A standardized workflow for long-term longitudinal actigraphy data processing: One year of continuous actigraphy from the CAN-BIND Wellness Monitoring Study
Notice bibliographique
Résumé
Abstract Monitoring sleep and activity through wearable devices such as wrist-worn actigraphs has the potential for long-term measurement in the individual’s own environment. Long periods of data collection require a complex approach, including standardized pre-processing and data trimming, and robust algorithms to address non-wear and missing data. In this study, we used a data-driven approach to quality control, pre-processing and analysis of longitudinal actigraphy data collected over the course of 1 year in a sample of 95 participants. We implemented a data processing pipeline using open-source packages for longitudinal data thereby providing a framework for treating missing data patterns, non-wear scoring, sleep/wake scoring, and conducted a sensitivity analysis to demonstrate the impact of non-wear and missing data on the relationship between sleep variables and depressive symptoms. Compliance with actigraph wear decreased over time, with missing data proportion increasing from a mean of 4.8% in the first week to 23.6% at the end of the 12 months of data collection. Sensitivity analyses demonstrated the importance of defining a pre-processing threshold, as it substantially impacts the predictive value of variables on sleep-related outcomes. We developed a novel non-wear algorithm which outperformed several other algorithms and a capacitive wear sensor in quality control. These findings provide essential insight informing study design in digital health research.
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 | 0,026 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,009 |
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 ».