Machine Learning Approaches to Predicting Energy Expenditure in Preschool Children: Insights from Accelerometry, Gyroscope Data, and Cross-National Validation
Notice bibliographique
Résumé
As highlighted by the World Health Organization, physical inactivity has been recognized as a public health crisis affecting not only adults, but also children and adolescents. To address this alarming trend, it is essential to establish a reliable and robust measure of physical activity (PA) to better understand its underlying determinants. For this purpose, wearable sensors are often used, offering an indirect measure to predict/estimate the energy expenditure (EE) of PA. With the adoption of wearable sensors, numerous researchers are implementing more sophisticated machine learning approaches in their analyses that are better equipped to model complex relationships. The overarching aim of this doctoral research was to develop and refine machine learning models to predict the EE of preschool children. Across four studies, key aspects of the modeling process were explored, including model selection, preprocessing strategies, feature selection, sensor integration, the influence of metabolic equivalent (METs) definitions, and external validation. Two calibration datasets, one consisting of Canadian preschool children and the other of German preschool children, were used to develop and evaluate models using accelerometers, gyroscopes, and portable metabolic units during semi-structured activity protocols. The findings indicated that while deep learning models achieved the lowest error on the training datasets, feature-based models demonstrated superior performance in external validation. Furthermore, preprocessing techniques, specifically frequency-based filtering, and the inclusion of frequency-domain features and participant characteristics (age, sex, height, and weight) contributed to reduced prediction error. When comparing models built using gyroscope data, accelerometer data, and a combination of both, the dual-sensor models consistently outperformed single-sensor models, yielding lower error rates. Finally, after identifying the optimal feature set, the models were applied to a large cohort of Canadian children to generate and compare PA estimates based on different METs definitions. Notably, it was found that measuring the resting period, rather than estimating it using predictive approaches, resulted in higher estimates of sedentary time and lower estimates of overall PA. Collectively, this thesis advances the field of movement behavior research by contributing validated machine learning models for estimating EE in preschool children and addressing key methodological questions relevant to this domain.
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 | 0,011 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».