Comparing Accelerometer Processing Metrics and Hyperparameter Optimization for Physical Activity Classification Accuracy Using Machine Learning Methods
Notice bibliographique
Résumé
Background : Physical activity (PA) is a crucial factor in maintaining good health and preventing chronic diseases. However, accurately measuring PA is challenging. Euclidean Norm Minus One (ENMO), ActiGraph Counts, and Monitor-Independent Movement Summary (MIMS) units are processing metrics used to classify PA through accelerometry, but they employ different methods to calculate activity levels. This study aimed to compare ENMO, ActiGraph Counts, and MIMS accelerometer metrics using machine learning algorithms. Methods : Data from a smartphone accelerometer were collected from 50 participants who held the smartphone in their right hand while completing six activities. The data were used to generate ENMO, ActiGraph Counts, and MIMS acceleration metrics. Random Forest, K-Nearest Neighbor, and Support Vector Machine algorithms were applied to the data to classify PA into different levels of activity intensity and types. The algorithms’ performance was evaluated using various metrics such as accuracy, precision, and recall. Results : The results showed that both the Random Forest and K-Nearest Neighbor algorithms performed well, achieving above 80% accuracy in classifying PA into different intensity levels and types. Both the ENMO and MIMS metrics proved more accurate than ActiGraph Counts in classifying moderate to vigorous PA. Conclusions : This study provides evidence that both ENMO and MIMS metrics can accurately measure PA with accelerometry, and machine learning algorithms can classify the activity into different intensity levels. These metrics and methods are valuable tools for monitoring PA and understanding the relationship between PA and health outcomes.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».