From sensors to solutions: Integrating wearable sensor data into health research
Notice bibliographique
Résumé
Integrating wearable sensor technology into research and clinical applications affords the opportunity to support aging individuals, including those living with Alzheimer's disease-related dementias (ADRD), by advancing our understanding of disease onset and progression and enhancing personalized healthcare. Wearable sensors enable continuous remote capture of behaviour and physiology for prolonged durations as individuals participate in their daily lives. Objective, quantitative analysis of these real-world data can yield important health-related outcomes across multiple domains, including mobility, cognition, cardiovascular function, sleep, and physical activity. These outcomes can reduce reliance on subjective self-reporting, improve the possibility of capturing infrequent events, detect subtle change over time, and provide a more comprehensive representation of an individual's health status. However, the volume and complexity of wearable data also present several challenges and considerations that must be addressed to fully realize this opportunity. Data quality is critical to the validity and utility of wearable-derived outcomes but is susceptible to many factors, including sensor calibration, device performance, participant adherence to wear protocols, and signal quality issues related to sensor malfunction, artifact, or noise. Complex, multi-domain analysis that requires integrating data from multiple sensor types across different wearable devices is complicated by the many different data types and formats (e.g., standard vs. proprietary) used by various device manufacturers and the lack of built-in capabilities to synchronize data across devices. Finally, advanced analytic techniques are often required to extract relevant features or events from large, complex wearable datasets. This presentation will describe various approaches to address these challenges in processing and analyzing wearable data and demonstrate the opportunities that arise. Specific emphasis will be placed on 1) study design and implementation considerations that can mitigate challenges, 2) preprocessing, signal processing, and data analytics techniques that directly address these challenges, and 3) examples of the types of outcomes that can be derived from wearable data when these challenges are adequately addressed.
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 | 0,030 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,017 | 0,030 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,007 |
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 ».