自主监督的机器学习来表征手腕穿戴加速器的步数,在英国生物银行
Scott R Small, Shing Chan, Rosemary Walmsley
1Nuffield Department of Orthopaedics, Rheumatology and Musculoskeletal Sciences, University of Oxford, Oxford, UNITED KINGDOM.
Medicine and science in sports and exercise
|May 20, 2024
概括
使用手腕加速度计开发精确的步数计数算法可以显著减少错误. 较高的每日步数 (6430-8277) 与较低的心血管疾病风险和全因死亡率有关.
科学领域:
- 生物医学工程 生物医学工程
- 流行病学 流行病学
- 机器学习 机器学习
背景情况:
- 准确的体力活动测量对健康研究至关重要.
- 在自由生活条件下,手腕戴式设备在步数计时中经常有>20%的误差.
- 开发可靠的步数算法对于大规模研究至关重要.
研究的目的:
- 开发和验证基于机器学习的步数计数算法,用于手腕加速度计.
- 评估客观测量的每日步数与死亡风险之间的关联.
- 为了提高大队伍体育活动量化的准确性.
主要方法:
- 一个自我监督的机器学习模型被训练在注释的自由生活步骤数据上.
- 外部验证使用独立的开源数据集进行.
- 考克斯回归分析评估了英国生物库75,263名参与者的步数和死亡率之间的关联.
主要成果:
- 开发的算法实现了12.5%的平均绝对百分比误差,超过了参考模型 (65%-231%).
- 每日步数为6430-8277的步数与致命心血管疾病的风险降低37%有关.
- 这些步数也与7年内所有原因死亡风险降低28%相关.
结论:
- 一种开放和透明的方法显著提高了手腕加速度计的步数计数精度.
- 这些发现表明,更高的步数与降低死亡风险之间存在明显的联系.
- 这项工作支持促进体育活动的公共卫生倡议,并可能为未来的指导方针提供信息.
