Objective Assessment of Physical Activity at Home Using a Novel Floor-Vibration Monitoring System: Validation and Comparison With Wearable Activity Trackers and Indirect Calorimetry Measurements
Notice bibliographique
Résumé
Background The self-monitoring of physical activity is an effective strategy for promoting active lifestyles. However, accurately assessing physical activity remains challenging in certain situations. This study evaluates a novel floor-vibration monitoring system to quantify housework-related physical activity. Objective This study aims to assess the validity of step-count and physical behavior intensity predictions of a novel floor-vibration monitoring system in comparison with the actual number of steps and indirect calorimetry measurements. The accuracy of the predictions is also compared with that of research-grade devices (ActiGraph GT9X). Methods The Ocha-House, located in Tokyo, serves as an independent experimental facility equipped with high-sensitivity accelerometers installed on the floor to monitor vibrations. Dedicated data processing software was developed to analyze floor-vibration signals and calculate 3 quantitative indices: floor-vibration quantity, step count, and moving distance. In total, 10 participants performed 4 different housework-related activities, wearing ActiGraph GT9X monitors on both the waist and wrist for 6 minutes each. Concurrently, floor-vibration data were collected, and the energy expenditure was measured using the Douglas bag method to determine the actual intensity of activities. Results Significant correlations (P<.001) were found between the quantity of floor vibrations, the estimated step count, the estimated moving distance, and the actual activity intensities. The step-count parameter extracted from the floor-vibration signal emerged as the most robust predictor (r2=0.82; P<.001). Multiple regression models incorporating several floor-vibration–extracted parameters showed a strong association with actual activity intensities (r2=0.88; P<.001). Both the step-count and intensity predictions made by the floor-vibration monitoring system exhibited greater accuracy than those of the ActiGraph monitor. Conclusions Floor-vibration monitoring systems seem able to produce valid quantitative assessments of physical activity for selected housework-related activities. In the future, connected smart home systems that integrate this type of technology could be used to perform continuous and accurate evaluations of physical behaviors throughout the day.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 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 ».