MétaCan
Menu
Retour à la cohorte
Enregistrement W6929825245 · doi:10.5061/dryad.bvq83bkg2

Monitoring mobility in older adults using a global positioning system (GPS) smartwatch and accelerometer: A validation study

2023· dataset· en· W6929825245 sur OpenAlexafffund

Notice bibliographique

RevueDRYAD · 2023
Typedataset
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBioinformatics and Genomic Networks
Établissements canadiensMcMaster University
Organismes subventionnairesMcMaster Institute for Research on Aging, McMaster UniversityAGE-WELL
Mots-clésGlobal Positioning SystemSedentary behaviorAccelerometerActivity monitorSmartwatchSittingPhysical activity

Résumé

récupéré en direct d'OpenAlex

Background There is interest in identifying the most reliable method for detecting early mobility limitations. Accelerometry and Global Positioning System (GPS) could provide insight into declines in mobility, but few studies have used this multi-sensor approach to monitor mobility in older adults. Methods Thirty-two volunteers (66.2±6.3 years) agreed to participate in our validation study. We conducted two experiments to determine the validity of the TicWatch S2 and Pro 3 Ultra GPS models against the Qstarz receiver in measuring life-space mobility, trip frequency, duration, and mode. We also assessed the accuracy of the TicWatch in measuring step count and agreement with the ActiGraph wGT3X-BT for activity counts and sedentary behavior. Participants wore devices simultaneously for three consecutive days and recorded activity and trip information. Results The TicWatch Pro 3 Ultra GPS performed better than the S2 model and was similar to the Qstarz in all tested trip-related measures, and it was able to estimate both passive and active trip modes. Both models showed similar results to the Qstarz in life-space-related measures. The TicWatch S2 demonstrated good to excellent overall agreement with the ActiGraph algorithms for the time spent in sedentary and non-sedentary activities, with 84% and 87% agreement rates, respectively. Under supervised conditions, the TicWatch Pro 3 Ultra GPS measured step count consistently with the gold standard observer, with a bias of 0.4 steps. The thigh-worn ActiGraph algorithm accurately classified sitting and lying postures (97%) and standing postures (90%). Conclusion Our multi-sensor approach to monitoring mobility has the potential to capture both accelerometer-derived movement data and trip/life-space data only available through GPS. In this study, we found that the TicWatch models are valid devices for capturing GPS and raw accelerometer data, making them useful tools for assessing real-world mobility in older adults and advancing our knowledge of early mobility decline.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,725
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,280
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDRYADMême sujetBioinformatics and Genomic NetworksTravaux en français237 207