A Pilot Study Validating Select Research-Grade and Consumer-Based Wearables Throughout a Range of Dynamic Exercise Intensities in Persons With and Without Type 1 Diabetes: A Novel Approach
Notice bibliographique
Résumé
Background: The increasing popularity of wearable technology necessitates the evaluation of their accuracy to differentiate physical activity (PA) intensities. These devices may play an integral role in customizing PA interventions for primary prevention and secondary management of chronic diseases. For example, in persons with type 1 diabetes (T1D), PA greatly affects glucose concentrations depending on the intensity, mode (ie, aerobic, anaerobic, mixed), and duration. This variability in glucose responses underscores the importance of implementing dependable wearable technology in emerging avenues such as artificial pancreas systems. Methods: Participants completed three 40-minute, dynamic non-steady-state exercise sessions, while outfitted with multiple research (Fitmate, Metria, Bioharness) and consumer (Garmin, Fitbit) grade wearables. The data were extracted according to the devices’ maximum sensitivity (eg, breath by breath, beat to beat, or minute time stamps) and averaged into minute-by-minute data. The variables of interest, heart rate (HR), breathing frequency, and energy expenditure (EE), were compared to validated criterion measures. Results: Compared to deriving EE by laboratory indirect calorimetry standard, the Metria activity patch overestimates EE during light-to-moderate PA intensities (L-MI) and moderate-to-vigorous PA intensities (M-VI) (mean ± SD) (0.28 ± 1.62 kilocalories· minute -1 , P < .001, 0.64 ± 1.65 kilocalories· minute -1 , P < .001, respectively). The Metria underestimates EE during vigorous-to-maximal PA intensity (V-MI) (–1.78 ± 2.77 kilocalories · minute -1 , P < .001). Similarly, compared to Polar HR monitor, the Bioharness underestimates HR at L-MI (–1 ± 8 bpm, P < .001) and M-VI (5 ± 11 bpm, P < .001), respectively. A significant difference in EE was observed for the Garmin device, compared to the Fitmate ( P < .001) during continuous L-MI activity. Conclusions: Overall, our study demonstrates that current research-grade wearable technologies operate within a ~10% error for both HR and EE during a wide range of dynamic exercise intensities. This level of accuracy for emerging research-grade instruments is considered both clinically and practically acceptable for research-based or consumer use. In conclusion, research-grade wearable technology that uses EE kilocalories · minute -1 and HR reliably differentiates PA intensities.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».