Opracowywanie inteligentnych algorytmów do noszenia (DIWAH)

Na całym świecie średnia długość życia stopniowo rośnie, co prowadzi do przesunięcia demograficznego w stronę rosnącego odsetka osób starszych. Na przykład w Szwecji liczba osób powyżej 75. roku życia podwoi się w ciągu najbliższych 50 lat, a odsetek ten wzrośnie o ponad 60% (Szwedzki Urząd Statystyczny, dane publicznie dostępne). Oznacza to, że więcej ludzi będzie żyło dłużej, a mniej osób będzie mogło się nimi opiekować. Jednym z naszych głównych wyzwań społecznych, jakie stoją przed tą przemianą demograficzną, jest opracowanie strategii mających na celu utrzymanie dobrego zdrowia i jakości życia w tej grupie wiekowej, a następnie, w jaki sposób powinniśmy ich leczyć, gdy nieuchronnie zachorują? Jednym ze sposobów na przyszłość jest wykorzystanie możliwości, jakie zapewniła ewolucja technologiczna. W rzeczywistości Szwecja przyjęła bardzo ambitny cel określony w Wizji 2025 (www.ehalsa2025.se): W 2025 roku Szwecja najlepiej na świecie wykorzysta możliwości, jakie dają cyfryzacja i e-zdrowie, aby ułatwić ludziom osiągnięcie dobrego i równego zdrowia i dobrostanu oraz rozwijać i wzmacniać własne zasoby w celu zwiększenia niezależności i uczestnictwa w życiu społeczeństwa. Jednak sama technologia cyfrowa nie wystarczy, aby osiągnąć taki cel, muszą istnieć również inne strategie wykorzystujące tę technologię do poprawy zdrowia jednostek. Jedną z takich strategii jest utrzymanie zdrowego poziomu aktywności fizycznej przez całe życie. Aktywność fizyczna jest jednym z niewielu zachowań, które człowiek może zmienić samodzielnie i niewielkim kosztem, a jednocześnie przynosi znaczne korzyści dla zdrowia fizycznego i psychicznego [1]. W tym celu umiejętność oceny zwyczajowego poziomu aktywności fizycznej danej osoby, definiowanej jako „hipotetyczna średnia, wokół której waha się aktywność fizyczna danej osoby”, od dawna uważana jest za świętego Graala wśród badaczy aktywności fizycznej. Od 30 lat badacze wykorzystują akcelerometry do obiektywnego pomiaru aktywności fizycznej w trybie swobodnym, ale w ostatniej dekadzie urządzenia do noszenia stały się niezwykle popularne wśród ogółu społeczeństwa (największe marki to Apple i Fitbit). Urządzenia ubieralne, tutaj definiowane jako małe urządzenia przenośne z wbudowanymi czujnikami mierzącymi zmienne związane ze zdrowiem, rzekomo są w stanie gromadzić długoterminowe dane o wysokiej rozdzielczości dotyczące zachowań związanych ze zdrowiem, np. postawy ciała, intensywności PA, snu i wielu innych [ 2]. Urządzenia ubieralne mogą również rejestrować ważne aspekty związane z układem kardiometabolicznym, takie jak tętno, ciśnienie krwi [3], a także wspierać zmianę zachowania [4]. Można je zatem nazwać „szwajcarskim scyzorykiem”, gdyż zapewniają szeroką gamę narzędzi w jednym urządzeniu. Teoretycznie urządzenia do noszenia niosą ze sobą ogromną nadzieję, że można je wykorzystać do stworzenia spersonalizowanego PA opartego na dowodach w promocji zdrowia, zapobieganiu chorobom i leczeniu chorób [2, 5-8]. W porównaniu z większością monitorów klasy badawczej, komercyjne urządzenia do noszenia mają kilka zalet, które czynią je atrakcyjnymi do stosowania w systemie opieki zdrowotnej. Zawierają wiele czujników istotnych dla oceny PA i powiązanych skutków zdrowotnych, w szczególności akcelerometr do wykrywania biomechanicznych aspektów ruchu i czujnik optyczny do wykrywania reakcji fizjologicznej na ruch, np. tętna. Dodatkową zaletą monitorów komercyjnych w porównaniu do monitorów klasy badawczej jest to, że są zaprojektowane z myślą o długim czasie noszenia, co daje jeszcze lepszą możliwość oceny indywidualnego poziomu aktywności fizycznej, zwłaszcza wśród osób najmniej aktywnych [9, 10]. Jednakże w ciągu ostatniej dekady nastąpiła eksplozja różnych urządzeń do noszenia i metod przetwarzania danych bez ustalonych ram oceny ich ważności i niezawodności [11]. Spowodowało to wielkie zamieszanie spowodowane niesolidnymi metodami opracowywania i oceny urządzeń, które nie odzwierciedlają sposobu, w jaki będą one wykorzystywane w praktyce. Co więcej, rozbieżności w podsumowujących szacunkach dotyczących aktywności fizycznej w ramach różnych marek i pomiędzy nimi uniemożliwiają gromadzenie danych lub dokonywanie bezpośrednich porównań między różnymi badaniami. Inne ograniczenia urządzeń do noszenia, które sprawiają, że nie nadają się do użytku nawet przez zdrowe osoby, to to, że są przeznaczone przede wszystkim na rynek fitness, a nie do użytku w systemie opieki zdrowotnej, nie zostały ocenione w sposób przejrzysty, nie są dokładnie uchwycić aktywność fizyczną osób ze zmienionym wzorcem motorycznym, np. osób starszych [12]. Mimo że podzespoły większości urządzeń do noszenia są podobne, algorytmy tłumaczące sygnały z czujników na różne możliwe do zinterpretowania wyniki (np. kroki) są często zastrzeżone i aktualizowane w nieregularnych odstępach czasu. Inne ważne ograniczenia obejmują wątpliwą poufność pacjenta i własność danych. Ani monitory komercyjne, ani badawcze nie są obecnie w stanie ocenić aktywności fizycznej na poziomie indywidualnym, ponieważ w ograniczonym stopniu wykorzystują bogactwo zebranych danych. Jeśli urządzenia do noszenia zdołają przezwyciężyć te ograniczenia, będą one bardzo obiecujące w kierunku poszerzenia repertuaru klinicznego środków dostosowanych do potrzeb pacjenta i są uważane za ważne narzędzie na przyszłość precyzyjnego zdrowia i medycyny spersonalizowanej. Biorąc pod uwagę bogactwo nowych przenośnych trackerów PA pojawiających się na rynku bez uprzedniego potwierdzenia ważności, zasadnicze znaczenie ma zapewnienie konsumentom, pacjentom, pracownikom służby zdrowia i badaczom urządzenia do noszenia o otwartym kodzie źródłowym, opartego na dowodach, charakteryzującego się doskonałą wiarygodnością i niezawodnością.

Cel i cele W tym projekcie zaczniemy łączyć mocne strony komercyjnych urządzeń do noszenia z zaletami monitorów klasy badawczej i nowoczesnymi metodami przetwarzania danych, aby pokonać te ograniczenia. Połączenie informacji z akcelerometrii (biomechanika) i tętna z czujnika optycznego (reakcja fizjologiczna) poprawia przewidywania dotyczące intensywności PA i wydatków energetycznych związanych z aktywnością fizyczną na poziomie indywidualnym [13]. Ponadto czujniki optyczne zamontowane w urządzeniu do noszenia mogą oszacować ciśnienie krwi danej osoby. Sygnały z czujników będą analizowane przy użyciu sztucznej inteligencji i uczenia maszynowego, aby lepiej wykorzystać zgromadzone bogate dane. Zwykle wyniki PA i zdrowie są mierzone w różnym czasie, ale urządzenia do noszenia mogą zbierać dane z wielu zmiennych jednocześnie i w czasie rzeczywistym. Zdolność ta może dostarczyć nowych szczegółów na temat związku między zachowaniem związanym z aktywnością fizyczną a stanem klinicznym danej osoby. Nie zostało to jeszcze zbadane, najprawdopodobniej ze względu na złożoność pozyskiwania i analizowania tych danych. Jednak dziedzina osiągnęła obecnie punkt, w którym istnieje technologia wraz z mocą obliczeniową i narzędziami analitycznymi. Nadszedł zatem czas na zbadanie pełnej możliwości łączenia danych w czasie rzeczywistym na temat zachowań związanych z aktywnością fizyczną, wyników związanych ze zdrowiem i sztucznej inteligencji. Aby w przyszłości obywatele mogli poprawić i utrzymać swoje zdrowie dzięki usługom opartym na urządzeniach oraz podejmować świadome decyzje w oparciu o ich osobiste dane dotyczące zdrowia.

Nadrzędnym celem projektu DIWAH jest opracowanie i walidacja algorytmów opartych na sztucznej inteligencji/uczeniu maszynowym w celu oceny aktywności fizycznej i zmiennych związanych ze zdrowiem na poziomie indywidualnym w czasie rzeczywistym do wykorzystania w systemie opieki zdrowotnej przy użyciu urządzeń do noszenia typu open source.

W tym projekcie wykonamy pierwsze kroki, przeprowadzając rygorystyczny rozwój i walidację algorytmów przy użyciu przejrzystej struktury opartej na fazach. W szczególności naszym celem jest opracowanie algorytmów oceny:

• Aktywność fizyczna
• Tętno
• Zmienne związane ze zdrowiem, np. ciśnienie krwi i wydatek energetyczny. Spróbujemy także określić, jakie czynniki leżące u podstaw poprawiają przewidywania, takie jak wiek, płeć, skład ciała i poziom sprawności związany ze stanem zdrowia.

Opis projektu Próba badawcza Do tego projektu zrekrutujemy około 50 pozornie zdrowych dorosłych (18–65 lat, 50% kobiet). Rekrutacja zostanie przeprowadzona przy użyciu metody doboru wygodnego. Do klubów sportowych, zakładów pracy i studentów Uniwersytetu dotrzemy pocztą pantoflową.

Nie ma żadnych szczególnych wymagań, które należy uwzględnić w badaniu, z wyjątkiem tego, że uczestnicy muszą być zdrowi i móc biegać przez co najmniej 30 minut. Kryteria wykluczenia obejmują znaną chorobę układu krążenia lub przyjmowanie leków wpływających na częstość akcji serca.

Projekt badania Biorąc pod uwagę, że sprzęt wszystkich urządzeń do noszenia jest podobny, skupiono się na opracowaniu możliwie przejrzystych algorytmów, zgodnie ze schematem nakreślonym przez Keadle i in. [14], stosując się jednocześnie do zaleceń ekspertów Sieci INTERLIVE dotyczących monitorowania HR [15]. Struktura Keadle'a jest inspirowana rozwojem leków i sugeruje pięć faz: testowanie sygnału mechanicznego, testowanie laboratoryjne, ocena częściowo ustrukturyzowana, walidacja naturalistyczna i adopcja. Wszystkie te fazy nie zostaną uwzględnione w niniejszym projekcie. Częściowo ustrukturyzowana faza oceny ma na celu identyfikację konkretnych substancji aktywnych na podstawie sygnałów z czujników urządzenia do noszenia, takich jak bieganie lub odkurzanie. Jednakże reakcja fizjologiczna, a co za tym idzie, skutki zdrowotne aktywności fizycznej byłyby podobne w przypadku różnych rodzajów aktywności o tej samej intensywności. Na przykład serce nie przejmuje się tym, czy ktoś biega czy odgarnia śnieg, jeśli pracuje z tą samą intensywnością. Ponadto nie wierzymy, że testowanie urządzenia na populacji pacjentów (faza piąta – adopcja) przed uzyskaniem pewności, że urządzenie zapewnia prawidłowe dane, byłoby motywowane etycznie. Dlatego w bieżącym projekcie pominięto częściowo ustrukturyzowaną fazę oceny oraz fazę przyjęcia.

Faza 1 – Rozwój produktu Biorąc pod uwagę, że każdy sprzęt do noszenia na rynku jest podobny, nie ma znaczenia, która konkretna marka urządzenia do noszenia zostanie wykorzystana do opracowania i przetestowania naszych algorytmów. Główną ideą pierwszego etapu jest upewnienie się, że urządzenie do noszenia generuje prawidłowe dane i że można łatwo uzyskać dostęp do surowych, nieprzetworzonych danych. W tym celu zidentyfikowaliśmy dwa urządzenia do noszenia typu open source ze sprzętem, który spełnia wymagania dotyczące oceny aktywności fizycznej (akcelerometr), tętna (czujnik optyczny), zmiennych związanych ze zdrowiem, a także może komunikować się bezprzewodowo z urządzeniami zewnętrznymi za pomocą Bluetooth, a mianowicie bransoletką .js 2 (https://www.espruino.com/Bangle.js2) i Pinetime (https://www.pine64.org/pinetime/). Stworzyliśmy także aplikacje, które będą przechowywać dane lokalnie na urządzeniach, co pozwoli na łatwy transfer danych na urządzenie zewnętrzne w celu dalszego przetwarzania i analizy danych zebranych w fazie 2. Na podstawie wyników z fazy 2 konieczne jest przed przeprowadzeniem faza 3 – walidacja naturalistyczna, w celu opracowania metod wstępnego przetwarzania, ponieważ pojemność pamięci urządzeń przenośnych nie pozwoli na przechowywanie ogromnej ilości surowych danych, które zostaną zebrane w tej fazie. Tym samym ta faza będzie stanowić ciągłą część całego projektu.

Faza 2 – opracowanie laboratorium Celem badania fazy 2 jest opracowanie i przetestowanie algorytmów służących do szacowania intensywności aktywności fizycznej, kosztów energii związanych z aktywnością fizyczną i ciśnienia krwi na podstawie sygnałów z urządzeń do noszenia w kontrolowanych warunkach laboratoryjnych. Dodatkowo zamierzamy zidentyfikować potencjalne predyktory, które mogą zwiększyć precyzję przewidywań. Pomysł polega na tym, że dane dotyczące noszenia są gromadzone w tym samym czasie, co pomiary kryterialne, podczas protokołu od odpoczynku poprzez chodzenie i bieganie ze zwiększoną prędkością aż do wyczerpania. Podczas protokołu będą monitorowani za pomocą kalorymetrii pośredniej (Vyntus CPX, Vyaire Medical, Inc., Il, USA) i czujnika tętna (Polar Electro Oy, Kempele, Finlandia) umieszczonego na klatce piersiowej, który jest w pełni porównywalny z prawidłowym elektrokardiogramem (r>0,99 [16]), wyposażonego jednocześnie w urządzenie do noszenia, akcelerometr klasy badawczej (Actigraph GT3+, Actigraphcorp, Pensacola, Floryda, USA) i urządzenie do noszenia komercyjnego (Fit-Bit Sense, Fitbit International Limited, Dublin, Irlandia). Ta procedura będzie rejestrować ciągły sygnał z urządzeń do noszenia przy różnej intensywności aktywności fizycznej, od odpoczynku po maksymalny wysiłek na poziomie indywidualnym. Pozwoli to na modelowanie tego sygnału zarówno na poziomie grupowym, jak i indywidualnym oraz porównanie go ze złotymi standardami metodami kalorymetrii pośredniej i monitorowania tętna. Będziemy również zbierać dane dotyczące ciśnienia krwi za pomocą standardowych monitorów klinicznych, aby porównać sygnał optyczny z sygnałem ciśnieniomierza.

W ramach projektu wykonamy także kilka uznanych testów sprawnościowych związanych ze stanem zdrowia. W przypadku siły mięśni wykorzystany zostanie test uścisku dłoni, a w przypadku elastyczności – test siadu i zasięgu [17]. Dodatkowo zostanie przeprowadzony test timed up and go (TUG) [18]. Będziemy również zbierać dane podstawowe, takie jak wiek, płeć i skład ciała uczestników. Testy te są następnie wykorzystywane do zbadania możliwości przewidzenia poziomu aktywności fizycznej danej osoby. Wynikiem tej fazy jest zestaw modeli do liczenia kroków i wykrywania intensywności aktywności fizycznej za pomocą akcelerometru i czujnika optycznego, będącego ich kombinacją, wzmocnionego danymi tła. Oczekujemy również opracowania modelu oceny ciśnienia krwi za pomocą urządzeń do noszenia podczas odpoczynku.

Faza 3 – Walidacja naturalistyczna Celem trzeciej fazy projektu jest przeprowadzenie rygorystycznej, niezależnej walidacji algorytmów w warunkach rzeczywistych w porównaniu ze złotymi standardami. Zatem po opracowaniu algorytmów w kontrolowanym środowisku przejdziemy do testowania urządzenia do noszenia podczas swobodnego życia. Tych samych 50 uczestników (50% kobiet, 18-65 lat) z drugiej fazy spożyje dawkę podwójnie oznakowanej wody (DLW), co stanowi złoty standard pomiaru wydatku energetycznego podczas swobodnego życia z błędami w granicach ± ​​3% od normy. wartość prawdziwa mierzona komorami oddechowymi [19]. Choć metoda DLW jest złotym standardem, to nie jest często stosowana, gdyż jest metodą kosztowną, polegającą na wzbogacaniu wody ustrojowej pacjenta w ciężki wodór (2H) i ciężki tlen (18O), a następnie określenie różnicy w kinetyce wymywania pomiędzy obydwoma izotopami, co jest funkcją produkcji dwutlenku węgla, czyli wydatku energetycznego, przy użyciu specjalistycznego sprzętu.

W oparciu o kinetykę DLW będziemy mogli modelować sygnały z prototypowego urządzenia do noszenia, aby znaleźć najlepsze dopasowanie, tj. to, jak dobrze prototyp ocenia wydatek energetyczny związany z aktywnością fizyczną. Oczekuje się, że wynikiem tej fazy będzie model, który na podstawie informacji dostarczanych przez urządzenie do noszenia oceni wydatki energetyczne w warunkach swobodnego życia. Naszym celem jest również określenie poziomu aktywności fizycznej uczestników na podstawie informacji dostarczonych w fazie drugiej.

Analiza danych i statystyki We wszystkich fazach tego projektu będziemy wykorzystywać moc sztucznej inteligencji, a dokładniej różne techniki uczenia maszynowego, aby przewidywać różne aspekty aktywności fizycznej, wydatku energetycznego i ciśnienia krwi na poziomie indywidualnym. Uczenie maszynowe automatycznie tworzy modele na podstawie zbiorów danych, które mogą generować dokładne prognozy, które kontrolują decyzje w czasie rzeczywistym, bez interakcji człowieka. Urządzenia do noszenia zapewniają próbkowanie surowych danych o wysokiej częstotliwości zarówno z akcelerometru, jak i czujnika optycznego. Wykorzystanie tych danych do uczenia maszynowego zapewnia dobre możliwości pośredniego pomiaru aktywności fizycznej i indywidualnego doradzania zdrowego poziomu aktywności fizycznej. W kilku badaniach próbowano uzyskać znaczące wyniki w zakresie aktywności fizycznej na podstawie danych z akcelerometru zebranego za pomocą akcelerometru noszonego na nadgarstku [20-22]. Badania oparte na uczeniu maszynowym miały na celu klasyfikację rodzajów aktywności fizycznej, np. siedzenie, stanie, chodzenie, bieganie itp., czy też intensywności PA, np. siedzący, lekki, umiarkowany, energiczny. Podają, że dokładność klasyfikacji dla rodzaju aktywności wynosi > 80% [23-26] i dokładność klasyfikacji > 90% dla intensywności [27, 28]. Większość z tych badań wykorzystuje nadzorowane podejście do uczenia maszynowego z oznakowanymi danymi, tj. dostępna jest podstawowa prawda, taka jak losowy las [29-31], maszyna wektorów nośnych [26], sztuczna sieć neuronowa [32] i modele głębokiego uczenia się [ 33, 34]. Tylko w nielicznych badaniach wykorzystuje się modele uczenia maszynowego bez nadzoru, takie jak ukryte modele Semi-Markowa [31, 35] i grupowanie k-średnich [36]. Tutaj będziemy mieli możliwość tworzenia zbiorów danych z danymi oznaczonymi etykietami. Ponieważ jednak nadrzędnym celem tego projektu jest opracowanie urządzenia do noszenia, które można dostosować do indywidualnych użytkowników urządzenia do noszenia, podejście uczące się musi również umożliwiać obsługę danych nieoznakowanych. Aby podejść do tego zagadnienia, wykorzystamy uczenie się przez wzmacnianie [37, 38]. Na koniec zbieramy także kilka zmiennych tła, w tym testy funkcjonalne, które wykorzystamy do ulepszenia modeli. Zidentyfikujemy najskuteczniejsze modele do przewidywania intensywności, częstotliwości i poziomu aktywności fizycznej na podstawie akcelerometru i tętna, a następnie wykorzystamy je do przewidywania wydatku energetycznego i ciśnienia krwi. Najlepsze wyniki odnoszą się zarówno do dokładności, jak i wyjaśnialności, i oczekujemy, że różne podejścia będą wyróżniać się w tych dwóch aspektach. Co więcej, opierając się na dokładniejszych pomiarach aktywności fizycznej i ich dokładnym przewidywaniu na podstawie danych szeregów czasowych z akcelerometrów, ponownie oceniamy potencjał testów funkcjonalnych jako predyktora aktywności fizycznej w danym momencie.

Bibliografia

1. Światowa Organizacja Zdrowia. Wytyczne dotyczące aktywności fizycznej i siedzącego trybu życia 2020.
2. Wright, SP, Hall Brown, T. S., Collier, S. R. i Sandberg, K. Jak konsumenckie monitory aktywności fizycznej mogą zmienić badania nad fizjologią człowieka. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (elektroniczny) 0363-6119 (łączący) (mar. 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. i Elgendi, M. Fotopletyzmografia jednomiejscowa bez mankietu do monitorowania ciśnienia krwi. J Clin Med 9. issn: 2077-0383 (druk) 2077-0383 (elektroniczny) 2077-0383 (linkowanie) (mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. i Cambon, L. W jaki sposób mobilne aplikacje zdrowotne wspierają zmiany zachowań? Przegląd zakresu mobilnych aplikacji zdrowotnych związanych z aktywnością fizyczną i zachowaniami żywieniowymi. Zdrowie Publiczne 175, 8-18. issn: 1476-5616 (elektroniczny) 0033-3506 (łączący) (paź. 2019).
5. Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, E. H., Marvel, FA, Martin, S. S., Muse, E. D., Turakhia, MP, Tarakji, K. G. & Elshazly, M. B. Inteligentne urządzenia do noszenia w opiece kardiologicznej: gdzie jesteśmy i jak iść do przodu. Nat Rev Cardiol. issn: 1759-5010 (elektroniczny) 1759-5002 (łączący) (marzec. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. i Murray, E. Jakość publicznie dostępnych aplikacji do aktywności fizycznej: przegląd i analiza treści. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (druk) 2291-5222 (łącze) (mar. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Technologia noszenia i sposoby jej wdrożenia w praktyce klinicznej. Curr Alergia Astma Rep 20, 36. issn: 1534-6315 (elektroniczny) 1529-7322 (linkowanie) (czerwiec 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. Krytyczny przegląd konsumenckich urządzeń do noszenia, aplikacji mobilnych i sprzętu do zapewniania biofeedbacku, monitorowania stresu i snu w populacjach aktywnych fizycznie. Przedni Physiol 9, 743. issn: 1664-042X (druk) 1664-042X (linkowanie) (2018).

9. Bergman, P. Liczba powtarzanych obserwacji potrzebnych do oszacowania zwyczajowej aktywności fizycznej jednostki z zadanym poziomem dokładności. PloS One 13, e0192117. issn: 1932-6203 (elektroniczny) 1932-6203 (linkujący) (2018).

10. Bergman, P. i Hagstromer, M. Żaden protokół gromadzenia danych dotyczących aktywności fizycznej oparty na akcelerometrze nie jest w stanie odpowiedzieć na wszystkie pytania badawcze. Metodologia badań medycznych BMC 20, 141. issn: 1471-2288 (elektroniczny) 1471-2288 (linkowanie) (czerwiec 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. i Lumens, J. ESC, grupa robocza ds. stanowiska w sprawie e-kardiologii: wykorzystanie dostępnej na rynku technologii noszenia na ciele do śledzenia tętna i aktywności w pierwotnej i wtórnej profilaktyce sercowo-naczyniowej – we współpracy z European Heart Stowarzyszenie Rytm, Europejskie Stowarzyszenie Kardiologii Prewencyjnej, Stowarzyszenie Pielęgniarstwa Sercowo-Naczyniowego i Pokrewnych Profesjonalistów, Forum Pacjentów oraz Komisja ds. Zdrowia Cyfrowego. Europejski dziennik serca. Cyfrowe zdrowie 2, 49-59. numer seryjny: 2634-3916

(1 marca 2021). opublikować. 12. Wong, C. K., Mentis, H. M. i Kuber, R. Trochę nie pasuje: ocena komercyjnego urządzenia do śledzenia aktywności przy mniejszych prędkościach chodzenia. Postawa chodu 59, 177-181. issn: 1879-2219 (elektroniczny) 0966-6362 (łącze) (styczeń 2019) 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. i Wareham, N. J. Modelowanie równań rozgałęzionych jednoczesnego akcelerometrii i monitorowania tętna poprawia ocenę bezpośrednio mierzony wydatek energetyczny w ramach aktywności fizycznej. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (druk) 0161-7567 (łącze) (styczeń 2013) 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. i Freedson, P. S. Ramy oceny urządzeń oceniających zachowanie fizyczne. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (elektroniczny) 0091-6331 (łącze) (październik 2013) 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. Zalecenia dotyczące ustalania ważności konsumenckich urządzeń do pomiaru tętna do noszenia: oświadczenie ekspertów i lista kontrolna sieci INTERLIVE. Br J Sport Med. issn: 1473-0480 (elektroniczny) 0306-3674 (łączący) (styczeń 2013) 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M., Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Zmienna dokładność pomiaru tętna do noszenia na ciele Monitory podczas ćwiczeń aerobowych. Medycyna i nauka w sporcie i ćwiczeniach 49, 1697-1703. issn: 1530-0315 (8 sierpnia 2017). pppublikować.

17. Oja, P. i Tuxworth, B. Eurofit dla dorosłych. Ocena sprawności zdrowotnej. Strasburg: Instytut Rady Europy-UKK, Tampere. (1995).

18. Podsiadło, D. i Richardson, S. Czasowe „Up & Go”: test podstawowej mobilności funkcjonalnej dla słabych osób starszych. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (druk) 0002-8614 (łącze) (luty) 1991).

19. Westerterp, K. R. Podwójna ocena zużycia energii przez wodę: zasada, praktyka i obietnica. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (elektroniczny) 1439-6319 (linkowanie) (lipiec 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Pomiar aktywności fizycznej w praktyce klinicznej za pomocą akcelerometrów. J Intern Med 286, 137-153. issn: 1365-2796 (elektroniczny) 0954-6820 (łączący) (sierpień 2013) 2019).

21. Liu, F., Wanigatunga, A. A. i Schrack, J. A. Ocena aktywności fizycznej u dorosłych za pomocą akcelerometrów nadgarstkowych. Epidemiol Rev 43, 65-93. issn: 1478-6729 (elektroniczny) 0193-936X (łączący) (styczeń 2013) 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. i Malisoux, L. Zaawansowane metody analityczne do oceny zachowań związanych z aktywnością fizyczną przy użyciu surowych szeregów czasowych akcelerometru: protokół dla przegląd zakresu. Syst Rev 9, 259. issn: 2046-4053 (elektroniczny) 2046-4053 (łączący) (listopad 2020).

23. Garatachea, N., Torres Luque, G. i Gonzalez Gallego, J. Pomiary aktywności fizycznej i wydatku energetycznego za pomocą akcelerometrów u osób starszych. Nutr Hosp 25, 224-30. issn: 0212-1611 (Druk) 0212-1611 (Łączenie) (kwiecień) 2010).

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

Ważność obiektywnych metod pomiaru siedzącego trybu życia u osób starszych: przegląd systematyczny. Ustawa Int J. Behav Nutr Phys 15, 119. issn: 1479-5868 (elektroniczny) 1479-5868 (łączący) (listopad 2018).

25. Phillips, L. J., Petroski, G. F. i Markis, N. E. Porównanie dokładności akcelerometru u starszych dorosłych. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (elektroniczny) 1938-2464 (linking) (październik 2013) 2015).

26. Sheng, B., Moosman, O. M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R. M. i Zhang, Y. Porównanie różnych algorytmów uczenia maszynowego, typów i rozmieszczenia monitorów aktywności do klasyfikacji aktywności fizycznej. Pomiar 154, 107480 (2020).

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

Walidacja i porównanie akcelerometrów noszonych na biodrach, udach i nadgarstkach do pomiaru aktywności fizycznej i siedzącego trybu życia. AIMS Zdrowie Publiczne 3, 298-312. issn: 2327-8994 (druk) 2327-8994 (linkowanie) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. i Pfeiffer, K. A. Testowanie krzyżowe i poza próbą przewidywań intensywności aktywności fizycznej za pomocą akcelerometru noszonego na nadgarstku. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (elektroniczny) 0161-7567 (linkowanie) (maj 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Algorytmy laboratoryjne i wolnożyjące do szacowania wydatków energetycznych u dzieci w wieku przedszkolnym: ocena swobodnego życia. PloS One 15, e0233229. issn: 1932-6203 (elektroniczny) 1932-6203 (linkujący) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. i Duncan, S. System podwójnego akcelerometru do klasyfikacji aktywności fizycznej u dzieci i dorosłych. Medycyna i nauka w sporcie i ćwiczeniach 50, 2595-2602. issn: 1530-0315 (elektroniczny) 0195-9131 (łączący) (grudzień) 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. i Doherty, A. Statystyczne uczenie maszynowe fenotypów snu i aktywności fizycznej na podstawie danych z czujników u 96 220 uczestników brytyjskiego Biobanku. Sci Rep 8, 7961. issn: 2045-2322 (elektroniczny) 2045-2322 (linkowanie) (maj 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. i Mackay, L. Zastosowanie surowych danych z akcelerometru i technik uczenia maszynowego do scharakteryzowania zachowań ruchowych człowieka: systematyczny przegląd zakresu. Journal of Physical Activity and Health 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. i Moral-Munoz, J. A. Ocena aktywności fizycznej i poziomu sprawności funkcjonalnej za pomocą splotowych sieci neuronowych. Systemy oparte na wiedzy 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. i Jing, Y. Przewidywanie wydatków energetycznych dzieci podczas aktywności fizycznej przy użyciu głębokiego uczenia się i danych z czujników noszenia. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (elektroniczny) 1536-7290 (linkowanie) (czerwiec 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. i van Hees, V. Segmentacja danych akcelerometru z życia codziennego za pomocą uczenia maszynowego bez nadzoru. PloS One 14, e0208692. issn: 1932-6203 (elektroniczny) 1932-6203 (linkujący) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. Wybór funkcji do nienadzorowanego uczenia maszynowego klastrów aktywności fizycznej danych z akcelerometru - przegląd systematyczny . Pozycja chodu 90, 120-128. issn: 1879-2219 (elektroniczny) 0966-6362 (łączący) (październik 2013) 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. i Yom-Tov, E. Zachęcanie do aktywności fizycznej u pacjentów chorych na cukrzycę poprzez automatyczną spersonalizowaną informację zwrotną poprzez uczenie się przez wzmacnianie poprawia kontrolę glikemii . Opieka nad cukrzycą 39, e59-60. issn: 1935-5548 (elektroniczny) 0149-5992 (łączący) (kwiecień) 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. i Nystrom, F. H. Pilotażowe badanie leczenia nadciśnienia tętniczego z wykorzystaniem telemedycyny. Blood Press Monit 25, 18-21. issn: 1473-5725 (elektroniczny) 1359-5237 (łączący) (luty. 2020)