Relationships of accelerometer-based measured objective physical activity and sedentary behaviour with cognitive function: a comparative cross-sectional study of China’s elderly population
Notice bibliographique
Résumé
Abstract Background This study explored the effects of physical activity and sedentary behaviour on the decline of cognitive ability among the elderly. To compensate for the limitations of self-reported physical activity, objective measures were used. Methods A cross-sectional survey of 308 aged people mean 68.66 ± 5.377 years, in Nanjing, China, was conducted. Physical activity was measured using the ActiGraph GT3X+, and cognitive function was measured using the Montreal Cognitive Assessment. Results The overall participant model, adjusted for age, BMI, education, and monthly average income, found that light physical activity (β = 0.006, p < 0.01), moderate-vigorous physical activity (β = 0.068, p < 0.001), and total physical activity (β = 0.006, p < 0.01) had a significant linear relationship with cognitive ability, while sedentary time did not (β = − 0.020, p >0.05). Further, light physical activity only affects the cognitive ability of elderly females (β = 0.006, p < 0.05). There was an inverted ‘U’ association between moderate-vigorous physical activity and cognitive ability. The association models found that moderate-vigorous physical activity in the 22.13 min·day − 1 ~38.79 min·day − 1 range affected cognitive ability most beneficially, with the highest beta coefficient among all groups (β = 0.091, p < 0.05). Conclusions While physical activity can significantly improve cognitive ability among the elderly, sedentary behaviour is associated with decreased cognitive function across genders.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».