The Influence of Epoch Length on Physical Activity Patterns Varies by Child's Activity Level
Notice bibliographique
Résumé
PURPOSE: Patterns of physical activity (PA) and sedentary time, including volume of bouted activity, are important health indicators. However, the effect of accelerometer epoch length on measurement of these patterns and associations with health outcomes in children remain unknown. METHOD: We measured activity patterns in 308 children (52% girls, age range = 8-11 years) using ActiGraph GT1M accelerometers with 15-s epochs and reintegrated to 60-s epochs. We calculated the volume (minutes per day) of moderate-to-vigorous PA (MVPA), sedentary time, light, moderate, and vigorous PA, as well as bouted MVPA and sedentary time (0-5 min, 5-10 min, 10-20 min, and > 20 min). RESULTS: The difference between 15-s and 60-s epochs was statistically significant for all outcomes; however, effect sizes were small or negligible in 30% of comparisons. Bias ranged from 1.9 min/day (total MVPA) to 102.7 min/day (0-5 min sedentary bouts). Regression-based estimates of bias and 95% limits of agreement illustrated that the magnitude, and in some cases, the direction, of between-epoch differences varied with activity level. Correlations with body mass index and cardiovascular fitness were similar for 15-s (r = -.19 to .20) and 60-s (r = -.16 to .29) epochs. Estimated 15-s data (predicted from 60-s) were similar to measured data and had similar relationships with health outcomes. CONCLUSION: Epoch length influences measurement of PA and sedentary patterns and the effect is modified by activity level. However, associations with health outcomes were similar and epoch differences can be adjusted. Future research should clarify the accuracy of different epoch lengths for measuring bouted activity and evaluate whether epoch length alters relationships with additional health outcomes.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».