How Well iPhones Measure Steps in Free-Living Conditions: Cross-Sectional Validation Study
Notice bibliographique
Résumé
BACKGROUND: Smartphones have great potential for monitoring physical activity. Although a previous laboratory-based study reported that smartphone apps were accurate for tracking step counts, little evidence on their accuracy in free-living conditions currently exists. OBJECTIVE: We aimed to investigate the accuracy of step counts measured using iPhone in the real world. METHODS: We recruited a convenience sample of 54 adults (mean age 31 [SD 10] years) who owned an iPhone and analyzed data collected in 2016 and 2017. Step count was simultaneously measured using a validated pedometer (Kenz Lifecorder) and the iPhone. Participants were asked to carry and use their own iPhones as they typically would while wearing a pedometer on the waist for 7 consecutive days during waking hours. To assess the agreement between the two measurements, we calculated Spearman correlation coefficients and prepared a Bland-Altman plot. RESULTS: The mean step count measured using the iPhone was 9253 (3787) steps per day, significantly lower by 12% (1277/10,530) than that measured using the pedometer, 10,530 (3490) steps per day (P<.001). The Spearman correlation coefficient between devices was 0.78 (P<.001). The largest underestimation of steps by the iPhone was observed among those who reported to have seldom carried their iPhones (seldom carry: mean -3036, SD 2990, steps/day; sometimes carry: mean -1424, SD 2619, steps/day; and almost always carry: mean -929, SD 1443, steps/day; P for linear trend=.08). CONCLUSIONS: Smartphones may be of practical use to individuals, clinicians, and researchers for monitoring physical activity. However, their data on step counts should be interpreted cautiously because of the possibility of underestimation due to noncarrying time.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».