Utveckla intelligenta bärbara algoritmer (DIWAH)

Globalt ökar livslängden successivt, vilket leder till en demografisk förskjutning mot en ökande andel äldre. Till exempel i Sverige kommer antalet individer över 75 år att fördubblas under de kommande 50 åren och andelen kommer att öka med över 60 % (Statistiska centralbyrån, offentligt tillgänglig data). Det betyder att fler kommer att leva längre och färre människor kommer att finnas tillgängliga för att ta hand om dem. En av våra stora samhälleliga utmaningar för att möta denna demografiska omställning är att utveckla strategier för att upprätthålla god hälsa och livskvalitet i den åldersgruppen och sedan när de oundvikligen blir sjuka, hur ska vi behandla dem på bästa möjliga sätt? En väg framåt är att dra nytta av de möjligheter som den tekniska utvecklingen har gett. Faktum är att Sverige har antagit ett mycket ambitiöst mål som beskrivs i Vision2025 (www.ehalsa2025.se): År 2025 ska Sverige vara bäst i världen på att använda de möjligheter som digitaliseringen och eHälsa erbjuder för att göra det lättare för människor att uppnå god och jämlik hälsa och välfärd samt att utveckla och stärka sina egna resurser för ökad självständighet och delaktighet i livet. av samhället. Digital teknik ensam är dock inte tillräcklig för att nå ett sådant mål, andra strategier som använder tekniken för att öka hälsan hos individer måste också finnas. En sådan strategi är att upprätthålla en hälsosam nivå av fysisk aktivitet genom livet. Fysisk aktivitet är ett av få beteenden som en människa kan förändra, på egen hand och till en låg kostnad, som samtidigt ger betydande fysiska och mentala hälsofördelar [1]. För det ändamålet har förmågan att bedöma en persons vanliga fysiska aktivitetsnivå, definierad som "det hypotetiska genomsnittet kring vilket individens fysiska aktivitet varierar" under lång tid ansetts vara den heliga gralen bland forskare om fysisk aktivitet. I 30 år har forskare använt accelerometrar för att objektivt kvantifiera fri levande fysisk aktivitet, men under det senaste decenniet har bärbara enheter blivit enormt populära bland den allmänna befolkningen (Apple och Fitbit är de största varumärkena). Wearables, här definierade som små bärbara enheter med inbyggda sensorer som mäter hälsorelaterade variabler, hävdar att de kan samla in långsiktiga högupplösta data om hälsorelaterat beteende, t.ex. kroppshållning, PA-intensitet, sömn och mycket mer [ 2]. Wearables kan också fånga viktiga aspekter relaterade till det kardiometabola systemet såsom hjärtfrekvens, blodtryck [3], samt stödja beteendeförändring [4]. Således kan de ses som en "schweizerkniv", eftersom de tillhandahåller ett brett utbud av verktyg i en enhet. I teorin har wearables ett enormt löfte att användas för att skapa evidensbaserad personlig PA i hälsofrämjande, sjukdomsförebyggande och sjukdomsbehandling [2, 5-8]. Jämfört med de flesta monitorer av forskningskvalitet har de kommersiella bärbara kläderna flera fördelar som gör dem attraktiva för användning i sjukvården. De innehåller flera sensorer av relevans för bedömning av PA och relaterade hälsoresultat, särskilt en accelerometer för att upptäcka biomekaniska aspekter av rörelse och en optisk sensor för att detektera det fysiologiska svaret på rörelse, t.ex. hjärtfrekvens. Ytterligare styrkor hos de kommersiella monitorerna jämfört med monitorer av forskningskvalitet är att de är designade för att bäras under lång tid vilket ger ännu bättre möjlighet att bedöma den individuella fysiska aktivitetsnivån, särskilt bland de minst aktiva [9, 10]. Men under det senaste decenniet har det skett en explosion av olika wearables och databehandlingsmetoder utan ett etablerat ramverk för att utvärdera deras giltighet eller tillförlitlighet [11]. Detta har orsakat stor förvirring driven av icke-robust enhetsutveckling och utvärderingsmetoder som inte återspeglar hur de kommer att användas i praktiken. Dessutom förbjuder skillnaderna i sammanfattande uppskattningar av fysisk aktivitet inom och mellan olika varumärken en möjlighet att slå samman data eller att göra direkta jämförelser mellan olika studier. Andra begränsningar som wearables har som gör dem olämpliga att använda, även bland friska individer är att de i första hand är designade för fitnessmarknaden och inte för användning inom hälso- och sjukvården, de har inte utvärderats på ett transparent sätt, de gör det inte korrekt. fånga fysisk aktivitet bland individer med förändrat motoriskt mönster, t.ex. äldre [12]. Även om hårdvaran i de flesta bärbara enheter liknar varandra, är algoritmerna som översätter signalerna från sensorerna till olika tolkningsbara utfall (t.ex. steg) ofta proprietära och uppdateras med oregelbundna intervall. Andra viktiga begränsningar inkluderar tveksam patientsekretess och dataägande. Varken de kommersiella övervakarna eller övervakarna av forskningsgrad kan idag bedöma fysisk aktivitet på individnivå eftersom de i begränsad utsträckning använder den mängd data som samlas in. Om wearables kan övervinna dessa begränsningar lovar de mycket att utöka den kliniska repertoaren av patientspecifika åtgärder, och de anses vara ett viktigt verktyg för framtiden för precisionshälsa och personlig medicin. Med tanke på rikedomen av nya bärbara PA-trackers som kommer in på marknaden utan föregående bevis på giltighet är det grundläggande att förse konsumenter, patienter, vårdpersonal och forskare med en öppen källkod, evidensbaserad bärbar med utmärkt validitet och tillförlitlighet.

Syfte och mål I detta projekt kommer vi att börja slå samman styrkorna hos de kommersiella bärbara produkterna med de hos monitorer av forskningskvalitet och moderna databehandlingsmetoder för att övervinna dessa begränsningar. Kombinationen av information från accelerometri (biomekanik) och hjärtfrekvens från den optiska sensorn (fysiologisk respons) förbättrar förutsägelserna om PA-intensitet och fysisk aktivitetsrelaterad energiförbrukning på individnivå [13]. Dessutom kan den optiska sensorn som är monterad i en bärbar enhet uppskatta blodtrycket hos en individ. Signalerna från sensorerna kommer att analyseras med hjälp av artificiell intelligens och maskininlärning för att dra bättre nytta av den rika data som samlas in. Normalt mäts PA och hälsoresultat vid olika tidpunkter, men bärbara enheter kan samla in data från flera variabler samtidigt och i realtid. Denna förmåga kan ge nya detaljer om sambandet mellan det fysiska aktivitetsbeteendet och individens kliniska status. Detta har ännu inte studerats, troligen på grund av komplexiteten i att inhämta och analysera dessa data. Men området har nu flyttat till en punkt där tekniken tillsammans med processorkraft och analytiska verktyg finns. Det är alltså dags att utforska den fulla möjligheten att kombinera realtidsdata om fysiskt aktivitetsbeteende, hälsorelaterade resultat och artificiell intelligens. Så att medborgare i framtiden kan förbättra och behålla sin hälsa genom enhetsbaserade tjänster och att fatta välgrundade beslut som baseras på deras personliga hälsodata.

Det övergripande syftet med DIWAH är att utveckla och validera artificiell intelligens/maskininlärningsbaserade algoritmer för att bedöma fysisk aktivitet och hälsorelaterade variabler på individnivå i realtid för användning inom hälso- och sjukvården med hjälp av bärbara enheter med öppen källkod.

I detta projekt kommer vi att ta de första stegen genom att genomföra en rigorös utveckling och validering av algoritmerna med hjälp av ett transparent fasbaserat ramverk. Mer specifikt syftar vi till att utveckla algoritmer för att bedöma:

• Fysisk aktivitet
• Hjärtfrekvens
• Hälsorelaterade variabler, t.ex. blodtryck och energiförbrukning. Vi kommer också att försöka identifiera vilka underliggande faktorer som förbättrar förutsägelserna, såsom ålder och kön, kroppssammansättning och hälsorelaterade konditionsnivåer.

Projektbeskrivning Studieprov Vi kommer att rekrytera ett 50-tal till synes friska vuxna (18-65 år, 50 % kvinnor) till detta projekt. Rekrytering kommer att göras med hjälp av en bekvämlighetssamplingsmetod. Vi kommer att nå ut till idrottsklubbar, arbetsplatser och studenter vid universitetet tillsammans med mun till mun.

Det finns inga särskilda krav för att ingå i studien förutom att försökspersonerna ska vara till synes friska och kunna jogga i minst 30 minuter. Uteslutningskriterier inkluderar känd hjärt-kärlsjukdom eller att vara på ett läkemedel som påverkar hjärtfrekvensen.

Studiedesign Med tanke på att hårdvaran i alla bärbara enheter liknar varandra ligger fokus på att utveckla så transparenta algoritmer som möjligt genom att följa ramverket som skisseras av Keadle et al. [14] och samtidigt följa expertrekommendationerna från INTERLIVE Network angående HR-övervakning [15]. Keadle-ramverket är inspirerat av läkemedelsutveckling och föreslår fem faser: mekanisk signaltestning, laboratorietestning, semistrukturerad utvärdering, naturalistisk validering och adoption. Alla dessa faser kommer inte att täckas in i detta projekt. Den semistrukturerade utvärderingsfasen är utformad för att identifiera specifika aktiva ämnen baserat på signalerna från sensorerna i den bärbara enheten, såsom löpning eller dammsugning. Det fysiologiska svaret och därmed hälsoeffekterna av fysisk aktivitet skulle dock vara liknande för olika typer av aktiviteter med samma intensitet. Hjärtat bryr sig till exempel inte riktigt om man springer eller skottar snö om det arbetar med samma intensitet. Dessutom tror vi inte att det skulle vara etiskt motiverat att testa enheten i en patientpopulation (fas fem - Adoption) innan vi är säkra på att enheten ger giltiga data. Därför kommer den semistrukturerade utvärderingsfasen såväl som adoptionsfasen att utelämnas i det aktuella projektet.

Fas 1 - Produktutveckling Med tanke på att hårdvaran är likartad i alla bärbara enheter på marknaden, är det inte av någon betydelse exakt vilket märke av bärbart som kommer att användas för att utveckla och testa våra algoritmer. Huvudtanken med den första fasen är att se till att den bärbara produkten producerar giltig data och att den obearbetade obearbetade datan lätt kan nås. För detta ändamål har vi identifierat två bärbara enheter med öppen källkod med hårdvara som uppfyller kraven för bedömning av fysisk aktivitet (accelerometer), HR (optisk sensor), hälsorelaterade variabler och som även kan kommunicera trådlöst med externa enheter via Bluetooth, nämligen armbandet .js 2 (https://www.espruino.com/Bangle.js2) och Pinetime (https://www.pine64.org/pinetime/). Vi har även skapat appar som kommer att lagra data lokalt vid enheterna och som möjliggör enkel överföring till en extern enhet för vidare bearbetning och analys av data som samlats in i fas 2. Baserat på utfallet från fas 2 är det nödvändigt innan vi genomför Fas 3 - naturalistisk validering, för att utveckla förbearbetningsmetoder, eftersom minneskapaciteten för bärbara enheter inte tillåter lagring av den stora mängden rådata som kommer att samlas in under den fasen. Således kommer denna fas att vara en pågående del av hela projektet.

Fas 2 - Laboratorieutveckling Målet med fas 2-studien är att utveckla och testa algoritmer för att uppskatta intensiteten av fysisk aktivitet, energikostnad för fysisk aktivitet och blodtryck från signalerna från bärbara enheter under kontrollerade laboratorieförhållanden. Dessutom kommer vi att identifiera potentiella prediktorer som kan öka precisionen i prognoserna. Tanken är att bärbar data samlas in samtidigt som kriterieåtgärder, under ett protokoll från vila via gång och löpning i ökande hastighet till utmattning. Under protokollet kommer de att övervakas med indirekt kalorimetri (Vyntus CPX, Vyaire Medical, Inc., Il, USA) och en pulsmätare (Polar Electro Oy, Kempele, Finland) monterad runt bröstet, vilket är fullt jämförbart med ett korrekt elektrokardiogram (r>0,99 [16]), samtidigt utrustad med den bärbara enheten, en accelerometer av forskningsgrad (Actigraph GT3+, Actigraphcorp, Pensacola, FL, USA) och en kommersiell bärbar (Fit-Bit Sense, Fitbit International Limited, Dublin, Irland). Denna procedur kommer att fånga en kontinuerlig signal från wearables vid olika fysiska aktivitetsintensiteter, från vila till maximal ansträngning på individuell nivå. Detta kommer att göra det möjligt att modellera den signalen på grupp- såväl som på individuell nivå, och att jämföra med de gyllene standardmetoderna för indirekt kalorimetri och HR-övervakning. Vi kommer också att samla in blodtrycksdata med hjälp av vanliga kliniska monitorer för att jämföra en optisk signal med en blodtrycksmätare.

Inom ramen för projektet kommer vi även att utföra flera väletablerade hälsorelaterade konditionstester. För muskelstyrka kommer handgreppstestet att användas och för flexibilitet testet sitta och nå [17]. Dessutom kommer det tidsinställda testet (TUG) att genomföras [18]. Vi kommer också att samla in bakgrundsdata som ålder, kön och kroppssammansättning på deltagarna. Dessa tester används sedan för att utforska möjligheten att förutsäga en individs nivå av fysisk aktivitet. Resultatet av denna fas är en uppsättning modeller för att räkna steg och för att detektera intensiteten av fysisk aktivitet med hjälp av accelerometern, den optiska sensorn, kombinationen av de två, utökad med bakgrundsdata. Vi förväntar oss också att utveckla en modell för att bedöma blodtrycket med hjälp av wearables under vila.

Fas 3 - Naturalistisk validering Målet med den tredje fasen av projektet är att genomföra en rigorös, oberoende validering av algoritmerna i verkliga förhållanden jämfört med guldstandardmått. Så efter utvecklingen av algoritmer i en kontrollerad miljö kommer vi att gå vidare med att testa det bärbara under fritt liv. Samma 50 deltagare (50 % kvinnor, 18-65 år) från den andra fasen kommer att få i sig en dos dubbelmärkt vatten (DLW), vilket är den gyllene standarden för att mäta energiförbrukningen under fritt liv med fel inom ±3 % från verkligt värde mätt av andningskammare [19]. Även om DLW-metoden är den gyllene standarden, används den inte ofta eftersom det är en dyr metod som involverar att berika kroppsvattnet hos ett försöksperson med tungt väte (2H) och tungt syre (18O), och sedan bestämma skillnaden i tvättkinetik mellan båda isotoperna, vilket är en funktion av koldioxidproduktionen, det vill säga energiförbrukningen, med hjälp av specialiserad utrustning.

Baserat på DLW-kinetiken kommer vi sedan att kunna modellera signalerna från den bärbara prototypen för att hitta den bästa passformen, det vill säga hur väl prototypen bedömer fysisk aktivitetsrelaterad energiförbrukning. Resultatet av denna fas förväntas bli en modell som, baserat på informationen från den bärbara enheten, bedömer energiförbrukningen under fria levnadsförhållanden. Vi strävar också efter att bestämma deltagarnas fysiska aktivitetsnivåer baserat på den information som lämnats under fas två.

Dataanalys och statistik I alla faser av detta projekt kommer vi att använda kraften i artificiell intelligens, mer specifikt olika maskininlärningstekniker för att förutsäga olika aspekter av fysisk aktivitet, energiförbrukning och blodtryck på individnivå. Maskininlärning skapar automatiskt modeller baserade på datamängder som har potential att producera korrekta förutsägelser som styr beslut i realtid utan mänsklig interaktion. De bärbara enheterna ger högfrekvent rådatasampling från både accelerometri och optisk sensor. Att använda dessa data för maskininlärning ger goda möjligheter att indirekt mäta fysisk aktivitet och individuellt ge råd om hälsosamma nivåer av fysisk aktivitet. Flera studier har försökt härleda meningsfulla fysiska aktivitetsresultat från accelerometerdata som samlats in via handledsburen accelerometer [20-22]. Studierna baserade på maskininlärning syftade till klassificering av fysiska aktivitetstyper, t.ex. sittande, stående, gå, löpning, etc., eller PA-intensitet, t.ex. stillasittande, lätt, måttlig, kraftig. De rapporterar en klassificeringsnoggrannhet >80 % för aktivitetstyp [23-26] och en klassificeringsnoggrannhet >90 % för intensitet [27, 28]. De flesta av dessa studier använder övervakade tillvägagångssätt för maskininlärning med märkta data, det vill säga en grundsanning är tillgänglig, såsom slumpmässig skog [29-31], stödvektormaskin [26], artificiella neurala nätverk [32] och modeller för djupinlärning [ 33, 34]. Endast ett fåtal studier använder oövervakade maskininlärningsmodeller, såsom dolda Semi-Markov-modeller [31, 35] och k-betyder klustring [36]. Här kommer vi att ha möjlighet att skapa dataset med märkta data. Men eftersom det övergripande målet med detta projekt är att utveckla en bärbar enhet som kan anpassas till individuella användare av den bärbara, måste inlärningsmetoden också kunna hantera omärkt data. För att närma oss denna fråga kommer vi att använda förstärkningsinlärning [37, 38]. Slutligen samlar vi också in flera bakgrundsvariabler, inklusive funktionstester, som vi kommer att använda för att utöka modellerna. Vi kommer att identifiera de bäst presterande modellerna för att förutsäga den fysiska aktivitetens intensitet, frekvens och nivå från accelerometer och hjärtfrekvens, och använda det för att förutsäga energiförbrukning och blodtryck. Bäst presterande hänvisar till både noggrannhet och förklarabarhet, och vi förväntar oss att olika tillvägagångssätt ska utmärka sig i dessa två aspekter. Dessutom, baserat på mer exakta mätningar av fysisk aktivitet och deras exakta förutsägelse med hjälp av tidsseriedata från accelerometrar, omvärderar vi potentialen för funktionella tester som en punkt-i-tid-prediktor för fysisk aktivitet.

Referenser

1. Världshälsoorganisationen. Riktlinjer för fysisk aktivitet och stillasittande beteende 2020.
2. Wright, S. P., Hall Brown, T. S., Collier, S. R. & Sandberg, K. Hur konsumenternas fysiska aktivitetsmonitorer skulle kunna förändra mänsklig fysiologisk forskning. Am J Physiol Regul Integr Comp Physiol 312, R358-R367. issn: 1522-1490 (Elektronisk) 0363-6119 (Länkning) (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. Manschettlös Single-Site Photoplethysmography för blodtrycksövervakning. J Clin Med 9. issn: 2077-0383 (Tryck) 2077-0383 (Elektronisk) 2077-0383 (Länkning) (Mar. 2020).
4. Aromatario, O., Van Hoye, A., Vuillemin, A., Foucaut, A. M., Crozet, C., Pommier, J. & Cambon, L. Hur stödjer mobila hälsoapplikationer beteendeförändringar? En omfattningsgranskning av mobila hälsoapplikationer relaterade till fysisk aktivitet och ätbeteenden. Folkhälsa 175, 8-18. issn: 1476-5616 (Elektronisk) 0033-3506 (Länkning) (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. Smarta bärbara enheter inom hjärt- och kärlvården: var vi är och hur vi går vidare. Nat Rev Cardiol. issn: 1759-5010 (Elektronisk) 1759-5002 (Länkning) (Mar. 2021). 6. Bondaronek, P., Alkhaldi, G., Slee, A., Hamilton, F. L. & Murray, E. Quality of Publicly Available Physical Activity Apps: Review and Content Analysis. JMIR Mhealth Uhealth 6, e53. issn: 2291-5222 (Skriv ut) 2291-5222 (Länkning) (mars. 2018).

7. Greiwe, J. & Nyenhuis, S. M. Bärbar teknologi och hur detta kan implementeras i klinisk praktik. Curr Allergy Asthma Rep 20, 36. issn: 1534-6315 (Elektronisk) 1529-7322 (Länkning) (juni 2020).

8. Peake, J. M., Kerr, G. & Sullivan, J. P. En kritisk granskning av kläder för konsumenter, mobila applikationer och utrustning för att ge biofeedback, övervaka stress och sömn i fysiskt aktiva populationer. Front Physiol 9, 743. issn: 1664-042X (Skriv ut) 1664-042X (Länkning) (2018).

9. Bergman, P. Antalet upprepade observationer som behövs för att uppskatta en individs vanemässiga fysiska aktivitet till en given precisionsnivå. PloS One 13, e0192117. issn: 1932-6203 (Elektronisk) 1932-6203 (Länkning) (2018).

10. Bergman, P. & Hagstromer, M. Inget accelerometerbaserat datainsamlingsprotokoll för fysisk aktivitet kan passa alla forskningsfrågor. BMC Medical Research Methodology 20, 141. issn: 1471-2288 (Elektronisk) 1471-2288 (Länkning) (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-arbetsgruppen för e-kardiologipositionspapper: användning av kommersiellt tillgänglig bärbar teknologi för hjärtfrekvens- och aktivitetsspårning i primär och sekundär kardiovaskulär prevention – i samarbete med European Heart Rhythm Association, European Association of Preventive Cardiology, Association of Cardiovascular Nursing and Allied Professionals, Patient Forum och Digital Health Committee. European Heart Journal. Digital hälsa 2, 49-59. issn: 2634-3916

(1 Mar. 2021). epublicera. 12. Wong, C. K., Mentis, H. M. & Kuber, R. Biten passar inte: Utvärdering av en kommersiell aktivitetsspårare vid lägre gånghastigheter. Gait Posture 59, 177-181. issn: 1879-2219 (Elektronisk) 0966-6362 (Länkning) (jan. 2018).

13. Brage, S., Brage, N., Franks, P. W., Ekelund, U., Wong, M. Y., Andersen, L. B., Froberg, K. & Wareham, N. J. Förgrenad ekvationsmodellering av simultan accelerometri och hjärtfrekvensövervakning förbättrar uppskattning av direkt uppmätt fysisk aktivitetsenergiförbrukning. J Appl Physiol (1985) 96, 343-51. issn: 8750-7587 (Print) 0161-7567 (Länkning) (jan. 2004).

14. Keadle, S. K., Lyden, K. A., Strath, S. J., Staudenmayer, J. W. & Freedson, P. S. Ett ramverk för att utvärdera enheter som bedömer fysiskt beteende. Exerc Sport Sci Rev 47, 206-214. issn: 1538-3008 (Elektronisk) 0091-6331 (Länkning) (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. Rekommendationer för att fastställa giltigheten av bärbara pulsapparater för konsumenter: expertutlåtande och checklista för INTERLIVE Network. Br J Sports Med. issn: 1473-0480 (Elektronisk) 0306-3674 (Länkning) (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 Övervakar under aerob träning. Medicin och vetenskap i idrott och motion 49, 1697-1703. issn: 1530-0315 (8 augusti 2017). ppublicera.

17. Oja, P. & Tuxworth, B. Eurofit för vuxna. Bedömning av hälsorelaterad kondition. Strasbourg: Europarådet-UKK Institute, Tammerfors. (1995).

18. Podsiadlo, D. & Richardson, S. The timed "Up & Go": ett test av grundläggande funktionell rörlighet för svaga äldre personer. J Am Geriatr Soc 39, 142-8. issn: 0002-8614 (Skriv ut) 0002-8614 (Länkning) (feb. 1991).

19. Westerterp, K. R. Dubbelmärkt vattenbedömning av energiutgifter: princip, praxis och löfte. Eur J Appl Physiol 117, 1277-1285. issn: 1439-6327 (Elektronisk) 1439-6319 (Länkning) (juli 2017).

20. Arvidsson, D., Fridolfsson, J. & Borjesson, M. Mätning av fysisk aktivitet i klinisk praktik med accelerometrar. J Intern Med 286, 137-153. issn: 1365-2796 (Elektronisk) 0954-6820 (Länkning) (Aug. 2019).

21. Liu, F., Wanigatunga, A. A. & Schrack, J. A. Bedömning av fysisk aktivitet hos vuxna som använder handledsaccelerometrar. Epidemiol Rev 43, 65-93. issn: 1478-6729 (Elektronisk) 0193-936X (Länkning) (jan. 2022).

22. Rastogi, T., Backes, A., Schmitz, S., Fagherazzi, G., van Hees, V. & Malisoux, L. Avancerade analytiska metoder för att bedöma fysisk aktivitetsbeteende med hjälp av accelerometerns råa tidsseriedata: ett protokoll för en omfattningsgranskning. Syst Rev 9, 259. issn: 2046-4053 (Elektronisk) 2046-4053 (Länkning) (nov. 2020).

23. Garatachea, N., Torres Luque, G. & Gonzalez Gallego, J. Fysisk aktivitet och energiförbrukning mätningar med accelerometrar hos äldre vuxna. Nutr Hosp 25, 224-30. issn: 0212-1611 (Skriv ut) 0212-1611 (Länkning) (apr. 2010).

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

Validiteten av objektiva metoder för att mäta stillasittande beteende hos äldre vuxna: en systematisk översikt. Int J Behav Nutr Phys Act 15, 119. issn: 1479-5868 (Elektronisk) 1479-5868 (Länkning) (nov. 2018).

25. Phillips, L. J., Petroski, G. F. & Markis, N. E. A Comparison of Accelerometer Precision in Older Adults. Res Gerontol Nurs 8, 213-9. issn: 1938-2464 (Elektronisk) 1938-2464 (Länkning) (okt. 2015).

26. Sheng, B., Moosman, O.M., Del Pozo-Cruz, B., Del Pozo-Cruz, J., Alfonso-Rosa, R.M. & Zhang, Y. En jämförelse av olika maskininlärningsalgoritmer, typer och placeringar av aktivitetsmonitorer för klassificering av fysisk aktivitet. Mått 154, 107480 (2020).

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

Validering och jämförelse av accelerometrar som bärs på höften, låret och handlederna för att mäta fysisk aktivitet och stillasittande beteende. AIMS Public Health 3, 298-312. issn: 2327-8994 (Print) 2327-8994 (Länkning) (2016).

28. Montoye, A. H. K., Westgate, B. S., Fonley, M. R. & Pfeiffer, K. A. Korsvalidering och testning utanför provet av förutsägelser om fysisk aktivitetsintensitet med en handledsburen accelerometer. J Appl Physiol (1985) 124, 1284-1293. issn: 1522-1601 (Elektronisk) 0161-7567 (Länkning) (maj 2018).

29. Ahmadi, M. N., Chowdhury, A., Pavey, T. & Trost, S. G. Laboratoriebaserade och frilevande algoritmer för uppskattning av energiutgifter hos förskolebarn: En frilevande utvärdering. PloS One 15, e0233229. issn: 1932-6203 (Elektronisk) 1932-6203 (Länkning) (2020).

30. Stewart, T., Narayanan, A., Hedayatrad, L., Neville, J., Mackay, L. & Duncan, S. Ett dubbelaccelerometersystem för klassificering av fysisk aktivitet hos barn och vuxna. Medicine and Science in Sports and Exercise 50, 2595-2602. issn: 1530-0315 (Elektronisk) 0195-9131 (Länkning) (Dec. 2018).

31. Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistisk maskininlärning av sömn- och fysisk aktivitetsfenotyper från sensordata i 96 220 brittiska biobanksdeltagare. Sci Rep 8, 7961. issn: 2045-2322 (Elektronisk) 2045-2322 (Länkning) (maj 2018).

32. Narayanan, A., Desai, F., Stewart, T., Duncan, S. & Mackay, L. Tillämpning av rå accelerometerdata och maskininlärningstekniker för att karakterisera mänskligt rörelsebeteende: 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. Bedömning av fysisk aktivitet och funktionell konditionsnivå med hjälp av konvolutionella neurala nätverk. Kunskapsbaserade system 185 (2019).

34. Hamid, A., Duncan, M. J., Eyre, E. L. J. & Jing, Y. Att förutsäga barns energiförbrukning under fysisk aktivitet med hjälp av djupinlärning och bärbara sensordata. Eur J Sport Sci 21, 918-926. issn: 1536-7290 (Elektronisk) 1536-7290 (Länkning) (juni 2021).

Van Kuppevelt, D., Heywood, J., Hamer, M., Sabia, S., Fitzsimons, E. & van Hees, V. Segmentera accelerometerdata från det dagliga livet med oövervakad maskininlärning. PloS One 14, e0208692. issn: 1932-6203 (Elektronisk) 1932-6203 (Länkning) (2019).

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. Funktionsval för oövervakad maskininlärning av accelerometerdata fysisk aktivitetskluster - En systematisk översikt . Gångställning 90, 120-128. issn: 1879-2219 (Elektronisk) 0966-6362 (Länkning) (okt. 2021).

37. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M. & Yom-Tov, E. Uppmuntra fysisk aktivitet hos patienter med diabetes genom automatisk personlig feedback via förstärkningsinlärning förbättrar glykemisk kontroll . Diabetesvård 39, e59-60. issn: 1935-5548 (Elektronisk) 0149-5992 (Länkning) (apr. 2016).

38. Wijkman, M., Carlsson, M., Darwiche, G. & Nyström, F. H. En pilotstudie av hypertonihantering med hjälp av en telemedicinsk behandlingsmetod. Blodpress Monit 25, 18-21. issn: 1473-5725 (Elektronisk) 1359-5237 (Länkning) (feb. 2020)