Counting What Counts: Ensuring Wearable Step-Count Validity for Effective Public Health Interventions
Notice bibliographique
Résumé
Abstract Background Daily step counts are a widely used metric in public health and clinical practice for assessing physical activity levels, particularly in older adults and individuals with chronic conditions. However, most commercial step counters rely on forward trunk acceleration, making them prone to significant inaccuracies during vertical, non-locomotive activities such as Stepping-in-Place (SIP). Objective This study evaluated the step-count accuracy of Google Fit, a commercial accelerometer-based smartphone application, compared to Ambulosono, a wearable sensor that captures joint-specific range of motion (ROM), during music-paced SIP sessions. Methods Thirty-six participants performed multiple SIP trials using a standardized, music-based protocol. Step counts were recorded concurrently using both devices. Data were analyzed using regression modeling, k-means clustering, and Bland–Altman agreement analysis to assess accuracy, cadence responsiveness, and detection consistency. Results Google Fit consistently undercounted SIP steps by 20–60%, showing weak correlation with exercise duration (R = 0.16). Ambulosono demonstrated strong correlations with cadence (r = 0.789) and duration (R = 0.97), and uniquely captured biomechanical trade-offs such as an inverse relationship between step height and cadence. Bland–Altman analysis confirmed a systematic negative bias in Google Fit output. Conclusion These findings reveal critical limitations in commercial step counters when applied to non-forward-motion activities and highlight the advantages of ROM-based sensing for accurate and context-aware activity tracking. Ambulosono’s robust performance suggests its suitability for rehabilitation, elderly care, and home-based exercise monitoring, where step accuracy is essential for meaningful health assessment.
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 | 0,107 | 0,279 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».