitt. Faktisk har Sverige vedtatt et svært ambisiøst mål som skissert i Vision2025 (www.ehalsa2025.se): I 2025 skal Sverige være best i verden til å bruke mulighetene digitalisering og e-helse gir til å gjøre det lettere for mennesker å oppnå god og lik helse og velferd, og til å utvikle og styrke egne ressurser for økt selvstendighet og deltakelse i livet. av samfunnet. Digital teknologi alene er imidlertid ikke tilstrekkelig for å nå et slikt mål, andre strategier som bruker teknologien til å øke helsen til enkeltmennesker må også være tilstede. En slik strategi er å opprettholde et sunt nivå av fysisk aktivitet gjennom livet. Fysisk aktivitet er en av få atferd som et menneske kan endre, på egen hånd og til en lav kostnad, som samtidig gir betydelige fysiske og mentale helsegevinster [1]. For det formål har evnen til å vurdere en persons vanlige fysiske aktivitetsnivå, definert som "det hypotetiske gjennomsnittet som individets fysiske aktivitet varierer rundt" i lang tid blitt ansett som den hellige gral blant fysisk aktivitetsforskere. I 30 år har forskere brukt akselerometre for å objektivt kvantifisere frittlevende fysisk aktivitet, men i løpet av det siste tiåret har wearables blitt enormt populære blant befolkningen generelt (Apple og Fitbit er de største merkene). Wearables, her definert som små bærbare enheter med innebygde sensorer som måler helserelaterte variabler, hevder å kunne samle langsiktige høyoppløselige data angående helserelatert atferd, f.eks. kroppsholdning, PA-intensitet, søvn og mye mer [ 2]. Wearables kan også fange opp viktige aspekter relatert til det kardiometabolske systemet som hjertefrekvens, blodtrykk [3], samt støtte atferdsendring [4]. Dermed kan de sees på som en "sveitsisk hærkniv", siden de gir et bredt spekter av verktøy i en enhet. I teorien har wearables et stort løfte om å bli brukt til å skape evidensbasert personlig PA i helsefremmende, sykdomsforebygging og sykdomsbehandling [2, 5-8]. Sammenlignet med de fleste monitorer av forskningsklasse har de kommersielle wearables flere fordeler som gjør dem attraktive for bruk i helsevesenet. De inneholder flere sensorer som er relevante for vurdering av PA og relaterte helseutfall, spesielt et akselerometer for å oppdage biomekaniske aspekter ved bevegelse og en optisk sensor for å oppdage den fysiologiske responsen på bevegelse, for eksempel hjertefrekvens. Ytterligere styrker ved de kommersielle monitorene sammenlignet med monitorer med forskningsgrad er at de er designet for å brukes over lang tid, noe som gir enda bedre mulighet til å vurdere det individuelle nivået av fysisk aktivitet, spesielt blant de minst aktive [9, 10]. I løpet av det siste tiåret har det imidlertid vært en eksplosjon av forskjellige wearables og databehandlingsmetoder uten et etablert rammeverk for å evaluere deres gyldighet eller pålitelighet [11]. Dette har skapt stor forvirring drevet av ikke-robust enhetsutvikling og evalueringsmetoder som ikke reflekterer hvordan de vil bli brukt i praksis. Dessuten forbyr ulikhetene i oppsummerende estimater av fysisk aktivitet innenfor og mellom ulike merker en mulighet til å samle data eller foreta direkte sammenligninger mellom ulike studier. Andre begrensninger som wearables har som gjør dem uegnet for bruk, selv blant friske individer, er at de primært er designet for treningsmarkedet og ikke for bruk i helsevesenet, de har ikke blitt evaluert på en transparent måte, de er ikke nøyaktig fange opp fysisk aktivitet blant individer med endret motorisk mønster, for eksempel eldre [12]. Selv om maskinvaren i de fleste wearables er lik, er algoritmene som oversetter signalene fra sensorene til forskjellige tolkbare utfall (f.eks. trinn) ofte proprietære og oppdateres med uregelmessige intervaller. Andre viktige begrensninger inkluderer tvilsom pasientkonfidensialitet og dataeierskap. Verken de kommersielle eller forskningsmessige monitorene kan i dag vurdere fysisk aktivitet på individnivå, siden de i begrenset grad utnytter mengden av data som samles inn. Hvis wearables kan overvinne disse begrensningene, har de mye løfte om å utvide det kliniske repertoaret av pasientspesifikke tiltak, og de anses som et viktig verktøy for fremtiden for presisjonshelse og personlig medisin. Med tanke på mengden av nye bærbare PA-trackere som kommer inn på markedet uten forutgående bevis på gyldighet, er det grunnleggende å gi forbrukere, pasienter, helsepersonell og forskere en åpen kildekode, evidensbasert wearable med utmerket validitet og pålitelighet.

Formål og mål I dette prosjektet vil vi begynne å slå sammen styrkene til kommersielle wearables med styrkene til monitorer av forskningsklasse og moderne databehandlingsmetoder for å overvinne disse begrensningene. Kombinasjonen av informasjon fra akselerometri (biomekanikk) og hjertefrekvens fra den optiske sensoren (fysiologisk respons) forbedrer spådommene angående PA-intensitet og fysisk aktivitetsrelatert energiforbruk på individnivå [13]. I tillegg kan den optiske sensoren som er montert i en wearable anslå blodtrykket til en person. Signalene fra sensorene vil bli analysert ved hjelp av kunstig intelligens og maskinlæring for å dra bedre nytte av de rike dataene som samles inn. Normalt måles PA og helseutfall til forskjellige tider, men wearables kan samle inn data fra flere variabler samtidig og i sanntid. Denne evnen kan gi nye detaljer om sammenhengen mellom fysisk aktivitetsatferd og individets kliniske status. Dette er ennå ikke studert, mest sannsynlig på grunn av kompleksiteten ved å innhente og analysere disse dataene. Imidlertid har feltet nå flyttet til et punkt hvor teknologien sammen med prosessorkraft og analytiske verktøy eksisterer. Dermed er tiden inne for å utforske den fulle muligheten for å kombinere sanntidsdata om fysisk aktivitetsatferd, helserelaterte utfall og kunstig intelligens. Slik at innbyggere i fremtiden kan være i stand til å forbedre og opprettholde helsen sin gjennom enhetsbaserte tjenester og å ta informerte beslutninger basert på deres personlige helsedata.

Det overordnede formålet med DIWAH er å utvikle og validere kunstig intelligens/maskinlæringsbaserte algoritmer for å vurdere fysisk aktivitet og helserelaterte variabler på individnivå i sanntid for bruk i helsevesenet ved bruk av bærbare enheter med åpen kildekode.

I dette prosjektet vil vi ta de første stegene ved å gjennomføre en streng utvikling og validering av algoritmene ved hjelp av et transparent fasebasert rammeverk. Mer spesifikt tar vi sikte på å utvikle algoritmer for å vurdere:

• Fysisk aktivitet
• Puls
• Helserelaterte variabler, f.eks. blodtrykk og energiforbruk. Vi vil også forsøke å identifisere hvilke underliggende faktorer som forbedrer spådommene som alder, kjønn og kroppssammensetning og helserelaterte kondisjonsnivåer.

Prosjektbeskrivelse Studieutvalg Vi vil rekruttere rundt 50 tilsynelatende friske voksne (18-65 år, 50 % kvinner) til dette prosjektet. Reqruitment vil bli gjort ved hjelp av en bekvemmelighetsprøvemetode. Vi vil nå ut til idrettsklubber, arbeidsplasser og studenter ved universitetet sammen med jungeltelegrafen.

Det er ingen spesielle krav for å bli inkludert i studien bortsett fra at forsøkspersonene må være tilsynelatende friske og kunne jogge i minst 30 minutter. Eksklusjonskriterier inkluderer kjent kardiovaskulær sykdom eller å være på medisiner som påvirker hjertefrekvensen.

Studiedesign Gitt at maskinvaren i alle wearables er lik, er fokuset på å utvikle så transparente algoritmer som mulig ved å følge rammeverket skissert av Keadle et al. [14] og samtidig følge ekspertanbefalingene fra INTERLIVE Network angående HR-overvåking [15]. Keadle-rammen er inspirert av medikamentutvikling og foreslår fem faser: Mekanisk signaltesting, Laboratorietesting, Semi-strukturert evaluering, Naturalistisk validering og Adopsjon. Alle disse fasene vil ikke bli dekket i dette prosjektet. Den semistrukturerte evalueringsfasen er designet for å identifisere spesifikke aktive stoffer basert på signalene fra sensorene i den bærbare enheten, for eksempel løping eller støvsuging. Imidlertid vil den fysiologiske responsen og dermed helseeffektene av fysisk aktivitet være lik for ulike typer aktiviteter med samme intensitet. For eksempel bryr ikke hjertet seg om man løper eller måker snø hvis det jobber med samme intensitet. I tillegg tror vi ikke at det vil være etisk motivert å teste enheten i en pasientpopulasjon (fase fem – Adopsjon) før vi er sikre på at enheten gir gyldige data. Derfor vil den semistrukturerte evalueringsfasen samt adopsjonsfasen utelates i det aktuelle prosjektet.

Fase 1 - Produktutvikling Gitt at maskinvaren er lik i alle wearable på markedet, er det ikke av noen betydning nøyaktig hvilket merke av wearable som skal brukes til å utvikle og teste våre algoritmer. Hovedideen med den første fasen er å sørge for at den bærbare enheten produserer gyldige data og at de rå ubehandlede dataene er lett tilgjengelige. For dette formål har vi identifisert to bærbare enheter med åpen kildekode med maskinvare som oppfyller kravene for vurdering av fysisk aktivitet (akselerometer), HR (optisk sensor), helserelaterte variabler og som også kan kommunisere trådløst med eksterne enheter ved hjelp av Bluetooth, nemlig armringen .js 2 (https://www.espruino.com/Bangle.js2) og Pinetime (https://www.pine64.org/pinetime/). Vi har også laget apper som skal lagre dataene lokalt på enhetene og som muliggjør enkel overføring til en ekstern enhet for videre bearbeiding og analyse av dataene samlet inn i fase 2. Basert på utfallet fra fase 2 er det nødvendig før vi gjennomfører fase 3 - naturalistisk validering, for å utvikle forbehandlingsmetoder, siden minnekapasiteten for bærbare enheter ikke vil tillate lagring av den enorme mengden rådata som vil bli samlet inn i løpet av den fasen. Dermed vil denne fasen være en pågående del av helheten i prosjektet.

Fase 2 - Laboratorieutvikling Målet med fase 2-studien er å utvikle og teste algoritmer for å estimere intensiteten av fysisk aktivitet, energikostnad ved fysisk aktivitet og blodtrykk fra wearables-signalene under kontrollerte laboratorieforhold. I tillegg skal vi identifisere potensielle prediktorer som kan øke presisjonen til spådommene. Tanken er at bærbare data samles inn samtidig som kriterietiltak, under en protokoll fra hvile via gange og løping i økende hastighet til utmattelse. Under protokollen vil de bli overvåket ved hjelp av indirekte kalorimetri (Vyntus CPX, Vyaire Medical, Inc., Il, USA) og en pulsmåler (Polar Electro Oy, Kempele, Finland) montert rundt brystet, som er fullt sammenlignbar med et riktig elektrokardiogram (r>0,99 [16]), samtidig utstyrt med den bærbare enheten, et akselerometer for forskning (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) og en kommersiell bærbar (Fit-Bit Sense, Fitbit international limited, Dublin, Irland). Denne prosedyren vil fange opp et kontinuerlig signal fra wearables ved ulike fysiske aktivitetsintensiteter, fra hvile til maksimal innsats på individnivå. Dette vil tillate å modellere signalet på gruppe- så vel som på individnivå, og å sammenligne med de gylne standardmetodene for indirekte kalorimetri og HR-overvåking. Vi vil også samle inn blodtrykksdata ved å bruke standard kliniske monitorer for å sammenligne et optisk signal med et blodtrykksmåler.

Innenfor prosjektets rammer skal vi også utføre flere veletablerte helserelaterte kondisjonstester. For muskelstyrke vil håndgrepstesten bli brukt, og for fleksibilitet, sitte og rekkevidde testen [17]. I tillegg vil time-up and go-testen (TUG) bli utført [18]. Vi vil også samle inn bakgrunnsdata som alder, kjønn og kroppssammensetning til deltakerne. Disse testene brukes deretter til å utforske muligheten til å forutsi et individs nivå av fysisk aktivitet. Resultatet av denne fasen er et sett med modeller for å telle trinn, og for å oppdage intensiteten av fysisk aktivitet ved hjelp av akselerometeret, den optiske sensoren, kombinasjonen av de to, forsterket med bakgrunnsdata. Vi forventer også å utvikle en modell for å vurdere blodtrykket ved å bruke wearables under hvile.

Fase 3 - Naturalistisk validering Målet med den tredje fasen av prosjektet er å gjennomføre en streng, uavhengig validering av algoritmene under virkelige forhold sammenlignet med gullstandardmål. Så etter utviklingen av algoritmer i et kontrollert miljø, vil vi gå videre til å teste den bærbare under gratis liv. De samme 50 deltakerne (50 % kvinner, 18-65 år) fra den andre fasen vil innta en dose dobbeltmerket vann (DLW), som er den gyldne standarden for å måle energiforbruk under fritt liv med feil innenfor ±3 % fra sann verdi målt av luftveiene [19]. Selv om DLW-metoden er den gyldne standard, brukes den ikke ofte siden det er en kostbar metode som involverer å berike kroppsvannet til et individ med tungt hydrogen (2H) og tungt oksygen (18O), og deretter bestemme forskjellen i utvaskingskinetikk mellom begge isotoper, som er en funksjon av karbondioksidproduksjon, dvs. energiforbruk, ved bruk av spesialutstyr.

Basert på DLW-kinetikken vil vi da kunne modellere signalene fra den bærbare prototypen for å finne den beste passformen, dvs. hvor godt prototypen vurderer fysisk aktivitetsrelatert energiforbruk. Resultatet av denne fasen forventes å være en modell som, basert på informasjonen gitt av wearable, vurderer energiforbruk under frie leveforhold. Vi tar også sikte på å bestemme deltakernes fysiske aktivitetsnivå basert på informasjonen gitt under fase to.

Dataanalyse og statistikk I alle faser av dette prosjektet vil vi utnytte kraften til kunstig intelligens, mer spesifikt ulike maskinlæringsteknikker for å forutsi ulike aspekter av fysisk aktivitet, energiforbruk og blodtrykk på individnivå. Maskinlæring lager automatisk modeller basert på datasett som har potensial til å produsere nøyaktige spådommer som kontrollerer beslutninger i sanntid uten menneskelig interaksjon. De bærbare(r) gir høyfrekvente rådatasampling fra både akselerometri og optisk sensor. Å bruke disse dataene til maskinlæring gir gode muligheter til indirekte å måle fysisk aktivitet og individuelt gi råd til sunne nivåer av fysisk aktivitet. Flere studier har forsøkt å utlede meningsfulle fysiske aktivitetsresultater fra akselerometerdata samlet inn via håndleddsbåret akselerometer [20-22]. Studiene basert på maskinlæring tok sikte på klassifisering av fysiske aktivitetstyper, for eksempel sittende, stående, gå, løpe, etc., eller PA-intensitet, for eksempel stillesittende, lett, moderat, kraftig. De rapporterer en >80 % klassifiseringsnøyaktighet for aktivitetstype [23-26] og en >90 % klassifiseringsnøyaktighet for intensitet [27, 28]. De fleste av disse studiene bruker overvåket maskinlæringstilnærming med merkede data, det vil si at en grunnsannhet er tilgjengelig, slik som tilfeldig skog [29-31], støttevektormaskin [26], kunstig nevrale nettverk [32] og dyplæringsmodeller [ 33, 34]. Bare få studier bruker uovervåkede maskinlæringsmodeller, slik som skjulte Semi-Markov-modeller [31, 35] og k-betyr clustering [36]. Her vil vi ha muligheten til å lage datasett med merkede data. Men siden det overordnede målet med dette prosjektet er å utvikle en wearable som kan tilpasses individuelle brukere av wearable, må læringstilnærmingen også kunne håndtere umerkede data. For å nærme oss dette problemet vil vi bruke forsterkende læring [37, 38]. Til slutt samler vi også inn flere bakgrunnsvariabler, inkludert funksjonstester, som vi skal bruke for å utvide modellene. Vi vil identifisere de beste modellene for å forutsi fysisk aktivitetsintensitet, frekvens og nivå fra akselerometer og hjertefrekvens, og bruke det til å forutsi energiforbruk og blodtrykk. Best ytelse refererer til både nøyaktighet og forklarbarhet, og vi forventer at ulike tilnærminger skal utmerke seg i disse to aspektene. Basert på mer nøyaktige målinger av fysisk aktivitet og deres nøyaktige prediksjon ved bruk av tidsseriedata fra akselerometre, revurderer vi dessuten potensialet til funksjonstester som en punkt-i-tidsprediktor for fysisk aktivitet.

Referanser

1. Verdens helseorganisasjon. Retningslinjer for fysisk aktivitet og stillesittende atferd 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Hvordan forbrukermonitorer for fysisk aktivitet kan transformere menneskelig fysiologisk forskning. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (elektronisk) 0363-6119 (kobling) (mars. 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. Mansjettløs enkeltsteds fotopletysmografi for blodtrykksovervåking. J Clin Med 9. issn: 2077-0383 (Trykk) 2077-0383 (Elektronisk) 2077-0383 (Linking) (Mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Hvordan støtter mobile helseapplikasjoner atferdsendringer? En omfattende gjennomgang av mobile helseapplikasjoner knyttet til fysisk aktivitet og spiseatferd. Folkehelse 175, 8-18. issn: 1476-5616 (elektronisk) 0033-3506 (kobling) (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. Smarte bærbare enheter i hjerte- og karomsorgen: hvor vi er og hvordan vi skal gå videre. Nat Rev Cardiol. issn: 1759-5010 (elektronisk) 1759-5002 (kobling) (mars. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Kvaliteten på offentlig tilgjengelige fysiske aktivitetsapper: gjennomgang og innholdsanalyse. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (Skriv ut) 2291-5222 (Kobling) (mars. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Bærbar teknologi og hvordan dette kan implementeres i klinisk praksis. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (elektronisk) 1529-7322 (kobling) (juni 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. En kritisk gjennomgang av forbrukerklær, mobilapplikasjoner og utstyr for å gi biofeedback, overvåke stress og søvn i fysisk aktive populasjoner. Front Physiol 9, 743. issn: 1664-042X (Skriv ut) 1664-042X (Kobling) (2018).

9. Bergman, P. Antallet gjentatte observasjoner som trengs for å estimere den vanlige fysiske aktiviteten til et individ til et gitt presisjonsnivå. PloS One 13, e0192117. issn: 1932-6203 (Elektronisk) 1932-6203 (Linking) (2018).

10. Bergman, P. & Hagstromer, M. Ingen akselerometerbasert datainnsamlingsprotokoll for fysisk aktivitet kan passe alle forskningsspørsmål. BMC medisinsk forskningsmetodikk 20, 141. issn: 1471-2288 (elektronisk) 1471-2288 (kobling) (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 arbeidsgruppe for e-kardiologi posisjonspapir: bruk av kommersielt tilgjengelig bærbar teknologi for hjertefrekvens og aktivitetssporing i primær og sekundær kardiovaskulær forebygging - i samarbeid med European Heart Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Pasientforum og Digital Health Committee. Europeisk hjertejournal. Digital helse 2, 49-59. issn: 2634-3916

(1 Mar. 2021). epubliser. 12. Wong, C. K., Mentis, H. M. & Kuber, R. Biten passer ikke: Evaluering av en kommersiell aktivitetsmåler ved langsommere ganghastigheter. Gangstilling 59, 177-181. issn: 1879-2219 (elektronisk) 0966-6362 (kobling) (jan. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Forgrenet likningsmodellering av samtidig akselerometri og hjertefrekvensovervåking forbedrer estimat av direkte målt fysisk aktivitet energiforbruk. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (Skriv ut) 0161-7567 (Kobling) (jan. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. Et rammeverk for å evaluere enheter som vurderer fysisk atferd. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (elektronisk) 0091-6331 (kobling) (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. Anbefalinger for å bestemme gyldigheten av forbrukerbærbare hjertefrekvensapparater: ekspertuttalelse og sjekkliste for INTERLIVE-nettverket. Br J Sports Med. issn: 1473-0480 (elektronisk) 0306-3674 (kobling) (jan. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Variable Accuracy of Wearable Heart Rate Overvåker under aerobic trening. Medisin og vitenskap i idrett og trening 49, 1697-1703. issn: 1530-0315 (8. august 2017). ppublisere.

17. Oja, P. & Tuxworth, B. Eurofit for voksne. Vurdering av helserelatert kondisjon. Strasbourg: Europarådet-UKK Institute, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. The timed "Up & Go": en test av grunnleggende funksjonell mobilitet for skrøpelige eldre personer. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Skriv ut) 0002-8614 (Kobling) (feb. 1991).

19. Westerterp, K. R. Dobbeltmerket vannvurdering av energiforbruk: prinsipp, praksis og løfte. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (Elektronisk) 1439-6319 (Kobling) (juli 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Måling av fysisk aktivitet i klinisk praksis ved bruk av akselerometre. J Intern Med 286, 137-153. issn: 1365-2796 (elektronisk) 0954-6820 (kobling) (aug. 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Vurdering av fysisk aktivitet hos voksne ved bruk av håndleddsakselerometre. Epidemiol Rev 43, 65-93. issn: 1478-6729 (elektronisk) 0193-936X (kobling) (jan. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Avanserte analytiske metoder for å vurdere fysisk aktivitetsatferd ved å bruke akselerometer rå tidsseriedata: en protokoll for en scoping-gjennomgang. Syst Rev 9, 259. issn: 2046-4053 (elektronisk) 2046-4053 (kobling) (nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Målinger av fysisk aktivitet og energiforbruk ved bruk av akselerometre hos eldre voksne. Nutr Hosp 25, 224-30. issn: 0212-1611 (Skriv ut) 0212-1611 (Kobling) (apr. 2010).

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

Validiteten av objektive metoder for å måle stillesittende atferd hos eldre voksne: en systematisk oversikt. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (elektronisk) 1479-5868 (kobling) (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 (elektronisk) 1938-2464 (kobling) (okt. 2015).

26. Sheng, B., Moosman, O.M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R.M. & Zhang, Y. En sammenligning av ulike maskinlæringsalgoritmer, typer og plasseringer av aktivitetsmonitorer for fysisk aktivitetsklassifisering. Måling 154, 107480 (2020).

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

Validering og sammenligning av akselerometre som bæres på hofte, lår og håndledd for måling av fysisk aktivitet og stillesittende atferd. AIMS Public Health 3, 298-312. issn: 2327-8994 (Utskrift) 2327-8994 (Linking) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Kryssvalidering og testing utenfor prøven av spådommer om fysisk aktivitetsintensitet med et akselerometer som bæres på håndleddet. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (Elektronisk) 0161-7567 (Linking) (mai 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laboratoriebaserte og frittlevende algoritmer for estimering av energiforbruk hos førskolebarn: En frittlevende evaluering. PloS One 15, e0233229. issn: 1932-6203 (Elektronisk) 1932-6203 (Linking) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Et dobbeltakselerometersystem for klassifisering av fysisk aktivitet hos barn og voksne. Medicine and Science in Sports and Exercise 50, 2595-2602. issn: 1530-0315 (elektronisk) 0195-9131 (kobling) (des. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistisk maskinlæring av søvn- og fysisk aktivitetsfenotyper fra sensordata hos 96 220 britiske biobankdeltakere. Sci Rep 8, 7961. issn: 2045-2322 (Elektronisk) 2045-2322 (Kobling) (mai 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Anvendelse av rå akselerometerdata og maskinlæringsteknikker for å karakterisere menneskelig bevegelsesatferd: En systematisk scoping review. 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. Vurdere fysisk aktivitet og funksjonelt kondisjonsnivå ved hjelp av konvolusjonelle nevrale nettverk. Kunnskapsbaserte systemer 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Forutsi barns energiforbruk under fysisk aktivitet ved hjelp av dyp læring og bærbare sensordata. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (Elektronisk) 1536-7290 (Linking) (juni 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentering av akselerometerdata fra dagliglivet med uovervåket maskinlæring. PloS One 14, e0208692. issn: 1932-6203 (Elektronisk) 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. Funksjonsvalg for uovervåket maskinlæring av akselerometerdata fysisk aktivitetsklynger – En systematisk gjennomgang . Gangstilling 90, 120-128. issn: 1879-2219 (elektronisk) 0966-6362 (kobling) (okt. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Oppmuntring til fysisk aktivitet hos pasienter med diabetes gjennom automatisk personlig tilbakemelding via forsterkningslæring forbedrer glykemisk kontroll . Diabetes Care 39, e59-60. issn: 1935-5548 (elektronisk) 0149-5992 (kobling) (apr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, F.H. En pilotstudie av hypertensjonsbehandling ved bruk av en telemedisinsk behandlingstilnærming. Blood Press Monit 25, 18-21. issn: 1473-5725 (elektronisk) 1359-5237 (kobling) (feb. 2020)