MétaCan
Menu
Retour à la cohorte
Enregistrement W2944902714 · doi:10.2196/13327

Estimating Maximal Oxygen Uptake From Daily Activity Data Measured by a Watch-Type Fitness Tracker: Cross-Sectional Study

2019· article· en· W2944902714 sur OpenAlexvenueno aff
Soon Bin Kwon, Joong Woo Ahn, Seung Min Lee, Joonnyong Lee, Dongheon Lee, Jee-Young Hong, Hee Chan Kim, Hyung‐Jin Yoon

Notice bibliographique

RevueJMIR mhealth and uhealth · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiovascular and exercise physiology
Établissements canadiensnon disponible
Organismes subventionnairesSamsungMinistry of Science, ICT and Future PlanningNational Research Foundation
Mots-clésCardiorespiratory fitnessVO2 maxCross-sectional studyPhysical fitnessPhysical activityPhysical therapyMedicinePhysical medicine and rehabilitationHeart rateInternal medicineBlood pressure

Résumé

récupéré en direct d'OpenAlex

Background: Cardiorespiratory fitness (CRF), an important index of physical fitness, is the ability to inhale and provide oxygen to the exercising muscle. However, despite its importance, the current gold standard for measuring CRF is impractical, requiring maximal exercise from the participants. Objective: This study aimed to develop a convenient and practical estimation model for CRF using data collected from daily life with a wristwatch-type device. Methods: A total of 191 subjects, aged 20 to 65 years, participated in this study. Maximal oxygen uptake (VO2 max), a standard measure of CRF, was measured with a maximal exercise test. Heart rate (HR) and physical activity data were collected using a commercial wristwatch-type fitness tracker (Fitbit; Fitbit Charge; Fitbit) for 3 consecutive days. Maximal activity energy expenditure (aEEmax) and slope between HR and physical activity were calculated using a linear regression. A VO2 max estimation model was built using multiple linear regression with data on age, sex, height, percent body fat, aEEmax, and the slope. The result was validated with 2 different cross-validation methods. Results: aEEmax showed a moderate correlation with VO2 max (r=0.50). The correlation coefficient for the multiple linear regression model was 0.81, and the SE of estimate (SEE) was 3.518 mL/kg/min. The regression model was cross-validated through the predicted residual error sum of square (PRESS). The PRESS correlation coefficient was 0.79, and the PRESS SEE was 3.667 mL/kg/min. The model was further validated by dividing it into different subgroups and calculating the constant error (CE) where a low CE showed that the model does not significantly overestimate or underestimate VO2 max. Conclusions: This study proposes a CRF estimation method using data collected by a wristwatch-type fitness tracker without any specific protocol for a wide range of the population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,080
Score d'incertitude au seuil0,984

Scores Codex et Gemma par catégorie

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

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 Opus0,089
Tête enseignante GPT0,393
Écart entre enseignants0,304 · 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 tête enseignante, 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

Citations25
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetCardiovascular and exercise physiologyTravaux en français237 207