Development and Validation of Open-Source Activity Intensity Count and Activity Intensity Classification Algorithms from Raw Acceleration Signals of Wearable Sensors
Notice bibliographique
Résumé
Background: A popular outcome in rehabilitation studies is the activity intensity count, which is typically measured from commercially available accelerometers. However, the algorithms are not openly available, which impairs long-term follow-ups and restricts the potential to adapt the algorithms for pathological populations. The objectives of this research are to design and validate open-source algorithms for activity intensity quantification and classification. Methods: Two versions of a quantification algorithm are proposed (fixed [FB] and modifiable bandwidth [MB]) along with two versions of a classification algorithm (discrete [DM] vs. continuous methods [CM]). The results of these algorithms were compared to those of a commercial activity intensity count solution (ActiLife) with datasets from four activities (n = 24 participants). Results: The FB and MB algorithms gave similar results as ActiLife (r > 0.96). The DM algorithm is similar to a ActiLife (r ≥ 0.99). The CM algorithm differs (r ≥ 0.89) but is more precise. Conclusion: The combination of the FB algorithm with the DM results is a solution close to that of ActiLife. However, the MB version remains valid while being more adaptable, and the CM is more precise. This paper proposes an open-source alternative for rehabilitation that is compatible with several wearable devices and not dependent on manufacturer commercial decisions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».