从可穿戴设备使用多模式和人口统计学多样化的数据对现实世界的行医状态进行分类的算法:验证研究
Sara Popham1, Maximilien Burq1, Erin E Rainaldi1
1Verily Life Sciences, South San Francisco, CA, United States.
JMIR biomedical engineering
|June 14, 2024
概括
一个新的算法使用手腕佩戴传感器准确识别行走活动. 这项技术可在不同人群中提供可靠的体育活动测量,帮助了解健康状况.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 数字健康数字健康
背景情况:
- 可穿戴式传感器技术使现实世界的身体活动监测能够获得健康洞察力.
- 精确测量身体活动模式对于了解健康状况至关重要.
研究的目的:
- 开发和验证一个算法来分类门诊状态 (行走与非行走).
- 评估算法的分析有效性和跨人口群体的概括性.
- 通过使用手腕生物识别监控技术的数据来评估算法的性能.
主要方法:
- 算法训练并测试了来自两个不同的研究的数据,使用各种基本真相标签方法.
- 利用了高分辨率的参考设备数据 (n=75) 和参与者报告的标签 (n=1691).
- 一个神经网络在组合数据集 (167万10秒时代) 上受训,并在持有测试集上进行评估.
主要成果:
- 该算法在分类门诊状态方面表现出高准确度 (AUC 0.938).
- 在人口统计学子组中,表现一致,表明了跨人口统计学概括性.
- 每日汇总指标显示平均绝对百分比误差为18%.
结论:
- 开发的算法准确地分类了在现实世界中使用手腕穿戴设备的行走活动.
- 该算法在不同的人口分组中表现出普遍性.
- 这种经过验证的工具可以量化步行活动,为研究人员提供有价值的健康状况见解.
