Optimizing Epoch Length and Activity Count Threshold Parameters in Accelerometry: Enhancing Upper Extremity Use Quantification in Cerebral Palsy
Notice bibliographique
Résumé
Various accelerometry protocols have been used to quantify upper extremity (UE) activity, encompassing diverse epoch lengths and thresholding methods. However, there is no consensus on the most effective approach. The aim of this study was to delineate the optimal parameters for analyzing accelerometry data to quantify UE use in individuals with unilateral cerebral palsy (CP). Methods: A group of adults with CP (n = 15) participated in six activities of daily living, while a group of children with CP (n = 14) underwent the Assisting Hand Assessment. Both groups performed the activities while wearing ActiGraph GT9X-BT devices on each wrist, with concurrent video recording. Use ratio (UR) derived from accelerometry and video analysis and accelerometer data were compared for different epoch lengths (1, 1.5, and 2 s) and activity count (AC) thresholds (between 2 and 150). Results: In adults, results are comparable across epoch lengths, with the best AC thresholds being ≥ 100. In children, results are similar across epoch lengths of 1 and 1.5 (optimal AC threshold = 50), while the optimal threshold is higher with an epoch length of 2 (AC = 75). Conclusions: The combination of epoch length and AC thresholds should be chosen carefully as both influence the validity of the quantification of UE use.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».