Considerations in Processing Accelerometry Data to Explore Physical Activity and Sedentary Time in Older Adults
Notice bibliographique
Résumé
Processing decisions for accelerometry data can have important implications for outcome measures, yet little evidence exists exploring these in older adults. The aim of the current study was to investigate the impact of three potentially important criteria on older adults, physical activity, and sedentary time. Participants (n = 222: mean age 71.75 years [SD = 6.58], 57% male) wore ActiGraph GT3X+ for 7 days. Eight data processing combinations from three criteria were explored: low-frequency extension (on/off), nonwear time (90/120 min), and intensity cut points (moderate-to-vigorous physical activity ≥1,041 and >2,000 counts/min). Analyses included Wilcoxon signed-rank test, paired t tests, and correlation coefficients (significance, p < .05). Results for low-frequency extension on 90-min nonwear time and >1,041 counts/min showed significantly higher light and moderate-to-vigorous physical activity and lower sedentary time. Cut points had the greatest impact on physical activity and sedentary time. Processing criteria can significantly impact physical activity and/or sedentary time, potentially leading to data inaccuracies, preventing cross-study comparisons and influencing the accuracy of population surveillance.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».