Step Detection Accuracy and Energy Expenditure Estimation at Different Speeds by Three Accelerometers in a Controlled Environment in Overweight/Obese Subjects
Notice bibliographique
Résumé
Our aim was to compare three research-grade accelerometers for their accuracy in step detection and energy expenditure (EE) estimation in a laboratory setting, at different speeds, especially in overweight/obese participants. Forty-eight overweight/obese subjects participated. Participants performed an exercise routine on a treadmill with six different speeds (1.5, 3, 4.5, 6, 7.5, and 9 km/h) for 4 min each. The exercise was recorded on video and subjects wore three accelerometers during the exercise: Sartorio Xelometer (SX, hip), activPAL (AP, thigh), and ActiGraph GT3X (AG, hip), and energy expenditure (EE) was estimated using indirect calorimetry for comparisons. For step detection, speed-wise mean absolute percentage errors for the SX ranged between 9.73-2.26, 6.39-0.95 for the AP, and 88.69-2.63 for the AG. The activPALs step detection was the most accurate. For EE estimation, the ranges were 21.41-15.15 for the SX, 57.38-12.36 for the AP, and 59.45-28.92 for the AG. All EE estimation errors were due to underestimation. All three devices were accurate in detecting steps when speed exceeded 4 km/h and inaccurate in EE estimation regardless of speed. Our results will guide users to recognize the differences, weaknesses, and strengths of the accelerometer devices and their algorithms.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».