MétaCan
Menu
Retour à la cohorte
Enregistrement W2020961339 · doi:10.1139/apnm-2012-0321

Validity of the SC-StepMX pedometer during treadmill walking and running

2012· article· en· W2020961339 sur OpenAlexaffvenue
Rachel C. Colley, Joel D. Barnes, Allana G. LeBlanc, Michael M. Borghese, Charles P. Boyer, Mark S. Tremblay

Notice bibliographique

RevueApplied Physiology Nutrition and Metabolism · 2012
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensChildren's Hospital of Eastern Ontario
Organismes subventionnairesnon disponible
Mots-clésPedometerTreadmillConfidence intervalWaistPhysical therapyAccelerometerPhysical activityMathematicsLimits of agreementMedicinePhysical medicine and rehabilitationStatisticsComputer scienceBody mass indexNuclear medicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to examine the validity of the SC-StepMX pedometer for measuring step counts. A convenience sample of 40 participants wore 4 SC-StepMX pedometers, 2 Yamax DigiWalker pedometers, and 2 Actical accelerometers around their waist on a treadmill at 4 speeds based on each participant's self-paced walking speed (50%, 100%, 180%, and 250%; range: 1.4-14.1 km·h(-1)). The SC-StepMX demonstrated lower mean absolute percent error (-0.2%) compared with the Yamax DigiWalker (-20.5%) and the Actical (-26.1%). Mean measurement bias was lower for the SC-StepMX (0.1 ± 9.1; 95% confidence interval = -17.8 to 18.0 steps·min(-1)) when compared with both the Yamax DigiWalker (-15.9 ± 23.3; 95% confidence interval = -61.6 to 29.7 steps·min(-1)) and the Actical (-22.0 ± 36.3; 95% CI = -93.1 to 49.1 steps·min(-1)). This study demonstrates that the SC-StepMX pedometer is a valid tool for the measurement of step counts. The SC-StepMX accurately measures step counts at slower walking speeds when compared with 2 other commercially available activity monitors. This makes the SC-StepMX useful in measuring step counts in populations that are active at lower intensities (e.g., sedentary individuals, the elderly).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,033
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,289
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied Physiology Nutrition and MetabolismMême sujetPhysical Activity and HealthTravaux en français237 207