Predicting doubly labeled water energy expenditure from ambulatory activity
Notice bibliographique
Résumé
The purpose of this study was to evaluate the potential for using accelerometer-determined ambulatory activity indicators (steps per day and cadence) to predict total energy expenditure (TEE) and physical activity energy expenditure (PAEE) derived from doubly labeled water (DLW). Twenty men and 34 women (20-36 years of age) provided complete anthropometric, accelerometer, resting metabolic rate (RMR), and DLW data. TEE and PAEE were determined for the same week that accelerometers were worn during waking hours. Accelerometer data included mean steps per day, peak 30-min cadence (average steps per minute for the highest 30 min of the day), and time spent in each incremental cadence band: 0 (nonmovement), 1-19 (incidental movement), 20-39 (sporadic movement), 40-59 (purposeful steps), 60-79 (slow walking), 80-99 (medium walking), 100-119 (brisk walking), and 120+ steps·min(-1) (indicative of all faster ambulatory activities). Regression analyses were employed to develop sex-specific equations for predicting TEE and PAEE. The final model predicting TEE included body weight, steps per day, and time in incremental cadence bands and explained 79% (men) and 65% (women) of the variability. The final model predicting PAEE included peak 30-min cadence, steps per day, and time in cadence bands and explained 76% (men) and 46% (women) of the variability. Time in cadence bands alone explained 39%-73% of the variability in TEE and 30%-63% of the variability in PAEE. Prediction models were stronger for men than for women.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».