Validity of heart rate measurements in wrist-based monitors across skin tones during exercise
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
PURPOSE: To evaluate the accuracy of a wrist-based heart rate (HR) monitor at different exercise intensities across different skin tones. METHODS: Using a cross-sectional design, we compared HR measures from the wrist-based photoplethysmography Fitbit Charge 5 to the Polar H10 chest strap at rest and during the YMCA Protocol using a recumbent cycle ergometer. Participant were grouped into three skin tone categories: light (Fitzpatrick Scale Skin Types 1+2), medium (Types 3+4), and darker skin tone (Types 5+6). HR measures using the Polar chest strap during the exercise test were categorized as <40%, 40-60%, or >60% HR reserve (HRR). Absolute error in beats per minute (bpm) between the two devices was calculated for each measure. A linear mixed effects model was used to assess interaction effects between skin tone and exercise intensity, with participants as the random effect. Bland-Altman plots were used for visual analyses. RESULTS: Twenty-five participants [mean (SD): 25.8 (1.9) years old; 64% female] were included with 495 observations of simultaneous Fitbit and Polar HR recordings collected during exercise. During exercise, we observed a statistically significant interaction effect between skin tone and exercise intensity. Compared with light skin tone at <40% HRR, mean error was greater for medium skin tone at >60% HRR [mean error (95%CI): 11.8 (5.6-17.9) bpm, p<0.001] and darker skin tone at 40-60% HRR [7.6 (1.7-13.5) bpm, p = 0.011] and >60% HRR [11.7 (5.3-18.0) bpm, p<0.001]. CONCLUSION: HR measurement error using a wrist-based device was greater with increasing exercise intensity for people with darker skin tones.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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) | 0,000 | 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