Adapting the Intensity Gradient for Use with Count-Based Accelerometry Data in Children and Adolescents
Notice bibliographique
Résumé
The intensity gradient is a new cutpoint-free metric that was developed to quantify physical activity (PA) measured using accelerometers. This metric was developed for use with the ENMO (Euclidean norm minus one) metric, derived from raw acceleration data, and has not been validated for use with count-based accelerometer data. In this study, we determined whether the intensity gradient could be reproduced using count-based accelerometer data. Twenty participants (aged 7-22 years) wore a GT1M, an ActiGraph (count-based), and a GT9X, ActiGraph (raw accelerations) accelerometer during both in-lab and at-home protocols. We found strong agreement between GT1M and GT9X counts during the combined in-lab activities (mean bias = 2 counts) and between minutes per day with different intensities of activity (e.g., sedentary, light, moderate, and vigorous) classified using cutpoints (mean bias < 5 min/d at all intensities). We generated bin sizes that could be used to generate IGs from the count data (mean bias = -0.15; 95% LOA [-0.65, 0.34]) compared with the original IG. Therefore, the intensity gradient could be used to analyze count data. The count-based intensity gradient metric will be valuable for re-analyzing historical datasets collected using older accelerometer models, such as the GT1M.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».