Choice of Processing Method for Wrist-Worn Accelerometers Influences Interpretation of Free-Living Physical Activity Data in a Clinical Sample
Notice bibliographique
Résumé
Wrist-worn accelerometers are increasingly used to assess free-living physical activity (PA), but the implications of different processing methods are not well characterized. To advance research in this area it is important to better understand how choice of processing method influences estimates of free-living PA behavior. This study compared PA profiles resulting from processing wrist-worn data collected under free-living conditions using four different methods in a clinical sample of 160 women with chronic pain, a condition for which PA serves as a treatment. Participants wore monitors on their non-dominant wrist for 7 days and completed a self-report PA measure. Processing methods were Hildebrand linear, a modified nonlinear Hildebrand, Staudenmayer linear, and Staudenmayer random forest. Using each method, minutes per day in sedentary, light, and moderate-to-vigorous PA (MVPA) were estimated and individuals were classified as meeting PA guidelines based on their accumulated MVPA. Comparisons of outcomes among processing methods and with self-reported PA were made using repeated measures ANOVA, correlations, and kappa statistics. With few exceptions, estimated time at each intensity differed significantly across processing methods and with self-report ( p < .001). Correlations between methods ranged widely (ρ range = 0.09 to 1.00) and showed inconsistent agreement for classifying individuals as meeting PA guidelines (κ range : −0.02 to 0.90). Thus, choice of processing method significantly influenced conclusions regarding free-living PA. Researchers and clinicians should exercise caution when interpreting accelerometer activity data and comparing across existing studies using different processing methods when examining how PA influences clinical conditions.
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 | 0,003 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».