Fully automated waist-worn accelerometer algorithm for detecting children’s sleep-period time separate from 24-h physical activity or sedentary behaviors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Analysis of 24-h waist-worn accelerometer data for physical activity and sedentary behavior requires that sleep-period time (from sleep onset to the end of sleep, including all sleep epochs and wakefulness after onset) is first identified. To identify sleep-period time in children in this study, we evaluated the validity of a published automated algorithm that requires nonaccelerometer bed- and wake-time inputs, relative to a criterion expert visual analysis of minute-by-minute waist-worn accelerometer data, and validated a refined fully automated algorithm. Thirty grade 4 schoolchildren (50% girls) provided 24-h waist-worn accelerometry data. Expert visual inspection (criterion), a published algorithm (Algorithm 1), and 2 additional automated refinements (Algorithm 2, which draws on the instrument's inclinometer function, and Algorithm 3, which focuses on bedtime and wake time points) were applied to a standardized 24-h time block. Paired t tests were used to evaluate differences in mean sleep time (expert criterion minus algorithm estimate). Compared with the criterion, Algorithm 1 and Algorithm 2 significantly overestimated sleep time by 43 min and 90 min, respectively. Algorithm 3 produced the smallest mean difference (2 min), and was not significantly different from the criterion. Relative to expert visual inspection, our automated Algorithm 3 produced an estimate that was precise and within expected values for similarly aged children. This fully automated algorithm for 24-h waist-worn accelerometer data will facilitate the separation of sleep time from sedentary behavior and physical activity of all intensities during the remainder of the day.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle