Development and testing of methods for detecting off-wrist in actimetry recordings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
STUDY OBJECTIVES: In field studies using wrist-actimetry, not identifying/handling off-wrist intervals may result in their misclassification as immobility/sleep and biased estimations of rhythmic patterns. By comparing different solutions for detecting off-wrist, our goal was to ascertain how accurately they detect nonwear in different contexts and identify variables that are useful in the process. METHODS: We developed algorithms using heuristic (HA) and machine learning (ML) approaches. Both were tested using data from a protocol followed by 10 subjects, which was devised to mimic contexts of actimeter wear/nonwear in real-life. Self-reported data on usage according to the protocol were considered the gold standard. Additionally, the performance of our algorithms was compared to that of visual inspection (by 2 experienced investigators) and Choi algorithm. Data previously collected in field studies were used for proof-of-concept analyses. RESULTS: All methods showed similarly good performances. Accuracy was marginally higher for one of the raters (visual inspection) than for heuristically developed algorithms (HA, Choi). Short intervals (especially < 2 h) were either not or only poorly identified. Consecutive stretches of zeros in activity were considered important indicators of off-wrist (for both HA and ML). It took hours for raters to complete the task as opposed to the seconds or few minutes taken by the automated methods. CONCLUSIONS: Automated strategies of off-wrist detection are similarly effective to visual inspection, but have the important advantage of being faster, less costly, and independent of raters' attention/experience. In our study, detecting short intervals was a limitation across methods.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 découle