Finding the Goldilocks zone for toddler accelerometry: how many days are needed for a reliable estimate of physical activity using machine learning?
Notice bibliographique
Résumé
Abstract Accelerometers are used to measure sedentary time (SED) and physical activity (PA) in toddlers, but they may struggle to wear them for extended periods of time (e.g., weeks). Previous studies have investigated the minimum number of days needed to reliably estimate SED and PA using count-based methods. Machine learning (ML) methods use raw data which is more variable, thus potentially requiring more days for a reliable estimate. The objective of this study is to understand how many days and hours per day of accelerometer wear are needed for a reliable estimation of SED and PA using ML. Methods 109 toddlers wore an accelerometer on the right hip at home for 7 days. Time in SED, light PA (LPA), moderate-to-vigorous PA (MVPA), and total PA (TPA) were assessed using a validated ML model for toddlers. Single day intraclass coefficients (ICCs) were calculated for each minimum hours per day of wear time and each outcome. These ICCs were passed to the Spearman-Brown prophecy equation to determine the reliability of each hour per day and days combination (3-12 hours, 1-10 days). Results Predicted reliabilities ranged from 0.32 to 0.98, increasing as both numbers of hours per day and number of days increased. Discussion Our findings support the recommended 6 hours per day of wear for at least 4 days as it balances acceptable reliability with participant retention. This recommendation is valid for ML methods and we anticipate that it can be used to further explore SED and PA in toddlers using ML advances. Key Highlights This study calculates reliability of estimates of toddlers’ physical activity and sedentary time using machine learning method for a range of days (1-10) and hours per day (3-12). Our findings support the recommended 6 hours per day of wear for at least 4 days as it balances acceptable reliability with participant retention. We hope that this recommendation can be used to further explore physical activity and sedentary time in toddlers using machine learning advances.
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 | 0,007 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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 | 0,000 |
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 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 ».