Desenvolvendo algoritmos vestíveis inteligentes (DIWAH)

A nível mundial, a esperança de vida está a aumentar gradualmente, o que conduz a uma mudança demográfica no sentido de uma proporção crescente de pessoas idosas. Por exemplo, na Suécia, o número de indivíduos com mais de 75 anos duplicará durante os próximos 50 anos e a proporção aumentará em mais de 60% (Estatísticas da Suécia, dados disponíveis publicamente). Isto significa que mais pessoas viverão mais e menos pessoas estarão disponíveis para cuidar delas. Um dos nossos principais desafios sociais para enfrentar esta transição demográfica é desenvolver estratégias para manter uma boa saúde e qualidade de vida nessa faixa etária e, quando inevitavelmente adoecem, como devemos tratá-los da melhor maneira possível? Um caminho a seguir é capitalizar as oportunidades que a evolução tecnológica proporcionou. Na verdade, a Suécia adoptou um objectivo muito ambicioso, conforme descrito na Vision2025 (www.ehalsa2025.se): Em 2025, a Suécia será a melhor do mundo na utilização das oportunidades oferecidas pela digitalização e pela eSaúde para facilitar às pessoas a obtenção de saúde e bem-estar bons e iguais, e para desenvolver e reforçar os seus próprios recursos para aumentar a independência e a participação na vida. da sociedade. Porém, a tecnologia digital por si só não é suficiente para atingir tal objetivo, outras estratégias que utilizem a tecnologia para aumentar a saúde dos indivíduos também devem estar presentes. Uma dessas estratégias é manter um nível saudável de atividade física ao longo da vida. A atividade física é um dos poucos comportamentos que um ser humano pode mudar, por si só e com baixo custo, que produz simultaneamente benefícios significativos para a saúde física e mental [1]. Para esse efeito, a capacidade de avaliar o nível de actividade física habitual de uma pessoa, definido como “a média hipotética em torno da qual varia a actividade física desse indivíduo”, tem sido durante muito tempo considerada o Santo Graal entre os investigadores da actividade física. Durante 30 anos, os investigadores utilizaram acelerómetros para quantificar objectivamente a actividade física de vida livre, mas na última década os wearables tornaram-se extremamente populares entre a população em geral (sendo Apple e Fitbit as maiores marcas). Os wearables, aqui definidos como pequenos dispositivos portáteis com sensores incorporados que medem variáveis ​​relacionadas com a saúde, afirmam ser capazes de recolher dados de alta resolução a longo prazo sobre comportamentos relacionados com a saúde, por exemplo, postura corporal, intensidade de AF, sono e muito mais. 2]. Os wearables também podem capturar aspectos importantes relacionados ao sistema cardiometabólico, como frequência cardíaca, pressão arterial [3], bem como apoiar mudanças de comportamento [4]. Assim, podem ser vistos como um “canivete suíço”, pois fornecem uma ampla gama de ferramentas em um único dispositivo. Em teoria, os wearables representam uma enorme promessa de serem usados ​​para criar AF personalizada baseada em evidências na promoção da saúde, prevenção e tratamento de doenças [2, 5-8]. Em comparação com a maioria dos monitores de nível de investigação, os wearables comerciais têm várias vantagens que os tornam atraentes para utilização no sistema de saúde. Eles contêm vários sensores relevantes para a avaliação da AF e dos resultados de saúde relacionados, nomeadamente um acelerômetro para detectar aspectos biomecânicos do movimento e um sensor óptico para detectar a resposta fisiológica ao movimento, por exemplo, frequência cardíaca. Pontos fortes adicionais dos monitores comerciais em comparação com monitores de nível de pesquisa são que eles são projetados para serem usados ​​por um longo período de tempo, o que oferece uma oportunidade ainda melhor para avaliar o nível individual de atividade física, especialmente entre aqueles que são menos ativos [9, 10]. No entanto, durante a última década, houve uma explosão de diferentes wearables e métodos de processamento de dados sem uma estrutura estabelecida para avaliar sua validade ou confiabilidade [11]. Isto tem causado grande confusão causada pelo desenvolvimento de dispositivos não robustos e métodos de avaliação que não refletem como serão usados ​​na prática. Além disso, a divergência nas estimativas resumidas da actividade física dentro e entre diferentes marcas proíbe a oportunidade de reunir dados ou de fazer comparações directas entre diferentes estudos. Outras limitações dos wearables que os tornam inadequados para uso, mesmo entre indivíduos saudáveis, é que eles são projetados principalmente para o mercado de fitness e não para uso no sistema de saúde, não foram avaliados de forma transparente, não avaliam com precisão capturar atividade física entre indivíduos com padrão motor alterado, por exemplo, idosos [12]. Embora o hardware da maioria dos wearables seja semelhante, os algoritmos que traduzem os sinais dos sensores em diferentes resultados interpretáveis ​​(por exemplo, etapas) são frequentemente proprietários e atualizados em intervalos irregulares. Outras limitações importantes incluem a questionável confidencialidade do paciente e a propriedade dos dados. Nem os monitores comerciais nem os de investigação conseguem hoje avaliar a actividade física a nível individual, uma vez que fazem uso limitado da riqueza de dados recolhidos. Se os wearables conseguirem superar estas limitações, serão muito promissores para a expansão do repertório clínico de medidas específicas do paciente e serão considerados uma ferramenta importante para o futuro da saúde de precisão e da medicina personalizada. Considerando a riqueza de novos rastreadores PA vestíveis que entram no mercado sem prova prévia de validade, é fundamental fornecer aos consumidores, pacientes, profissionais de saúde e pesquisadores um dispositivo vestível de código aberto, baseado em evidências, com excelente validade e confiabilidade.

Finalidade e objetivos Neste projeto começaremos a fundir os pontos fortes dos wearables comerciais com os dos monitores de nível de pesquisa e métodos modernos de processamento de dados para superar essas limitações. A combinação de informações da acelerometria (biomecânica) e da frequência cardíaca do sensor óptico (resposta fisiológica) melhora as previsões sobre a intensidade da AF e o gasto energético relacionado à atividade física em nível individual [13]. Além disso, o sensor óptico instalado em um wearable pode estimar a pressão arterial de um indivíduo. Os sinais dos sensores serão analisados ​​usando inteligência artificial e aprendizado de máquina para aproveitar melhor os ricos dados coletados. Normalmente, os resultados de AF e de saúde são medidos em momentos diferentes, mas os wearables podem recolher dados de múltiplas variáveis ​​simultaneamente e em tempo real. Essa habilidade pode fornecer novos detalhes sobre a associação entre o comportamento de atividade física e o estado clínico do indivíduo. Isto ainda não foi estudado, provavelmente devido à complexidade de aquisição e análise destes dados. No entanto, o campo já chegou a um ponto em que existe tecnologia, juntamente com poder de processamento e ferramentas analíticas. Assim, chegou o momento de explorar todas as possibilidades de combinar dados em tempo real sobre o comportamento da atividade física, resultados relacionados com a saúde e inteligência artificial. Para que no futuro os cidadãos possam melhorar e manter a sua saúde através de serviços baseados em dispositivos e tomar decisões informadas com base nos seus dados pessoais de saúde.

O objetivo geral do DIWAH é desenvolver e validar algoritmos baseados em inteligência artificial/aprendizado de máquina para avaliar a atividade física e variáveis ​​relacionadas à saúde em nível individual em tempo real para uso no sistema de saúde usando wearables de código aberto.

Neste projeto daremos os primeiros passos conduzindo um rigoroso desenvolvimento e validação dos algoritmos usando uma estrutura transparente baseada em fases. Mais especificamente, pretendemos desenvolver algoritmos para avaliar:

• Atividade física
• Frequência cardíaca
• Variáveis ​​relacionadas à saúde, por exemplo, pressão arterial e gasto energético. Também tentaremos identificar quais fatores subjacentes melhoram as previsões, como idade, sexo, composição corporal e níveis de condicionamento físico relacionados à saúde.

Descrição do projeto Amostra do estudo Recrutaremos cerca de 50 adultos aparentemente saudáveis ​​(18-65 anos, 50% mulheres) para este projeto. O recrutamento será feito usando um método de amostragem por conveniência. Entraremos em contato com clubes esportivos, locais de trabalho e estudantes da Universidade, juntamente com o boca a boca.

Não há requisitos específicos para serem incluídos no estudo, exceto que os sujeitos devem estar aparentemente saudáveis ​​e ser capazes de correr por pelo menos 30 minutos. Os critérios de exclusão incluem doença cardiovascular conhecida ou uso de medicamentos que influenciam a frequência cardíaca.

Desenho do estudo Dado que o hardware de todos os wearables é semelhante, o foco está no desenvolvimento de algoritmos tão transparentes quanto possível, seguindo a estrutura delineada por Keadle et al. [14] e simultaneamente aderir às recomendações de especialistas da Rede INTERLIVE em relação ao monitoramento de RH [15]. A estrutura Keadle é inspirada no desenvolvimento de medicamentos e sugere cinco fases: Teste de sinal mecânico, Teste de laboratório, Avaliação semiestruturada, Validação naturalística e Adoção. Todas essas fases não serão contempladas no presente projeto. A fase de avaliação semiestruturada é projetada para identificar ativos específicos com base nos sinais dos sensores do wearable, como correr ou aspirar. No entanto, a resposta fisiológica e, portanto, os efeitos da atividade física na saúde seriam semelhantes para diferentes tipos de atividades na mesma intensidade. Por exemplo, o coração realmente não se importa se alguém está correndo ou removendo a neve se estiver trabalhando com a mesma intensidade. Além disso, não acreditamos que seria eticamente motivado testar o dispositivo numa população de pacientes (fase cinco - Adoção) antes de termos a certeza de que o dispositivo fornece dados válidos. Portanto, a fase de avaliação semiestruturada, bem como a fase de adoção serão omitidas no projeto atual.

Fase 1 - Desenvolvimento do Produto Dado que o hardware é semelhante em todos os wearables do mercado, não tem nenhuma importância exatamente qual marca específica de wearable será usada para desenvolver e testar nossos algoritmos. A ideia principal da primeira fase é garantir que o wearable produza dados válidos e que os dados brutos não processados ​​possam ser facilmente acessados. Para tal foram identificados dois wearables de código aberto com hardware que cumpre os requisitos para avaliação da atividade física (acelerómetro), FC (sensor óptico), variáveis ​​relacionadas com a saúde e que também consegue comunicar sem fios com dispositivos externos através de Bluetooth nomeadamente a Pulseira .js 2 (https://www.espruino.com/Bangle.js2) e o Pinetime (https://www.pine64.org/pinetime/). Também criamos aplicativos que armazenarão os dados localmente nos dispositivos e que permitirão a fácil transferência para um dispositivo externo para posterior processamento e análise dos dados coletados na fase 2. Com base no resultado da fase 2, é necessário antes de conduzirmos fase 3 - validação naturalística, para desenvolver métodos de pré-processamento, uma vez que a capacidade de memória dos wearables não permitirá armazenar a grande quantidade de dados brutos que serão recolhidos durante essa fase. Assim, esta fase será uma parte contínua de todo o projeto.

Fase 2 - Desenvolvimento laboratorial O objetivo do estudo da fase 2 é desenvolver e testar algoritmos para estimar a intensidade da atividade física, o custo energético da atividade física e a pressão arterial a partir dos sinais dos wearables sob condições laboratoriais controladas. Além disso, identificaremos potenciais preditores que podem aumentar a precisão das previsões. A ideia é que os dados vestíveis sejam coletados ao mesmo tempo que as medidas de critério, durante um protocolo que vai desde o repouso, passando pela caminhada e corrida em velocidade crescente até a exaustão. Durante o protocolo, eles serão monitorados por meio de calorimetria indireta (Vyntus CPX, Vyaire Medical, Inc., Il, EUA) e um monitor de frequência cardíaca (Polar Electro Oy, Kempele, Finlândia) colocado ao redor do tórax, totalmente comparável a um eletrocardiograma adequado. (r>0,99 [16]), equipado simultaneamente com o wearable, um acelerômetro de nível de pesquisa (Actigraph GT3+, Actigraphcorp, Pensacola, FL, EUA) e um wearable comercial (Fit-Bit Sense, Fitbit International Limited, Dublin, Irlanda). Este procedimento irá capturar um sinal contínuo dos wearables em diversas intensidades de atividade física, desde o repouso até o esforço máximo em nível individual. Isso permitirá modelar esse sinal tanto em nível de grupo quanto individual, e compará-lo com os métodos padrão-ouro de calorimetria indireta e monitoramento de FC. Também coletaremos dados de pressão arterial usando monitores clínicos padrão para comparar um sinal óptico com o de um medidor de pressão arterial.

No âmbito do projeto, iremos também realizar vários testes de aptidão física bem estabelecidos relacionados com a saúde. Para força muscular será utilizado o teste de preensão manual e para flexibilidade o teste de sentar e alcançar [17]. Além disso, será realizado o teste timed up and go (TUG) [18]. Também coletaremos dados básicos, como idade, sexo e composição corporal dos participantes. Esses testes são então usados ​​para explorar a possibilidade de prever o nível de atividade física de um indivíduo. O resultado desta fase é um conjunto de modelos para contar passos e detectar a intensidade da atividade física usando o acelerômetro, o sensor óptico, a combinação dos dois, aumentados com dados de fundo. Esperamos também desenvolver um modelo para avaliar a pressão arterial usando wearables durante o repouso.

Fase 3 – Validação naturalística O objetivo da terceira fase do projeto é conduzir uma validação rigorosa e independente dos algoritmos em condições do mundo real em comparação com medidas padrão ouro. Assim, após o desenvolvimento de algoritmos em ambiente controlado, passaremos a testar o wearable durante a vida livre. Os mesmos 50 participantes (50% mulheres, 18-65 anos) da segunda fase ingerirão uma dose de água duplamente marcada (DLW), que é o padrão ouro para medir o gasto energético durante a vida livre com erros dentro de ±3% do valor verdadeiro medido pelas câmaras respiratórias [19]. Mesmo que o método DLW seja o padrão ouro, ele não é frequentemente usado, pois é um método caro que envolve o enriquecimento da água corporal de um indivíduo com hidrogênio pesado (2H) e oxigênio pesado (18O) e, em seguida, determinar a diferença na cinética de lavagem entre os dois isótopos, o que é função da produção de dióxido de carbono, ou seja, do gasto energético, por meio de equipamentos especializados.

Com base na cinética do DLW, seremos então capazes de modelar os sinais do protótipo vestível para encontrar o melhor ajuste, ou seja, quão bem o protótipo avalia o gasto energético relacionado à atividade física. Espera-se que o resultado desta fase seja um modelo que, com base nas informações fornecidas pelo wearable, avalie o gasto energético durante condições de vida livre. Pretendemos também determinar os níveis de atividade física dos participantes com base nas informações fornecidas durante a fase dois.

Análise de dados e estatísticas Em todas as fases deste projeto, utilizaremos o poder da inteligência artificial, mais especificamente, várias técnicas de aprendizado de máquina para prever diferentes aspectos da atividade física, gasto de energia e pressão arterial em nível individual. O aprendizado de máquina cria automaticamente modelos baseados em conjuntos de dados que têm o potencial de produzir previsões precisas que controlam decisões em tempo real, sem interação humana. O(s) wearable(s) fornece(m) amostragem de dados brutos de alta frequência de acelerometria e sensor óptico. O uso desses dados para aprendizado de máquina oferece boas oportunidades para medir indiretamente a atividade física e aconselhar individualmente níveis saudáveis ​​de atividade física. Vários estudos tentaram obter resultados significativos de atividade física a partir de dados de acelerômetros coletados por meio de acelerômetro de pulso [20-22]. Os estudos baseados em aprendizado de máquina tiveram como objetivo a classificação dos tipos de atividade física, por exemplo, sentado, em pé, caminhada, corrida, etc., ou intensidade de AF, por exemplo, sedentária, leve, moderada, vigorosa. Eles relatam uma precisão de classificação> 80% para o tipo de atividade [23-26] e uma precisão de classificação> 90% para intensidade [27, 28]. A maioria desses estudos usa abordagens de aprendizado de máquina supervisionado com dados rotulados, ou seja, uma verdade básica está disponível, como floresta aleatória [29-31], máquina de vetores de suporte [26], rede neural artificial [32] e modelos de aprendizado profundo [ 33, 34]. Apenas poucos estudos usam modelos de aprendizado de máquina não supervisionados, como modelos ocultos de Semi-Markov [31, 35] e agrupamento k-means [36]. Aqui teremos a oportunidade de criar conjuntos de dados com dados rotulados. No entanto, uma vez que o objetivo geral deste projeto é desenvolver um wearable que possa se adaptar aos usuários individuais do wearable, a abordagem de aprendizagem também deve ser capaz de lidar com dados não rotulados. Para abordar esta questão, usaremos aprendizagem por reforço [37, 38]. Finalmente, também estamos coletando diversas variáveis ​​de background, incluindo testes funcionais, que usaremos para aumentar os modelos. Identificaremos os modelos de melhor desempenho para prever a intensidade, frequência e nível de atividade física a partir do acelerômetro e da frequência cardíaca, e usaremos isso para prever o gasto de energia e a pressão arterial. O melhor desempenho refere-se tanto à precisão quanto à explicabilidade, e esperamos que diferentes abordagens sejam excelentes nesses dois aspectos. Além disso, com base em medições mais precisas da atividade física e na sua previsão precisa usando dados de séries temporais de acelerômetros, reavaliamos o potencial dos testes funcionais como preditores pontuais da atividade física.

Referências

1. Organização Mundial de Saúde. Diretrizes sobre atividade física e comportamento sedentário 2020.
2. Wright, SP, Hall Brown, TS, Collier, SR e Sandberg, K. Como os monitores de atividade física do consumidor podem transformar a pesquisa em fisiologia humana. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (Eletrônico) 0363-6119 (Linking) (Mar. 2017).
3. Hosanee, M., Chan, G., Welykholowa, K., Cooper, R., Kyriacou, PA, Zheng, D., Allen, J., Abbott, D., Menon, C., Lovell, NH, Howard, N., Chan, W. S., Lim, K., Fletcher, R., Ward, R. & Elgendi, M. Fotopletismografia de local único sem manguito para monitoramento da pressão arterial. J Clin Med 9. issn: 2077-0383 (impressão) 2077-0383 (eletrônico) 2077-0383 (vinculação) (mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, AM, Crozet, C., Pommier, J. & Cambon, L. Como os aplicativos móveis de saúde apoiam mudanças de comportamento? Uma revisão do escopo de aplicativos móveis de saúde relacionados à atividade física e comportamentos alimentares. Saúde Pública 175, 8-18. issn: 1476-5616 (Eletrônico) 0033-3506 (Linking) (Out. 2019).
5. Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, EH, Marvel, FA, Martin, SS, Muse, ED, Turakhia, MP, Tarakji, KG e Elshazly, MB Dispositivos vestíveis inteligentes nos cuidados cardiovasculares: onde estamos e como avançar. Nat Rev Cardiol. issn: 1759-5010 (Eletrônico) 1759-5002 (Linking) (Mar. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Qualidade de aplicativos de atividade física disponíveis publicamente: revisão e análise de conteúdo. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (Imprimir) 2291-5222 (Linking) (Mar. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Tecnologia vestível e como isso pode ser implementado na prática clínica. Curr Alergia Asma Rep 20, 36. issn: 1534-6315 (Eletrônico) 1529-7322 (Linking) (junho de 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. Uma revisão crítica de wearables de consumo, aplicativos móveis e equipamentos para fornecer biofeedback, monitorar estresse e sono em populações fisicamente ativas. Front Physiol 9, 743. issn: 1664-042X (impressão) 1664-042X (vinculação) (2018).

9. Bergman, P. O número de observações repetidas necessárias para estimar a atividade física habitual de um indivíduo com um determinado nível de precisão. PloS Um 13, e0192117. issn: 1932-6203 (Eletrônico) 1932-6203 (Linking) (2018).

10. Bergman, P. & Hagstromer, M. Nenhum protocolo de coleta de dados de atividade física baseado em acelerômetro pode atender a todas as questões de pesquisa. Metodologia de pesquisa médica BMC 20, 141. issn: 1471-2288 (Eletrônico) 1471-2288 (Linking) (junho de 2020).

11. Jensen, MT, Treskes, RW, Caiani, EG, Casado-Arroyo, R., Cowie, MR, Dilaveris, P., Duncker, D., Di Rienzo, M., Frederix, I., De Groot, N ., Kolh, PH, Kemps, H., Mamas, M., McGreavy, P., Neubeck, L., Parati, G., Platonov, PG, Schmidt-Trucksäss, A., Schuuring, MJ, Simova, I. , Svennberg, E., Verstrael, A. & Lumens, J. Grupo de trabalho ESC sobre documento de posição de e-cardiologia: uso de tecnologia vestível disponível comercialmente para frequência cardíaca e monitoramento de atividade na prevenção cardiovascular primária e secundária - em colaboração com o European Heart Rhythm Association, Associação Europeia de Cardiologia Preventiva, Associação de Enfermagem Cardiovascular e Profissionais Afins, Fórum de Pacientes e Comitê de Saúde Digital. Revista Europeia do Coração. Saúde digital 2, 49-59. issn: 2634-3916

(1º de março 2021). epublicar. 12. Wong, C. K., Mentis, H. M. & Kuber, R. A broca não cabe: Avaliação de um rastreador de atividade comercial em velocidades de caminhada mais lentas. Postura da Marcha 59, 177-181. issn: 1879-2219 (Eletrônico) 0966-6362 (Linking) (Jan. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Modelagem de equações ramificadas de acelerometria simultânea e monitoramento da frequência cardíaca melhora a estimativa de mediu diretamente o gasto energético da atividade física. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (Imprimir) 0161-7567 (Linking) (Jan. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. Uma estrutura para avaliar dispositivos que avaliam o comportamento físico. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (Eletrônico) 0091-6331 (Linking) (Out. 2019).

15. Muhlen, JM, Stang, J., Lykke Skovgaard, E., Judice, PB, Molina-Garcia, P., Johnston, W., Sardinha, LB, Ortega, FB, Caulfield, B., Bloch, W. , Cheng, S., Ekelund, U., Brond, J. C., Grontved, A. & Schumann, M. Recomendações para determinar a validade de dispositivos vestíveis de frequência cardíaca para o consumidor: declaração de especialistas e lista de verificação da Rede INTERLIVE. Br J Sports Med. issn: 1473-0480 (Eletrônico) 0306-3674 (Linking) (Jan. 2021).

16. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, AM, Houghtaling, P., Javadikasgari, H. & Desai, M. Y. Precisão variável da frequência cardíaca vestível Monitores durante o exercício aeróbico. Medicina e ciência nos esportes e exercícios 49, 1697-1703. issn: 1530-0315 (8 de agosto de 2017). publicar.

17. Oja, P. & Tuxworth, B. Eurofit para adultos. Avaliação da aptidão relacionada à saúde. Estrasburgo: Conselho da Europa-Instituto UKK, Tampere. (1995).

18. Podsiadlo, D. & Richardson, S. O cronometrado "Up & Go": um teste de mobilidade funcional básica para idosos frágeis. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Imprimir) 0002-8614 (Linking) (Fev. 1991).

19. Westerterp, K. R. Avaliação duplamente rotulada do gasto energético com água: princípio, prática e promessa. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (Eletrônico) 1439-6319 (Linking) (julho de 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Medição da atividade física na prática clínica usando acelerômetros. J Interno Med 286, 137-153. issn: 1365-2796 (Eletrônico) 0954-6820 (Linking) (Ago. 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Avaliação da atividade física em adultos usando acelerômetros de pulso. Epidemiol Rev. 43, 65-93. issn: 1478-6729 (Eletrônico) 0193-936X (Linking) (Jan. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Métodos analíticos avançados para avaliar o comportamento da atividade física usando dados brutos de série temporal do acelerômetro: um protocolo para uma revisão de escopo. Sistema Rev 9, 259. issn: 2046-4053 (Eletrônico) 2046-4053 (Linking) (Nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Medições de atividade física e gasto energético usando acelerômetros em adultos mais velhos. Nutr Hosp 25, 224-30. issn: 0212-1611 (Imprimir) 0212-1611 (Linking) (Abr. 2010).

24. Heesch, KC, Hill, RL, Aguilar-Farias, N., van Uffelen, JGZ e Pavey, T.

Validade de métodos objetivos para mensuração do comportamento sedentário em idosos: uma revisão sistemática. Lei Int J Behav Nutr Phys 15, 119. issn: 1479-5868 (Eletrônico) 1479-5868 (Linking) (Nov. 2018).

25. Phillips, L. J., Petroski, G. F. & Markis, N. E. Uma comparação da precisão do acelerômetro em adultos mais velhos. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (Eletrônico) 1938-2464 (Linking) (out. 2015).

26. Sheng, B., Moosman, OM, Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, RM & Zhang, Y. Uma comparação de diferentes algoritmos de aprendizado de máquina, tipos e posicionamentos de monitores de atividade para classificação de atividade física. Medição 154, 107480 (2020).

27. Montoye, AHK, Pivarnik, JM, Mudd, LM, Biswas, S. & Pfeiffer, KA.

Validação e comparação de acelerômetros usados ​​no quadril, coxa e pulsos para medir atividade física e comportamento sedentário. AIMS Saúde Pública 3, 298-312. issn: 2327-8994 (Imprimir) 2327-8994 (Linking) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Validação cruzada e teste fora da amostra de previsões de intensidade de atividade física com um acelerômetro de pulso. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (Eletrônico) 0161-7567 (Linking) (maio de 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Algoritmos de vida livre e baseados em laboratório para estimativa de gasto de energia em crianças pré-escolares: Uma avaliação de vida livre. PloS Um 15, e0233229. issn: 1932-6203 (Eletrônico) 1932-6203 (Linking) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Um sistema de acelerômetro duplo para classificação de atividade física em crianças e adultos. Medicina e Ciência no Esporte e Exercício 50, 2595-2602. issn: 1530-0315 (Eletrônico) 0195-9131 (Linking) (Dez. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Aprendizado de máquina estatística de fenótipos de sono e atividade física a partir de dados de sensores em 96.220 participantes do Biobank do Reino Unido. Representante Científico 8, 7961. issn: 2045-2322 (Eletrônico) 2045-2322 (Linking) (maio de 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Aplicação de dados brutos de acelerômetro e técnicas de aprendizado de máquina para caracterizar o comportamento do movimento humano: Uma revisão sistemática do escopo. Jornal de Atividade Física e Saúde 17, 360-383 (2020).

33. Galán-Mercant, A., Ortiz, A., Herrera-Viedma, E., Tomas, M. T., Fernandes, B. & Moral-Munoz, J. A. Avaliação da atividade física e do nível de aptidão funcional usando redes neurais convolucionais. Sistemas Baseados em Conhecimento 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Predição do gasto de energia das crianças durante a atividade física usando aprendizagem profunda e dados de sensores vestíveis. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (Eletrônico) 1536-7290 (Linking) (junho de 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentação de dados de acelerômetro da vida diária com aprendizado de máquina não supervisionado. PloS Um 14, e0208692. issn: 1932-6203 (Eletrônico) 1932-6203 (Linking) (2019).

36. Jones, PJ, Catt, M., Davies, MJ, Edwardson, CL, Mirkes, EM, Khunti, K., Yates, T. & Rowlands, AV Seleção de recursos para aprendizado de máquina não supervisionado de clusters de atividade física de dados de acelerômetros - Uma revisão sistemática . Postura da marcha 90, 120-128. issn: 1879-2219 (Eletrônico) 0966-6362 (Linking) (Out. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Incentivar a atividade física em pacientes com diabetes por meio de feedback automático personalizado por meio de aprendizado por reforço melhora o controle glicêmico . Cuidados com o Diabetes 39, e59-60. issn: 1935-5548 (Eletrônico) 0149-5992 (Linking) (Abr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nystrom, FH. Um estudo piloto de gerenciamento de hipertensão usando uma abordagem de tratamento por telemedicina. Blood Press Monitor 25, 18-21. issn: 1473-5725 (Eletrônico) 1359-5237 (Linking) (Fev. 2020)