Разработка интеллектуальных алгоритмов носимых устройств (DIWAH)

В глобальном масштабе продолжительность жизни постепенно увеличивается, что приводит к демографическому сдвигу в сторону увеличения доли пожилых людей. Например, в Швеции число людей старше 75 лет удвоится в течение следующих 50 лет, а их доля увеличится более чем на 60% (Статистическое управление Швеции, общедоступные данные). Это означает, что больше людей будут жить дольше, и меньше людей смогут о них заботиться. Одна из наших основных социальных задач, связанных с этим демографическим переходом, заключается в разработке стратегий для поддержания хорошего здоровья и качества жизни в этой возрастной группе, а затем, когда они неизбежно заболеют, как мы должны лечить их наилучшим образом? Один из путей вперед — извлечь выгоду из возможностей, которые предоставила технологическая эволюция. Фактически, Швеция поставила перед собой очень амбициозную цель, изложенную в «Видении 2025» (www.ehalsa2025.se): В 2025 году Швеция будет лучше всех в мире использовать возможности, предлагаемые цифровизацией и электронным здравоохранением, чтобы облегчить людям достижение хорошего и равного здоровья и благосостояния, а также развивать и укреплять свои собственные ресурсы для большей независимости и участия в жизни. общества. Однако одних лишь цифровых технологий недостаточно для достижения этой цели; необходимо также наличие других стратегий, использующих технологии для улучшения здоровья людей. Одной из таких стратегий является поддержание здорового уровня физической активности на протяжении всей жизни. Физическая активность — одно из немногих видов поведения, которое человек может изменить самостоятельно и с небольшими затратами, что одновременно приносит значительную пользу физическому и психическому здоровью [1]. С этой целью способность оценить привычный уровень физической активности человека, определяемый как «гипотетическое среднее значение, вокруг которого варьируется физическая активность этого человека», долгое время считалось Святым Граалем среди исследователей физической активности. В течение 30 лет исследователи использовали акселерометры для объективной количественной оценки физической активности в условиях свободного образа жизни, но за последнее десятилетие носимые устройства стали чрезвычайно популярны среди населения в целом (крупнейшими брендами являются Apple и Fitbit). Носимые устройства, определяемые здесь как небольшие портативные устройства со встроенными датчиками, которые измеряют переменные, связанные со здоровьем, утверждают, что способны собирать долгосрочные данные с высоким разрешением о поведении, связанном со здоровьем, например, о позе тела, интенсивности физической активности, сне и многом другом. 2]. Носимые устройства также могут фиксировать важные аспекты, связанные с кардиометаболической системой, такие как частота сердечных сокращений, артериальное давление [3], а также поддерживать изменение поведения [4]. Таким образом, их можно рассматривать как «швейцарский армейский нож», поскольку они сочетают в себе широкий набор инструментов в одном устройстве. Теоретически носимые устройства обещают быть использованы для создания научно обоснованной персонализированной физической активности в целях укрепления здоровья, профилактики и лечения заболеваний [2, 5-8]. По сравнению с большинством мониторов исследовательского класса коммерческие носимые устройства имеют ряд преимуществ, которые делают их привлекательными для использования в системе здравоохранения. Они содержат множество датчиков, необходимых для оценки ПА и связанных с ней последствий для здоровья, в частности, акселерометр для определения биомеханических аспектов движения и оптический датчик для определения физиологической реакции на движение, например частоты сердечных сокращений. Дополнительными преимуществами коммерческих мониторов по сравнению с мониторами исследовательского класса является то, что они рассчитаны на длительное ношение, что дает еще лучшую возможность оценить индивидуальный уровень физической активности, особенно среди наименее активных людей [9, 10]. Однако за последнее десятилетие произошел взрыв различных носимых устройств и методов обработки данных без установленной структуры для оценки их достоверности или надежности [11]. Это вызвало большую путаницу, вызванную ненадежными методами разработки и оценки устройств, которые не отражают то, как они будут использоваться на практике. Более того, расхождения в сводных оценках физической активности внутри и между разными брендами не позволяют объединить данные или провести прямое сравнение между различными исследованиями. Другие ограничения носимых устройств, которые делают их непригодными для использования даже среди здоровых людей, заключаются в том, что они в первую очередь предназначены для рынка фитнеса, а не для использования в системе здравоохранения, они не были оценены прозрачным образом, они неточно фиксировать физическую активность людей с измененным двигательным паттерном, например пожилых людей [12]. Несмотря на то, что аппаратное обеспечение большинства носимых устройств одинаковое, алгоритмы, которые преобразуют сигналы от датчиков в различные интерпретируемые результаты (например, шаги), часто являются запатентованными и обновляются с нерегулярными интервалами. Другие важные ограничения включают сомнительную конфиденциальность пациентов и право собственности на данные. Ни коммерческие, ни исследовательские мониторы сегодня не могут оценить физическую активность на индивидуальном уровне, поскольку они ограниченно используют огромное количество собранных данных. Если носимые устройства смогут преодолеть эти ограничения, они откроют большие перспективы для расширения клинического репертуара индивидуальных мер для пациентов и будут считаться важным инструментом для будущего точного здравоохранения и персонализированной медицины. Учитывая множество новых портативных PA-трекеров, поступающих на рынок без предварительного подтверждения достоверности, крайне важно предоставить потребителям, пациентам, медицинским работникам и исследователям носимые устройства с открытым исходным кодом, основанные на фактических данных и обладающие превосходной достоверностью и надежностью.

Цель и задачи В этом проекте мы начнем объединять сильные стороны коммерческих носимых устройств с преимуществами мониторов исследовательского уровня и современными методами обработки данных, чтобы преодолеть эти ограничения. Сочетание информации акселерометрии (биомеханика) и частоты сердечных сокращений оптического датчика (физиологическая реакция) улучшает прогнозы относительно интенсивности физической активности и затрат энергии, связанных с физической активностью, на индивидуальном уровне [13]. Кроме того, оптический датчик, встроенный в носимое устройство, может оценивать артериальное давление человека. Сигналы датчиков будут анализироваться с использованием искусственного интеллекта и машинного обучения, чтобы лучше использовать собранные данные. Обычно показатели физической активности и здоровья измеряются в разное время, но носимые устройства могут собирать данные по нескольким переменным одновременно и в режиме реального времени. Эта способность может предоставить новые подробности о связи между поведением при физической активности и клиническим статусом человека. Это пока не изучено, скорее всего, из-за сложности получения и анализа этих данных. Однако сейчас эта область подошла к тому моменту, когда существуют технологии, а также вычислительная мощность и аналитические инструменты. Таким образом, пришло время изучить полную возможность объединения данных в реальном времени о поведении при физической активности, результатах, связанных со здоровьем, и искусственном интеллекте. Чтобы в будущем граждане могли улучшать и поддерживать свое здоровье с помощью услуг на базе устройств и принимать обоснованные решения, основанные на их личных данных о здоровье.

Основной целью DIWAH является разработка и проверка алгоритмов на основе искусственного интеллекта/машинного обучения для оценки физической активности и переменных, связанных со здоровьем, на индивидуальном уровне в режиме реального времени для использования в системе здравоохранения с использованием носимых устройств с открытым исходным кодом.

В этом проекте мы предпримем первые шаги, проведя тщательную разработку и проверку алгоритмов с использованием прозрачной поэтапной структуры. В частности, мы стремимся разработать алгоритмы для оценки:

• Физическая активность
• Частота сердцебиения
• Переменные, связанные со здоровьем, например, артериальное давление и расход энергии. Мы также попытаемся определить, какие основные факторы улучшают прогнозы, такие как возраст, пол, состав тела и уровень физической подготовки, связанный со здоровьем.

Описание проекта Выборка исследования Для участия в этом проекте мы привлечем около 50 практически здоровых взрослых (18-65 лет, 50% женщины). Набор персонала будет осуществляться с использованием удобного метода выборки. Мы будем обращаться к спортивным клубам, рабочим местам и студентам университета, а также распространять информацию из уст в уста.

Для включения в исследование не существует особых требований, за исключением того, что испытуемые должны быть внешне здоровы и иметь возможность бегать трусцой не менее 30 минут. Критерии исключения включают известное сердечно-сосудистое заболевание или прием лекарств, влияющих на частоту сердечных сокращений.

Дизайн исследования Учитывая, что аппаратное обеспечение всех носимых устройств одинаково, основное внимание уделяется разработке максимально прозрачных алгоритмов, следуя схеме, изложенной Кидлом и др. [14] и одновременно придерживаться экспертных рекомендаций сети INTERLIVE Network относительно кадрового мониторинга [15]. Концепция Кидла основана на разработке лекарств и предполагает пять этапов: тестирование механических сигналов, лабораторные испытания, полуструктурированная оценка, натуралистическая проверка и внедрение. Все эти этапы не будут охвачены в настоящем проекте. Этап полуструктурированной оценки предназначен для определения конкретных активных действий на основе сигналов датчиков носимого устройства, таких как бег или уборка пылесосом. Однако физиологическая реакция и, следовательно, влияние физической активности на здоровье будут одинаковыми для разных видов деятельности с одинаковой интенсивностью. Например, сердцу все равно, бежишь ли человек или расчищаешь снег, если оно работает с одинаковой интенсивностью. Кроме того, мы не считаем, что было бы этически мотивировано тестировать устройство на популяции пациентов (пятый этап – внедрение) до тех пор, пока мы не будем уверены, что устройство предоставляет достоверные данные. Таким образом, этап полуструктурированной оценки, а также этап принятия будут опущены в текущем проекте.

Этап 1. Разработка продукта. Учитывая, что аппаратное обеспечение всех носимых устройств на рынке одинаково, не имеет никакого значения, какая именно марка носимых устройств будет использоваться для разработки и тестирования наших алгоритмов. Основная идея первого этапа заключается в том, чтобы убедиться, что носимое устройство выдает достоверные данные и что к необработанным необработанным данным можно легко получить доступ. С этой целью мы определили два носимых устройства с открытым исходным кодом, аппаратное обеспечение которых соответствует требованиям для оценки физической активности (акселерометр), ЧСС (оптический датчик), переменных, связанных со здоровьем, а также может осуществлять беспроводную связь с внешними устройствами с использованием Bluetooth, а именно с браслетом Bangle. .js 2 (https://www.espruino.com/Bangle.js2) и Pinetime (https://www.pine64.org/pinetime/). Мы также создали приложения, которые будут хранить данные локально на устройствах и позволяют легко передавать их на внешнее устройство для дальнейшей обработки и анализа данных, собранных на этапе 2. На основании результатов этапа 2 необходимо, прежде чем мы проведем этап 3 — натуралистическая проверка для разработки методов предварительной обработки, поскольку объем памяти носимых устройств не позволяет хранить огромное количество необработанных данных, которые будут собраны на этом этапе. Таким образом, этот этап будет постоянной частью всего проекта.

Этап 2. Лабораторные разработки. Целью исследования второго этапа является разработка и тестирование алгоритмов для оценки интенсивности физической активности, энергетических затрат физической активности и артериального давления по сигналам носимых устройств в контролируемых лабораторных условиях. Кроме того, мы собираемся определить потенциальные предикторы, которые могут повысить точность прогнозов. Идея состоит в том, что носимые данные собираются одновременно с критериальными показателями, в течение протокола от отдыха до ходьбы и бега с возрастающей скоростью до утомления. Во время протокола их будут контролировать с помощью непрямой калориметрии (Vyntus CPX, Vyaire Medical, Inc., Иллинойс, США) и монитора сердечного ритма (Polar Electro Oy, Кемпеле, Финляндия), установленного на груди, что полностью сравнимо с правильной электрокардиограммой. (r>0,99 [16]), одновременно оснащенный носимым устройством, акселерометром исследовательского уровня (Actigraph GT3+, Actigraphcorp, Пенсакола, Флорида, США) и коммерческим носимым устройством (Fit-Bit Sense, Fitbit International Limited, Дублин, Ирландия). Эта процедура будет захватывать непрерывный сигнал от носимых устройств при различной интенсивности физической активности, от отдыха до максимальных усилий на индивидуальном уровне. Это позволит смоделировать этот сигнал как на групповом, так и на индивидуальном уровне и сравнить его с методами золотого стандарта непрямой калориметрии и мониторинга ЧСС. Мы также будем собирать данные артериального давления с помощью стандартных клинических мониторов для сравнения оптического сигнала с сигналом измерителя артериального давления.

В рамках проекта мы также собираемся провести несколько хорошо зарекомендовавших себя фитнес-тестов, связанных со здоровьем. Для проверки мышечной силы будет использоваться тест на хват руки, а для проверки гибкости — тест сидения и вытягивания рук [17]. Кроме того, будет проведен тест на время старта и старта (TUG) [18]. Мы также соберем исходные данные, такие как возраст, пол и состав тела участников. Эти тесты затем используются для изучения возможности прогнозирования уровня физической активности человека. Результатом этого этапа является набор моделей для подсчета шагов и определения интенсивности физической активности с использованием акселерометра, оптического датчика (комбинации этих двух), дополненных фоновыми данными. Мы также планируем разработать модель для оценки артериального давления с помощью носимых устройств во время отдыха.

Этап 3 – Натуралистическая проверка. Целью третьего этапа проекта является проведение тщательной независимой проверки алгоритмов в реальных условиях по сравнению с мерами золотого стандарта. Таким образом, после разработки алгоритмов в контролируемой среде мы перейдем к тестированию носимых устройств в условиях свободной жизни. Те же 50 участников (50% женщин, 18-65 лет) второго этапа примут дозу дважды меченной воды (DLW), которая является золотым стандартом для измерения расхода энергии во время свободной жизни с погрешностью в пределах ±3% от истинное значение, измеренное дыхательными камерами [19]. Даже если метод DLW является золотым стандартом, его используют нечасто, поскольку это дорогостоящий метод, включающий обогащение воды организма человека тяжелым водородом (2H) и тяжелым кислородом (18O), а затем определение разницы в кинетике вымывания. между обоими изотопами, что является функцией производства углекислого газа, т. е. затрат энергии с использованием специального оборудования.

Основываясь на кинетике DLW, мы сможем затем смоделировать сигналы от носимого прототипа, чтобы найти наилучшее соответствие, то есть то, насколько хорошо прототип оценивает расход энергии, связанный с физической активностью. Ожидается, что результатом этого этапа станет модель, которая на основе информации, предоставляемой носимым устройством, оценивает расход энергии в условиях свободной жизни. Мы также стремимся определить уровни физической активности участников на основе информации, предоставленной на втором этапе.

Анализ данных и статистика На всех этапах этого проекта мы будем использовать возможности искусственного интеллекта, а точнее, различные методы машинного обучения, чтобы прогнозировать различные аспекты физической активности, расхода энергии и артериального давления на индивидуальном уровне. Машинное обучение автоматически создает модели на основе наборов данных, которые могут давать точные прогнозы, которые позволяют контролировать решения в режиме реального времени без участия человека. Носимые устройства обеспечивают высокочастотную выборку необработанных данных как с акселерометрии, так и с оптического датчика. Использование этих данных для машинного обучения дает хорошие возможности косвенно измерять физическую активность и индивидуально рекомендовать здоровый уровень физической активности. В нескольких исследованиях пытались получить значимые результаты физической активности на основе данных акселерометра, собранных с помощью наручного акселерометра [20-22]. Исследования, основанные на машинном обучении, направлены на классификацию типов физической активности, например, сидение, стояние, ходьба, бег и т. д., или интенсивности ФА, например, сидячий, легкий, умеренный, энергичный. Они сообщают о точности классификации >80% по типу активности [23-26] и точности классификации >90% по интенсивности [27, 28]. В большинстве этих исследований используются подходы контролируемого машинного обучения с размеченными данными, то есть доступны основные истины, такие как случайный лес [29-31], машина опорных векторов [26], искусственная нейронная сеть [32] и модели глубокого обучения [32]. 33, 34]. Лишь в немногих исследованиях используются модели машинного обучения без учителя, такие как скрытые полумарковские модели [31, 35] и кластеризация k-средних [36]. Здесь у нас будет возможность создавать наборы данных с помеченными данными. Однако, поскольку основной целью этого проекта является разработка носимого устройства, которое может адаптироваться к индивидуальным пользователям носимого устройства, подход к обучению также должен быть в состоянии обрабатывать немаркированные данные. Чтобы подойти к этой проблеме, мы будем использовать обучение с подкреплением [37, 38]. Наконец, мы также собираем несколько фоновых переменных, включая функциональные тесты, которые мы будем использовать для расширения моделей. Мы определим наиболее эффективные модели для прогнозирования интенсивности, частоты и уровня физической активности на основе акселерометра и частоты сердечных сокращений и будем использовать их для прогнозирования затрат энергии и артериального давления. Наилучшие результаты относятся как к точности, так и к объяснимости, и мы ожидаем, что разные подходы преуспеют в этих двух аспектах. Более того, основываясь на более точных измерениях физической активности и их точном прогнозировании с использованием данных временных рядов акселерометров, мы переоцениваем потенциал функциональных тестов как средства прогнозирования физической активности на определенный момент времени.

Рекомендации

1. Всемирная организация здравоохранения. Рекомендации по физической активности и малоподвижному поведению 2020.
2. Райт С.П., Холл Браун Т.С., Коллиер С.Р. и Сэндберг К. Как мониторы физической активности потребителей могут изменить исследования физиологии человека. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. ISSN: 1522-1490 (электронный) 0363-6119 (связь) (март. 2017).
3. Хосани М., Чан Г., Велихолова К., Купер Р., Кириаку П.А., Чжэн Д., Аллен Дж., Эбботт Д., Менон К., Ловелл Н.Х., Ховард, Н., Чан, В.С., Лим, К., Флетчер, Р., Уорд, Р. и Эльгенди, М. Одноместная фотоплетизмография без манжеты для мониторинга артериального давления. J Clin Med 9. issn: 2077-0383 (печать) 2077-0383 (электронный) 2077-0383 (связь) (март. 2020).
4. Ароматарио О., Ван Хой А., Вуйемен А., Фуко А.М., Крозе К., Помье Дж. и Камбон Л. Как мобильные приложения для здравоохранения способствуют изменению поведения? Обзорный обзор мобильных приложений для здоровья, касающихся физической активности и пищевого поведения. Общественное здравоохранение 175, 8–18. ISSN: 1476-5616 (электронный) 0033-3506 (связь) (октябрь). 2019).
5. Байюми К., Габер М., Эльшафи А., Мхаймид О., Дайнин Э.Х., Марвел Ф.А., Мартин С.С., Муза Э.Д., Турахия М.П., ​​Таракджи К.Г. и Эльшазли М.Б. Умные носимые устройства в области сердечно-сосудистой помощи: где мы находимся и как двигаться вперед. Нат преподобный Кардиол. issn: 1759-5010 (электронный) 1759-5002 (связь) (март. 2021). 6. Бондаронек П., Алхальди Г., Сли А., Гамильтон Ф.Л. и Мюррей Э. Качество общедоступных приложений для физической активности: обзор и анализ контента. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (печать) 2291-5222 (ссылка) (март. 2018).

7. Грейве Дж. и Ниенхейс С.М. Носимые технологии и как их можно внедрить в клиническую практику. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (электронный) 1529-7322 (связь) (июнь 2020 г.).

8. Пик Дж. М., Керр Г. и Салливан Дж. П. Критический обзор потребительских носимых устройств, мобильных приложений и оборудования для обеспечения биологической обратной связи, мониторинга стресса и сна у физически активного населения. Фронт Физиол 9, 743. issn: 1664-042X (Печать) 1664-042X (Связь) (2018).

9. Бергман П. Количество повторных наблюдений, необходимых для оценки привычной физической активности человека с заданным уровнем точности. PloS One 13, e0192117. issn: 1932-6203 (Электронный) 1932-6203 (Связь) (2018).

10. Бергман П. и Хагстромер М. Ни один протокол сбора данных о физической активности на основе акселерометра не может ответить на все вопросы исследования. Методика медицинских исследований BMC 20, 141. issn: 1471-2288 (электронный) 1471-2288 (связь) (июнь 2020 г.).

11. Дженсен М.Т., Трескес Р.В., Кайани Э.Г., Касадо-Арройо Р., Коуи М.Р., Дилаверис П., Данкер Д., Ди Риенцо М., Фредерикс И., Де Гроот Н. ., Колх, П.Х., Кемпс, Х., Мамас, М., МакГриви, П., Нойбек, Л., Парати, Г., Платонов, П.Г., Шмидт-Тракссэсс, А., Шууринг, М.Дж., Симова, И. , Свеннберг Э., Верстраэль А. и Люменс Дж. Рабочая группа ESC по позиционному документу в области электронной кардиологии: использование коммерчески доступных носимых технологий для отслеживания сердечного ритма и активности в первичной и вторичной профилактике сердечно-сосудистых заболеваний - в сотрудничестве с Европейской кардиологической организацией Ассоциация ритма, Европейская ассоциация профилактической кардиологии, Ассоциация медсестер по сердечно-сосудистым заболеваниям и смежных специальностей, Форум пациентов и Комитет цифрового здравоохранения. Европейский кардиологический журнал. Цифровое здравоохранение 2, 49-59. номер: 2634-3916

(1 марта. 2021). опубликовать. 12. Вонг, К.К., Ментис, Х.М. и Кубер, Р. Бита не подходит: оценка коммерческого трекера активности на более медленных скоростях ходьбы. Походка, осанка 59, 177–181. ISSN: 1879-2219 (электронный) 0966-6362 (связь) (январь. 2018).

13. Браге С., Браге Н., Фрэнкс П.В., Экелунд У., Вонг М.Ю., Андерсен Л.Б., Фроберг К. и Уэрхэм Н.Дж. Моделирование разветвленными уравнениями одновременной акселерометрии и мониторинга сердечного ритма улучшает оценку прямое измерение расхода энергии при физической активности. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (печать) 0161-7567 (связь) (январь. 2004).

14. Кидл С.К., Лайден К.А., Страт С.Дж., Стауденмайер Дж.В. и Фридсон П.С. Схема оценки устройств, оценивающих физическое поведение. Exerc Sport Sci Rev 47, 206–214. ISSN: 1538-3008 (электронный) 0091-6331 (связь) (октябрь). 2019).

15. Мулен Дж. М., Стэнг Дж., Ликке Сковгаард Э., Джудис П. Б., Молина-Гарсия П., Джонстон В., Сардинья Л. Б., Ортега Ф. Б., Колфилд Б., Блох В. , Ченг С., Экелунд У., Бронд Дж. К., Гронтвед А. и Шуман М. Рекомендации по определению достоверности потребительских носимых устройств для измерения сердечного ритма: экспертное заключение и контрольный список сети INTERLIVE. Br J Sports Med. ISSN: 1473-0480 (электронный) 0306-3674 (связь) (январь. 2021).

16. Гиллинов С., Этиви М., Ван Р., Блэкберн Г., Фелан Д., Гиллинов А.М., Хоуталинг П., Джавадикасгари Х. и Десаи М.Ю. Переменная точность измерения частоты пульса при помощи носимых устройств. Мониторы во время аэробных упражнений. Медицина и наука в спорте и упражнениях 49, 1697–1703. ISSN: 1530-0315 (8 августа 2017 г.). опубликовать.

17. Оджа П. и Таксворт Б. Еврофит для взрослых. Оценка физической подготовленности. Страсбург: Институт Совета Европы-UKK, Тампере. (1995).

18. Подсиадло Д. и Ричардсон С. «Up & Go» на время: тест базовой функциональной подвижности для ослабленных пожилых людей. J Am Geriatr Soc 39, 142–8. issn: 0002-8614 (печать) 0002-8614 (ссылка) (февраль. 1991).

19. Вестертерп, К.Р. Двойная оценка затрат энергии на воду: принцип, практика и перспективы. Eur J Appl Physiol 117, 1277–1285. issn: 1439-6327 (электронный) 1439-6319 (связь) (июль 2017 г.).

20. Арвидссон Д., Фридольфссон Дж. и Борджессон М. Измерение физической активности в клинической практике с использованием акселерометров. J Intern Med 286, 137–153. ISSN: 1365-2796 (электронный) 0954-6820 (связь) (август. 2019).

21. Лю Ф., Ванигатунга А.А. и Шрак Дж.А. Оценка физической активности у взрослых с использованием наручных акселерометров. Эпидемиол Ред. 43, 65-93. ISSN: 1478-6729 (электронный) 0193-936X (связь) (январь. 2022).

22. Растоги Т., Бакес А., Шмитц С., Фагерацци Г., ван Хис В. и Малису Л. Передовые аналитические методы оценки поведения при физической активности с использованием необработанных данных временных рядов акселерометра: протокол для обзорный обзор. Сист Ред. 9, 259. issn: 2046-4053 (электронный) 2046-4053 (связь) (ноябрь). 2020).

23. Гаратачеа Н., Торрес Луке Г. и Гонсалес Гальего Дж. Измерение физической активности и расхода энергии с использованием акселерометров у пожилых людей. Нутр Хосп 25, 224-30. issn: 0212-1611 (печать) 0212-1611 (связь) (апрель. 2010).

24. Хиш, К.К., Хилл, Р.Л., Агилар-Фариас, Н., ван Уффелен, Дж.Г.З. и Пейви, Т.

Валидность объективных методов измерения малоподвижного поведения у пожилых людей: систематический обзор. Int J Behav Nutr Phys Act 15, 119. ISSN: 1479-5868 (электронный) 1479-5868 (связь) (ноябрь). 2018).

25. Филлипс Л.Дж., Петроски Г.Ф. и Маркис Н.Е. Сравнение точности акселерометра у пожилых людей. Рес Геронтол Нурс 8, 213-9. issn: 1938-2464 (электронный) 1938-2464 (связь) (октябрь). 2015).

26. Шэн Б., Мусман О.М., Дель Посо-Круз Б., Дель Посо-Круз Дж., Альфонсо-Роза Р.М. и Чжан Ю. Сравнение различных алгоритмов машинного обучения, типов и мест размещения мониторов активности для классификации физической активности. Размер 154, 107480 (2020).

27. Монтой, А.Х.К., Пиварник, Дж.М., Мадд, Л.М., Бисвас, С. и Пфайффер, К.А.

Валидация и сравнение акселерометров, которые носят на бедре, бедре и запястьях для измерения физической активности и малоподвижного образа жизни. AIMS Общественное здравоохранение 3, 298-312. issn: 2327-8994 (Печать) 2327-8994 (Связь) (2016).

28. Монтой, А.Х.К., Вестгейт, Б.С., Фонли, М.Р. и Пфайффер, К.А. Перекрестная проверка и вневыборочное тестирование прогнозов интенсивности физической активности с помощью наручного акселерометра. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (электронный) 0161-7567 (связь) (май 2018 г.).

29. Ахмади М.Н., Чоудхури А., Пейви Т. и Трост С.Г. Лабораторные и свободноживущие алгоритмы оценки энергозатрат у детей дошкольного возраста: оценка свободноживущих детей. ПлоС Один 15, e0233229. issn: 1932-6203 (Электронный) 1932-6203 (Связь) (2020).

30. Стюарт Т., Нарайанан А., Хедаятрад Л., Невилл Дж., Маккей Л. и Дункан С. Система двойного акселерометра для классификации физической активности у детей и взрослых. Медицина и наука в спорте и физических упражнениях 50, 2595–2602. ISSN: 1530-0315 (электронный) 0195-9131 (связь) (декабрь). 2018).

31. Уиллеттс М., Холлоуэлл С., Аслетт Л., Холмс К. и Доэрти А. Статистическое машинное обучение фенотипов сна и физической активности на основе данных датчиков у 96 220 участников Биобанка Великобритании. Научный выпуск 8, 7961. issn: 2045-2322 (электронный) 2045-2322 (связь) (май 2018 г.).

32. Нарайанан А., Десаи Ф., Стюарт Т., Дункан С. и Маккей Л. Применение необработанных данных акселерометра и методов машинного обучения для характеристики двигательного поведения человека: систематический обзор. Журнал физической активности и здоровья 17, 360–383 (2020).

33. Галан-Меркант А., Ортис А., Эррера-Вьедма Э., Томас М.Т., Фернандес Б. и Мораль-Муньос Х.А. Оценка физической активности и уровня функциональной подготовленности с использованием сверточных нейронных сетей. Системы, основанные на знаниях 185 (2019).

34. Хамид А., Дункан М.Дж., Эйр Э.Л.Дж. и Цзин Ю. Прогнозирование расхода энергии детьми во время физической активности с использованием глубокого обучения и данных носимых датчиков. Eur J Sport Sci 21, 918-926. ISSN: 1536-7290 (электронный) 1536-7290 (связь) (июнь 2021 г.).

Ван Куппевельт Д., Хейвуд Дж., Хамер М., Сабиа С., Фицсаймонс Э. и ван Хис В. Сегментация данных акселерометра из повседневной жизни с помощью машинного обучения без учителя. PloS One 14, e0208692. issn: 1932-6203 (Электронный) 1932-6203 (Связь) (2019).

36. Джонс, П.Дж., Кэтт, М., Дэвис, М.Дж., Эдвардсон, К.Л., Миркес, Э.М., Хунти, К., Йейтс, Т. и Роулендс, А.В. Выбор функций для машинного обучения без учителя кластеров физической активности данных акселерометра - систематический обзор . Походка, осанка 90, 120-128. ISSN: 1879-2219 (электронный) 0966-6362 (связь) (октябрь). 2021).

37. Хохберг И., Ферару Г., Коздоба М., Маннор С., Тенненхольц М. и Йом-Тов Е. Поощрение физической активности у пациентов с диабетом посредством автоматической персонализированной обратной связи посредством обучения с подкреплением улучшает гликемический контроль. . Уход при диабете 39, e59-60. ISSN: 1935-5548 (электронный) 0149-5992 (связь) (апрель. 2016).

38. Вейкман М., Карлссон М., Дарвич Г. и Нистром Ф.Х. Пилотное исследование лечения гипертонии с использованием телемедицинского подхода. Кровяная пресса Монит 25, 18-21. ISSN: 1473-5725 (электронный) 1359-5237 (связь) (февраль. 2020)