Can an automated sleep detection algorithm for waist-worn accelerometry replace sleep logs?
Notice bibliographique
Résumé
The purpose of this study was to test whether estimates of bedtime, wake time, and sleep period time (SPT) were comparable between an automated algorithm (ALG) applied to waist-worn accelerometry data and a sleep log (LOG) in an adult sample. A total of 104 participants were asked to log evening bedtime and morning wake time and wear an ActiGraph wGT3X-BT accelerometer at their waist for 24 h/day for 7 consecutive days. Mean difference and mean absolute difference (MAD) were computed. Pearson correlations and dependent-sample t tests were used to compare LOG-based and ALG-based sleep variables. Effect sizes were calculated for variables with significant mean differences. A total of 84 participants provided 2+ days of valid accelerometer and LOG data for a total of 368 days. There was no mean difference (p = 0.47) between LOG 472 ± 59 min and ALG SPT 475 ± 66 min (MAD = 31 ± 23 min, r = 0.81). There was no significant mean difference between bedtime (2348 h and 2353 h for LOG and ALG, respectively; p = 0.14, MAD = 25 ± 21 min, r = 0.92). However, there was a significant mean difference between LOG (0741 h) and ALG (0749 h) wake times (p = 0.01, d = 0.11, MAD = 24 ± 21 min, r = 0.92). The LOG and ALG data were highly correlated and relatively small differences were present. The significant mean difference in wake time might not be practically meaningful (Cohen's d = 0.11), making the ALG useful for sample estimates. MAD, which gives a better estimate of the expected differences at the individual level, also demonstrated good evidence supporting ALG individual estimates.
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 | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 ».