Accelerometer techniques for capturing human movement validated against direct observation: a scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objective. Accelerometers are devices commonly used to measure human physical activity and sedentary time. Accelerometer capabilities and analytical techniques have evolved rapidly, making it difficult for researchers to keep track of advances and best practices for data processing and analysis. The objective of this scoping review is to determine the existing methods for analyzing accelerometer data for capturing human movement which have been validated against the criterion measure of direct observation. Approach. This scoping review searched 14 academic and 5 grey databases. Two independent raters screened by title and abstract, then full text. Data were extracted using Microsoft Excel and checked by an independent reviewer. Main results. The search yielded 1039 papers and the final analysis included 115 papers. A total of 71 unique accelerometer models were used across a total of 4217 participants. While all studies underwent validation from direct observation, most direct observation occurred live (55%) or using recordings (42%). Analysis techniques included machine learning (ML) approaches (22%), the use of existing cut-points (18%), receiver operating characteristic curves to determine cut-points (14%), and other strategies including regressions and non-ML algorithms (8%). Significance. ML techniques are becoming more prevalent and are often used for activity identification. Cut-point methods are still frequently used. Activity intensity is the most assessed activity outcome; however, both the analyses and outcomes assessed vary by wear location. This scoping review provides a comprehensive overview of accelerometer analysis and validation techniques using direct observation and is a useful tool for researchers using accelerometers.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle