Methods for Classifying Physical Activities Using Accelerometer Data: A Scoping Review
Notice bibliographique
Résumé
Abstract Accurate classification of physical activity from accelerometer data is critical for health research and large-scale population studies. However, the wide variety of computational methods used to derive activity types and intensity levels has led to inconsistencies in implementation, validation, and reproducibility. This scoping review aimed to identify and categorise methods used to classify physical activities using accelerometer data, with a particular focus on implementation, simplicity, validation strategies, and feasibility for application in large-scale datasets such as the All of Us Research Program. We searched PubMed, Web of Science, and SPORTDiscus for studies published between 2015 and 2025. Studies were included if they used accelerometer data to classify specific activities or general activity levels and reported a validation strategy. A total of 1,670 records were screened; 158 met the inclusion criteria. Data were extracted on study characteristics, classification methods, whether validation was performed, device use, specifications, and tool availability. Machine-learning techniques were the most frequently applied classification method (n = 81), followed by deep learning (n = 63), hybrid models (n = 23), rule-based or threshold approaches (n = 22), and unsupervised or other novel methods (n = 12). Walking (n = 97), sitting (n = 79), and standing (n = 68) were the most commonly studied activities. Most studies employed lab-based protocols and used k-fold or leave-one-subject-out validation. Only 16 studies provided public code or tools, and just a couple (n = 2) considered seasonality or population diversity. This review highlights substantial variation in activity classification methods and reporting practices. Open-source tool availability and validation in real-world conditions remain limited. There is a need for simpler, validated, and reproducible approaches, particularly for use in population-scale datasets like All of Us and the UK Biobank.
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 | 0,051 | 0,235 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,012 |
| Bibliométrie | 0,042 | 0,028 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».