Using Wear Time for the Analysis of Consumer-Grade Wearables’ Data: Case Study Using Fitbit Data
Notice bibliographique
Résumé
Background: Consumer-grade wearables allow researchers to capture a representative picture of human behavior in the real world over extended periods. However, maintaining users' engagement remains a challenge and can lead to a decrease in compliance (eg, wear time in the context of wearable sensors) over time (eg, "wearables' abandonment"). Objective: In this work, we analyzed datasets from diverse populations (eg, caregivers for various health issues, college students, and pediatric oncology patients) to quantify the impact that wear time requirements can have on study results. We found evidence that emphasizes the need to account for participants' wear time in the analysis of consumer-grade wearables data. In Aim 1, we demonstrate the sensitivity of parameter estimates to different data processing methods with respect to wear time. In Aim 2, we demonstrate that not all research questions necessitate the same wear time requirements; some parameter estimates are not sensitive to wear time. Methods: We analyzed 3 Fitbit datasets comprising 6 different clinical and healthy population samples. For Aim 1, we analyzed the sensitivity of average daily step count and average daily heart rate at the population sample and individual levels to different methods of defining "valid" days using wear time. For Aim 2, we evaluated whether some research questions can be answered with data from lower compliance population samples. We explored (1) the estimation of the average daily step count and (2) the estimation of the average heart rate while walking. Results: For Aim 1, we found that the changes in the population sample average daily step count could reach 2000 steps for different methods of analysis and were dependent on the wear time compliance of the sample. As expected, population samples with a low daily wear time (less than 15 hours of wear time per day) showed the most sensitivity to changes in methods of analysis. On the individual level, we observed that around 15% of individuals had a difference in step count higher than 1000 steps for 4 of the 6 population samples analyzed when using different data processing methods. Those individual differences were higher than 3000 steps for close to 5% of individuals across all population samples. Average daily heart rate appeared to be robust to changes in wear time. For Aim 2, we found that, for 5 population samples out of 6, around 11% of individuals had enough data for the estimation of average heart rate while walking but not for the estimation of their average daily step count. Conclusions: We leveraged datasets from diverse populations to demonstrate the direct relationship between parameter estimates from consumer-grade wearable devices and participants' wear time. Our findings highlighted the importance of a thorough analysis of wear time when processing data from consumer-grade wearables to ensure the relevance and reliability of the associated findings.
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 | 0,014 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».