在非常老的成年人中,适度和强烈的体力活动强度截止点用于部,手腕,大腿和腰部磨损加速计
Mathias Skjødt1,2, Jan Christian Brønd1, Mark A Tully3
1Department of Sports Science and Clinical Biomechanics, University of Southern Denmark, Odense, Denmark.
Scandinavian journal of medicine & science in sports
|January 3, 2025
概括
这项研究开发了机器学习模型,以准确地分类老年人体育活动强度. 这些模型改进了传统方法,通过使用不同的加速度计位置在不同研究中提供了更好的可比性.
科学领域:
- 老年学是一门学科.
- 运动生理学 运动生理学
- 生物医学工程 生物医学工程
背景情况:
- 身体活动 (PA) 对老年人健康至关重要,但由于与年龄相关的生理变化,使用代谢等效 (MET) 的传统强度分类可能不准确.
- 休息代谢率 (RMR) 和最大氧气吸收 (VO2max) 随着年龄的增长而下降,可能低估了中度和强烈的PA强度.
- VO2reserve通过考虑个体生理变异,为PA强度评估提供了更个性化的方法.
研究的目的:
- 开发和验证使用接收器操作特征 (ROC) 分析和机器学习 (ML) 模型来分类老年人PA强度的新型切断点.
- 为了比较ROC衍生的切割点与ML模型在各种加速度计位置上的准确性.
- 通过为不同的解剖部位提供优化的模型,提高跨研究的PA强度数据的可比性.
主要方法:
- 67名老年人参与了这项研究,他们进行了日常生活活动和6分钟的步行测试,同时戴着6个加速度计.
- 测量了氧气吸收,并使用VO2储备作为PA强度的标准.
- 使用三分之二的数据开发了ROC分析和ML模型,并对剩余的三分之一进行了验证,评估了部,手腕,大腿和腰部位置的性能.
主要成果:
- 对于部,下背部和大腿的位置,ROC切割点表现出良好的至极好的准确性 (AUC 0.84-0.93),但在手腕上难以区分中等和强烈的强度.
- 机器学习模型在所有六个解剖传感器位置实现了高和一致的准确性 (0.83-0.89).
- 在验证过程中,ML模型的性能优于ROC切割点,大腿位置的准确性最高.
结论:
- 机器学习模型为老年人身体活动强度的分类提供了强大而准确的方法,优于传统的ROC方法.
- 这些针对六种不同的解剖位置进行了优化的ML模型,提高了PA强度测量的可靠性和可比性,用于涉及老年人群的研究.
- 这些发现支持使用ML进行客观的PA评估,有助于促进老年人的健康和福祉.
