NiMBaLWear analytics pipeline for wearable sensors: a modular, open-source platform for evaluating multiple domains of health and behaviour
Notice bibliographique
Résumé
Abstract Background Recent technological advances have led to a surge in the use of wearable devices for personal health and fitness monitoring; however, clinical uptake of wearable devices for remote or ‘free-living’ measurement of daily health-related behavior has lagged. To advance the field, there is need for valid and reliable outcomes across multiple health domains specific to the cohorts or patients of interest and centralized tools to build capacity for use of these data. The NiMBaLWear pipeline provides a flexible and integrated approach to wearables analytics applied to raw sensor data that considers multiple, inter-related physiological and behavioral signals to provide a holistic view of health status. Results & discussion NiMBaLWear is a modular, open-source, wearable sensor analytic pipeline that quantifies physical activity, mobility, and sleep from raw single- or multi-sensor free-living data collected over multiple days. Data captured from any device, in different possible formats, are standardized prior to processing. Data preparation includes accelerometer autocalibration, cross-device synchronization, and non-wear detection. Validated, domain-specific algorithms detect events, generate outcome measures, and output standardized tabular data and user-friendly summary collection reports. NiMBaLWear was developed in Python using an iterative and incremental software development process, which included a combination of semi-automated inspection and expert review of data collected from 286 participants across two remote-measurement studies. A comparative analysis revealed a paucity of open-source packages capable of deriving and sharing health-related behavioral outcomes across multiple domains from multi-sensor wearables data. Forthcoming improvements to the pipeline will leverage sensor fusion techniques to add new, and refine existing, domain- and disease-specific analytics, and optimize pipeline accessibility and reporting. Conclusion The NiMBaLWear pipeline transforms raw multi-sensor wearables data into accurate and relevant outcomes across multiple health domains to objectively characterize and measure an individual’s daily health-related behavior. NiMBaLWear’s focus on high-quality, clinically relevant outcomes, as well as end-user optimization, provides a foundation for innovation to improve the utility of wearables for clinical care and self-management of health .
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».