شاخص فعالیت برای داده های شتاب سنجی خام و مقایسه آن با سایر معیارهای فعالیت

شتاب سنج ها در سالهای اخیر به طور گسترده در مطالعات بهداشت عمومی مستقر شده اند. در حالی که آنها سیگنال های شتاب با وضوح بالا (به عنوان مثال ، 10-100 هرتز) را جمع می کنند ، تحقیقات عمدتاً بر معیارهای خلاصه شده ارائه شده توسط تولیدات شتاب سنج ، مانند تعداد فعالیت (AC) توسط Actigraph یا Actical متمرکز شده است. چنین اقداماتی دارای فرمول عمومی در دسترس نیست ، فاقد تفسیر ساده است و می تواند با اجرای نرم افزار یا نوع سخت افزار متفاوت باشد. برای پرداختن به این مشکلات ، ما شاخص فعالیت بدنی (AI) ، یک معیار جدید برای خلاصه کردن داده های شتاب سنجی سه محور خام را پیشنهاد می کنیم. ما این متریک را با AC و یک متریک پیشنهادی دیگر برای داده های خام ، هنجار اقلیدسی منهای یک (ENMO) ، در برابر هزینه انرژی مقایسه کردیم. این مقایسه با استفاده از داده های فعالیت بدنی عینی و مطالعه سلامت قلبی عروقی انجام شد ، که در آن 194 زن 60-91 سال 9 فعالیت شیوه زندگی را در آزمایشگاه انجام دادند و یک شتاب سنج سه محوره (Actigraph GT3x+) را در لگن به 30 هرتز و با پوشیدن 30 هرتز و پوشیدند. یک کالری سنج قابل حمل اکسیون ، برای ثبت هر دو سری شتاب سه محوره (تبدیل به AI ، AC و ENMO) و جذب اکسیژن در طی هر فعالیت (تبدیل به معادل متابولیک (Mets)) در همان زمان. تجزیه و تحلیل مشخصه عملکرد گیرنده نشان داد که هر دو AI و ENMO نسبت به AC نسبت به فعالیتهای بدنی متوسط و شدید حساس تر بودند ، در حالی که AI نسبت به فعالیت های بی تحرک و سبک نسبت به Enmo حساس تر بود. AI بالاترین ضرایب تعیین برای Mets (0. 72) را داشت و طبقه بندی بهتری از شدت فعالیت بدنی نسبت به AC (برای تمام سطح شدت) و ENMO (برای شدت کم تحرک و نور) بود. هوش مصنوعی پیشنهادی یک روش جدید و شفاف برای خلاصه کردن داده های شتاب سنجی خام متراکم نمونه ای ارائه می دهد ، و ممکن است به عنوان جایگزینی برای AC باشد. حساسیت بسیار بهبود یافته هوش مصنوعی نسبت به فعالیتهای بی تحرک و سبک نسبت به AC و ENMO بیشتر مزیت خود را در مطالعات با بزرگسالان مسن نشان می دهد.

استناد: Bai J ، Di C ، Xiao L ، Evenson KR ، Lacroix AZ ، Crainiceanu CM ، et al.(2016) یک شاخص فعالیت برای داده های شتاب سنجی خام و مقایسه آن با سایر معیارهای فعالیت. PLOS ONE 11 (8): E0160644. https://doi. org/10. 1371/journal. pone. 0160644

ویراستار: Jaroslaw Harezlak ، دانشگاه ایندیانا ، ایالات متحده

دریافت: 15 آوریل 2016 ؛پذیرفته شده: 24 ژوئیه 2016 ؛منتشر شده: 11 اوت 2016

کپی رایت: © 2016 بای و همکاران. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: داده های مورد استفاده در این مقاله در صورت درخواست در دسترس هستند. از آنجا که داده ها در یک مطالعه جانبی از ابتکار بهداشت زنان (WHI) جمع آوری شده است ، به اشتراک گذاری داده ها از سیاست ها و رویه های تعیین شده WHI ذکر شده در: https://www. whi. org/researchers/data/document/whi٪20Data٪20USE ٪ 20AGREEMENT. PDF. درخواست ها را می توان به کمیته WHI P& P (p& [email protected] org) مستقیماً یا از طریق تماس با نویسنده مربوطه ([email protected] edu) انجام داد.

بودجه: برنامه ابتکار بهداشت زنان (WHI) توسط موسسه ملی قلب ، ریه و خون (NHLBI) ، انستیتوی ملی بهداشت (NIH) ، وزارت بهداشت و خدمات انسانی ایالات متحده از طریق قراردادهای #HHSN268201100046C ، #HHSN268201100001C ، #HHSN268201100002C ، #HHSN268201100003C ، #HHSN268201100004C و #HHSN271201100004C. مطالعه هدف بدنی و مطالعه سلامت قلبی عروقی (OPACH) توسط NHLBI/NIH #1 R01 HL105065 تأمین شد. این کار تا حدودی توسط NIH/NHLBI #1 R01 HL130483 پشتیبانی می شود.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

معرفی

شتاب سنج اکنون معمولاً برای اندازه گیری فعالیت بدنی مورد استفاده قرار می گیرد و هم در تحقیقات و هم در دستگاه های تجاری تعبیه شده است [1-6]. شکل 1 یک چارچوب تحلیلی مفهومی برای داده های شتاب سنج در مطالعات فعالیت بدنی ارائه می دهد. در حالی که بیشتر شتاب سنج های مدرن سیگنال های با وضوح بالا را جمع می کنند (به عنوان مثال ، 10-100 هرتز) ، متداول ترین خروجی داده ها شامل اقدامات خلاصه ای در دوره های تعریف شده توسط کاربر (به عنوان مثال ، 1 دقیقه) است. این اقدامات با پردازش داده های خام با استفاده از نرم افزاری که توسط تولید کنندگان دستگاه تهیه شده است بدست می آید (به صفحه "انواع داده" در شکل 1 مراجعه کنید). به عنوان مثال ، هر دو Actigraph GT3x+ (Actigraph ، Pensacola ، FL) و Actical (فیلیپس Respironics ، Bend ، OR) از الگوریتم های اختصاصی برای محاسبه "تعداد فعالیت" (AC) استفاده می کنند ، اما این دو AC معادل نیستندوادبنابراین ، AC برای تعداد زیادی از الگوریتم های اختصاصی به یک اصطلاح چتر تبدیل شده است ، که منجر به سردرگمی گسترده در بین محققان بهداشت می شود. اقدامات خلاصه ، مانند AC ، به طور مستقیم یا به طور مستقیم به عنوان اندازه گیری حجم یا شدت فعالیت بدنی ، یا به طور غیر مستقیم به عنوان پیش بینی کننده هزینه انرژی مورد استفاده قرار گرفته است (به مسیرهای تجزیه و تحلیل (C) ، (D) ، (E) ، (F) مراجعه کنیددر شکل 1) [8–13].

پانل سمت چپ دو نوع داده کلی را نشان می دهد: داده های خام و اقدامات خلاصه. پانل سمت راست 4 علایق تحقیق مشترک را نشان می دهد. پانل میانی شامل 6 مسیر تجزیه و تحلیل مشترک بین داده ها و علایق تحقیق است.

دلیل اصلی استفاده از چنین اقدامات خلاصه این است که به طور سنتی آنها تنها خروجی شتاب سنجهای درجه تحقیق بودند. یک منطقه مهم از تحقیقات مربوط به برقراری ارتباط بین اقدامات خلاصه شتاب سنجی و اقدامات استاندارد شدت فعالیت بدنی (معادل متابولیک (MET)) و حجم فعالیت بدنی (MET-min) است (به بررسی [14] مراجعه کنید). یک هدف از این تحقیق ترجمه خلاصه های شتاب سنجی به دسته های شدت فعالیت بدنی: فعالیت بی تحرک ، نور ، متوسط و شدید است. بنابراین ، بسیاری از مطالعات کالیبراسیون وجود دارد که برای شناسایی نقاط برش برای شمارش فعالیتهای بدنی طراحی شده است که مربوط به دسته های شدت است [12،15-19] ، و همچنین مطالعاتی که برای ترجمه داده های شمارش به Mets و هزینه های کالری طراحی شده اند [1،20 ،21]

اخیراً ، داده های شتاب سنجی خام با وضوح بالا در دستگاه های مختلف از جمله در Actigraph GT3X+ و GeneActiv (ActiveInsights Ltd ، Cambridgeshire ، UK) در دسترس است. محققان به جای تکیه بر نرم افزار سازنده ، شروع به توسعه رویکردهای تحلیلی جدید برای داده های خام کردند. مورد علاقه خاص تشخیص نوع فعالیت بدنی (مسیر (A) ، [22-27]) و هزینه انرژی یا پیش بینی MET (مسیر (B) ، [26،27]) با استفاده از رویکردهای آماری و یادگیری ماشین بوده است. با این حال ، تحقیقات کمی در مورد توسعه یک متریک خلاصه صریح ، منبع باز و قابل تکرار بر اساس داده های خام به عنوان جایگزینی برای معیارهای موجود (به عنوان مثال ، AC) متمرکز شده است. نیاز به چنین اقداماتی برای تحقیقات فعالیت بدنی بسیار مهم است ، زیرا تعاریف فعلی AC اختصاصی و خاص دستگاه و نرم افزار است [7،28]. یک متریک خلاصه شفاف و در دسترس عموم که از داده های خام حاصل می شود ، این امکان را دارد که بتواند نتایج را در بین مطالعاتی که از شتاب سنج های مختلف استفاده می کنند ، ترجمه را در بین مطالعات بهبود بخشیده و تفسیر یکنواخت تر از نتایج فراهم کند.

دو معیار خلاصه قابل توجه بر اساس داده های شتاب سنجی خام شدت فعالیت است (AI₀) توسط بای و همکاران.[28] و هنجار اقلیدسی منهای یک (ENMO) توسط ون هایز و همکاران.[29]هوش مصنوعی₀دامنه سیگنال شتاب سنجی خام را نسبت به توزیع دامنه آن در حالت استراحت اندازه گیری می کند ، در حالی که ENMO پس از برداشتن 1 گرم (یک واحد گرانشی استاندارد زمین) ، میزان بردار سیگنال های خام است. هر دو هوش مصنوعی₀و Enmo برای تعیین کمیت میزان شتاب در طی یک دوره معین طراحی شده است. عده₀یک فرمول در دسترس عموم و تفسیر واضح است. با این حال ، اعتماد به نفس آن به انتخاب دوره های غیرفعال و آستانه نویز سیستماتیک ، اجرای آن در مطالعات بزرگ نسبتاً دشوار است. همچنین گزارش شده است که ENMO با هزینه انرژی فعالیت بدنی بسیار مرتبط است [29،30] ، اما مستقیماً با AC مقایسه نشده است. در این مقاله ، ما یک شاخص فعالیت بدنی جدید (AI) را پیشنهاد می کنیم ، که به طور قابل توجهی هوش مصنوعی را بهبود می بخشد₀با کاهش اعتماد به شناسایی تمام دوره های استراحت ، ساختن آن به صورت چرخشی ثابت و اطمینان از قوام تعریف در حوزه های زمانی. ما نشان می دهیم که AI از نظر پیش بینی هزینه انرژی فعالیت بدنی و طبقه بندی شدت فعالیت بدنی از AC و ENMO بهتر است.

مواد و روش ها

شركت كنندگان

مطالعه عینی بدنی و مطالعه سلامت قلبی عروقی (OPACH) یک مطالعه جانبی در مورد ابتکار بهداشت زنان 2010 - 2010 است. Opach شامل یک تحصیلات زیر کالیبراسیون بود که در آن 200 زن 60 تا 91 ساله برای شرکت در یک جلسه آزمایشگاهی برای کالیبراسیون شمارش شتاب سنجی به هزینه های انرژی دعوت شدند. این تحصیلات فرعی توسط تابلوهای بررسی نهادی از هر سایت جمع آوری داده ها و مرکز هماهنگی بالینی ابتکار بهداشت زنان تصویب شد. از شرکت کنندگان خواسته شد تا به سایت کلینیک مطالعه مراجعه کنند و در آنجا فرم رضایت آگاهانه را امضا کردند و یک پرسشنامه مختصر را تکمیل کردند.

شتاب سنجی

Actigraph GT3x+، یک شتاب سنج سه محوره ، در OPACH برای اندازه گیری فعالیت بدنی استفاده شد. قرار بود سری زمانی شتاب خام 30 هرتز (محورهای X ، Y و Z) را جمع آوری کند. GT3X+ دارای "حالت خواب بیکار" است [31] ، به این معنی که وقتی یک الگوریتم داخلی هیچ حرکتی را برای 10 ثانیه متوالی تشخیص نمی دهد ، آخرین مقدار شتاب خام نمونه برداری شده در طی 10 ثانیه به طور بی نهایت تکرار می شود تا اینکه حرکت دوباره توسط الگوریتم تشخیص داده شود. نرم افزار همراه ActIlife 6 سپس می تواند AC خاص محور را محاسبه کند (AC_ایکس، ac_حرفو AC_Zبرای 3 محور) و بزرگی بردار AC (که ریشه مربع جمع مربع AC خاص محور است) با استفاده از سری زمانی شتاب خام. به بزرگی وکتور AC در بقیه این نسخه خطی به عنوان AC گفته می شود. یک روش پردازش داده اختیاری به نام "پسوند فرکانس پایین (LFE)" [32] نیز هنگام محاسبه AC اجرا شد. این یک تغییر در اندازه گیری AC است که برای بهبود حساسیت AC به فعالیت های بی تحرک و سبک طراحی شده است [33]. AC با و بدون LFE هر دو در این مقاله محاسبه و مورد استفاده قرار گرفت.

جمع آوری داده ها

شرکت کنندگان چندین کار استاندارد را انجام دادند در حالی که همزمان با پوشیدن شتاب سنج ، مانیتور ضربان قلب و یک کالری سنج غیرمستقیم قابل حمل برای اندازه گیری جذب اکسیژن. شتاب سنج لگن در تاج ایلیاک قرار داده شد و با کمربند ایمن شد. جذب اکسیژن (VO₂) و ضربان قلب به طور مداوم در طول کارهای فعالیت بدنی با استفاده از موبایل OxyCon (Carefusion ، Rolle ، سوئیس) ، یک واحد متابولیک قابل حمل ، باتری قابل حمل و نفس اندازه گیری شد.

وظایف مطالعه کالیبراسیون به شدت از شدت کم تحرک تا متوسط در زنان مسن متفاوت است. زنان برای هر کار برای اطمینان از سطح تلاش از شدت متوسط ، رتبه های BORG را از فشار درک شده (RPE) [34] ارائه دادند. به استثنای پیاده روی تردمیل با سرعت های مختلف ، شرکت کنندگان 2 دقیقه بین فعالیت ها استراحت کردند تا ضربان قلب بتواند در طی 10 ضربان در دقیقه از ضربان قلب استراحت کند. اندازه گیری همزمان شمارش شتاب سنج ، ضربان قلب و VO₂ were recorded during the entire period for each physical activity. The duration of tasks was chosen to achieve steady rate metabolism for measurement of task-specific oxygen uptake. The participants performed tasks in the following order: watching DVD while sitting quietly (alias: DVD), assembling puzzle while sitting (alias: PUZZ), washing dishes while standing (alias: DISH), doing laundry while standing (alias: LAUD), 400-meter walking (alias: WALK), dust mopping while standing (alias: MOP), treadmill walking at 1.5mph (alias: TM15), and treadmill walking at higher speed, either 2.0mph (alias: TM20) or 2.5mph (alias: TM25) depending on the RPE. Determination of a 2.0 mph vs. a 2.5 mph pace for the second walking stage was based on participant’s RPE after 5 minutes into the 1.5 mph walk. At this point, women reporting a RPE of ≤ 11 walked at the 2.5 mph pace, while those reporting a RPE of 12−14 walked at the 2.0 mph pace. Women with a RPE >14 با پیاده روی تردمیل سریعتر ادامه نداد.

در بقیه مقاله ، به انواع فعالیت های بدنی توسط نام مستعار آنها گفته می شود. از داده های شتاب سنجی خام برای محاسبه AI و ENMO استفاده شد. VO₂با تقسیم میزان اکسیژن به 3. 5 میلی لیتر در (کیلوگرم دقیقه) به میانگین هزینه انرژی در طول هر فعالیت در Mets تبدیل شد. علاوه بر این ، اندازه گیری های استاندارد مانند وزن ، قد و فشار خون در طول آزمایشگاه انجام شد. جزئیات بیشتر در مورد این اندازه گیری ها و پروتکل را می توان در جای دیگر یافت [19].

شاخص فعالیت جدید

داده های شتاب سنج خام اندازه گیری شتاب کل از حرکت دستگاه و گرانش. دومی که همیشه 1 گرم به پایین است. همانطور که قبلاً گزارش شده بود [28] ، تنوع سیگنال های شتاب خام (انحراف استاندارد یا واریانس) در دوره های کوتاه (به عنوان مثال ، 1 ثانیه) گرانش را از بین می برد و اندازه گیری خلاصه ای از شدت حرکت را ارائه می دهد. انحراف استاندارد بزرگی نوسان سیگنال ها را ضبط می کند. هنگامی که فرکانس چنین نوسان افزایش می یابد (به عنوان مثال ، هنگامی که پوشنده شتاب سنج از راه رفتن به دویدن تغییر می کند) ، انحراف استاندارد می تواند افزایش تنوع سیگنال ها را تشخیص دهد ، در حالی که ممکن است میانگین بر این اساس تغییر نکند. بنابراین ، ما تصمیم گرفتیم از واریانس داده های شتاب سنجی خام در طول سه محور به عنوان بلوک های ساختمانی برای ساخت متریک پیشنهادی استفاده کنیم.

به طور خاص، اجازه دهید واریانس سیگنال‌های شتاب شرکت‌کننده i را در امتداد محور m (m = 1،2،3) در پنجره‌ای به طول H که از t شروع می‌شود، نشان دهیم. سپس تنوع سه محور را با جمع آوری آنها جمع می کنیم. مجموع با استفاده از واریانس سیستماتیک نویز که با نشان داده شده است، نرمال شد، به طوری که وقتی دستگاه در حال حرکت نیست، مقادیر صفر را به دست می‌دهد. به دقت دستگاه بستگی دارد و با استفاده از داده های خام در دوره هایی که شتاب سنج حرکت نمی کند قابل محاسبه است. به طور خاص، (m = 1،2،3) میانگین جایی است که برای جمع آوری نقاط زمانی t در زمانی که شتاب سنج حرکت نمی کند است. شاخص فعالیت پیشنهادی، برای دوره ای به طول H که در زمان t شروع می شود با (1) تعریف می شود.

هوش مصنوعی تغییرپذیری شتاب دستگاه را بیش از نویز سیستماتیک ثبت می کند و واحدی مشابه با "g" دارد.

در عمل، ما متوجه شدیم که هوش مصنوعی معمولاً در یک محدوده باریک است، همانطور که در واحد "g" بیان می شود، به ویژه برای فعالیت های کم تحرک تا سبک. برای افزایش تفسیرپذیری، ما همچنین یک نسخه اصلاح شده از هوش مصنوعی را در مقیاس نسبی ارائه می کنیم. به طور خاص، ما هوش مصنوعی را با استفاده از واریانس سیستماتیک (2) استاندارد می کنیم به طوری که یک مقدار هوش مصنوعی 1 معادل کوچکترین مقدار تغییرپذیری قابل تشخیص توسط دستگاه باشد. مقادیر مقیاس نسبی هوش مصنوعی در محدوده وسیع تری مشابه AC پخش می شود و ممکن است توسط برخی از محققان ترجیح داده شود. برای مطالعاتی که از یک دستگاه شتاب‌سنجی برای همه شرکت‌کنندگان استفاده می‌کنند، دو نسخه از هوش مصنوعی با ثابت تناسب برابر هستند، بنابراین عملکرد آنها معادل است. در کاربرد مطالعه OPACH، ما نتایج را با استفاده از مقیاس نسبی هوش مصنوعی در برنامه برای سهولت ارائه و تفسیر گزارش کردیم. تعاریف دقیق همه این مقادیر در اطلاعات پشتیبانی ارائه شده است.

هوش مصنوعی جدید پیشنهادی دارای سه ویژگی مطلوب است: سهولت اجرا، افزودنی و تغییر ناپذیری چرخشی. از آنجایی که این ویژگی‌ها برای هوش مصنوعی در مقیاس مطلق و نسبی وجود دارد، ما هوش مصنوعی جدید را بدون توجه به مقیاس آن نشان می‌دهیم. با یک فرمول صریح، می‌توان به روشی محاسباتی کارآمد برای مطالعات اپیدمیولوژیک بزرگ با ده‌ها هزار شرکت‌کننده که شتاب‌سنج پوشیده‌اند، اجرا شد. برای افزایش، ما ثانیه به ثانیه را به عنوان بهترین سطح برای محاسبه هوش مصنوعی تعریف کردیم، که در آن H_ساندازه پنجره برای یک ثانیه بود. هر AI جمع شده (به عنوان مثال ، 1 دقیقه AI یا AI) با جمع بندی تمام AIS مجاور 1 ثانیه در آن دوره (به عنوان مثال ،) بدست آمد. تغییر چرخشی به این معنی است که هوش مصنوعی صرف نظر از جهت گیری دستگاه ، میزان حرکت بیش از سه محور را خلاصه می کند.

این خصوصیات در بحث توضیح داده شده است ، در حالی که جزئیات و اثبات فنی در اطلاعات پشتیبانی گنجانده شده است. توجه داشته باشید که اگرچه هوش مصنوعی قبلاً پیشنهاد شده است₀[28] همچنین بر اساس انحراف استاندارد سیگنال های شتاب ، چندین اشکال داشت و سه ویژگی مورد بحث در بالا را در اختیار نداشت. به طور خاص ، ai₀برای عادی سازی متریک به یک پارامتر تنظیم خاص شرکت کننده نیاز دارد ، در حالی که AI فقط به یک پارامتر تنظیم دستگاه یا مطالعه خاص نیاز دارد. برخلاف AI ، ai₀عدم تغییر چرخشی را تضمین نمی کند زیرا این ترکیب را از 3 محور با استفاده از مجموع انحرافات استاندارد به جای جمع واریانس ترکیب می کند. جزئیات بیشتر در مورد تفاوت بین هوش مصنوعی و هوش مصنوعی₀در اطلاعات پشتیبانی گنجانده شده است.

تحلیل آماری

پردازش داده ها.

در بین 200 زن از مطالعه کالیبراسیون اوپاک ، 194 داده های شتاب سنجی خام کامل موجود را در دسترس داشتند که در تجزیه و تحلیل ما مورد استفاده قرار گرفتند. هوش مصنوعی دوم به ثانیه برای هر شرکت کننده در طول هر فعالیت بدنی محاسبه شد. با توجه به "حالت خواب بیکار" Actigraph ، دوره های 10 ثانیه ای در ابتدای دوره های انتخابی غیر لباس (بیکار) برای برآورد استفاده شد. ما برای 10 شرکت کننده محاسبه کردیم و متوجه شدیم که آنها بسیار نزدیک به یکدیگر هستند. چنین سازگاری در بین شرکت کنندگان مختلف (یا اساساً دستگاه ها) به ما اجازه می داد تا آنها را با هم ترکیب کنیم ، که این یک تنوع سیستماتیک خاص مطالعه بود. با استفاده از ، دوم به ثانیه برای شرکت کننده در زمان t محاسبه شد. ENMO دوم به ثانیه با محاسبه میانگین در طول هر پنجره یک ثانیه محاسبه شد [T ، T + H_س- 1] [30] ، جایی که x₁(T) ، x₂(T) و X₃(t) سیگنال های شتاب خام هر محور و H هستند_ساندازه پنجره برای یک ثانیه است. AC و AC مربوطه با LFE در هر ثانیه با استفاده از نرم افزار ActIlife محاسبه شد.

مقایسه مستقیم AI ، AC و ENMO.

اندازه گیری AI ، AC و ENMO دوم به ثانیه با استفاده از روشهای مختلف مقایسه شد. اول ، پراکندگی های AI در مقابل AC و AI در مقابل ENMO ، برای شرکت کنندگان به طور تصادفی انتخاب شده مورد بررسی قرار گرفت. دوم ، برای هر یک از هوش مصنوعی ، AC ، AC (LFE) و ENMO ، یک جعبه معیارهای جمع شده در همه شرکت کنندگان برای هر 9 فعالیت بدنی ایجاد شد. سوم ، تجزیه و تحلیل ویژگی های عامل گیرنده (ROC) برای ارزیابی و مقایسه عملکرد AI ، AC و ENMO در تمایز انواع فعالیت های مختلف انجام شد. به طور خاص ، ما مقایسه ها را با نمونه هایی از 4 جفت فعالیت نشان دادیم: DVD در مقابل DISH ، DVD در مقابل LAUD ، DVD در مقابل پوزز و پیاده روی در مقابل MOP. از منطقه زیر منحنی های ROC (AUC) برای ارزیابی عملکرد پیش بینی هر اندازه گیری استفاده شد ، زیرا این نشان دهنده صحت آزمون برای تمایز بین دو نمونه است ، با مقادیر قابل توجهی بیشتر از 0. 5 نشان دهنده تبعیض بهتر از تنها به تنهایی است.

مقایسه عملکرد پیش بینی MET AI ، AC و ENMO.

ما AI ، AC و ENMO را از نظر عملکرد پیش بینی کننده آنها از هزینه انرژی مقایسه کردیم ، همانطور که توسط یک کالری سنج غیرمستقیم قابل حمل در Mets اندازه گیری می شود. MET MET در طی هر فعالیت همراه با میانگین AI ، AC و ENMO در طی هر نوع فعالیت مورد بررسی قرار گرفت. از پراکندگی های AI ، AC و ENMO در مقابل Mets برای بازرسی بصری این انجمن ها استفاده شد ، با ضرایب همبستگی پیرسون گزارش شده است. ما همچنین عملکرد AI ، AC و ENMO را هنگام تمایز بین فعالیت های شدت های مختلف که توسط آستانه های Mets تعریف شده است ، ارزیابی کردیم. رفتارهای بی تحرک به عنوان کسانی که دارای ملاقات بودند تعریف شد< 1.5, light activities as those with MET∈ [1.5,3) and moderate-to-vigorous activities as those with MET≥ 3. AUC was used to compare the prediction performance of these metrics to distinguish between activities performed at different levels of energy expenditure.

نرم افزار.

AC و AC (LFE) با استفاده از ActIlife (نسخه 6. 11. 8 ؛ Actigraph ، Pensacola ، FL) محاسبه شدند. محاسبات هوش مصنوعی و ENMO ، و همچنین تجزیه و تحلیل آماری در R (نسخه 2. 15. 3 ؛ بنیاد R برای محاسبات آماری ، وین ، اتریش) انجام شد. بسته R برای محاسبات AI در GitHub (https://github. com/javybai/activitivityIndex) در دسترس است.

نتایج

آمار خلاصه

194 زن مورد استفاده در تجزیه و تحلیل ما میانگین سنی 75. 4 سال (انحراف معیار 7. 7) ، با 21. 6 ٪ (42 نفر) بین 60-69 سال ، 44. 8 ٪ (87 نفر) بین 70-79 سال ، 4 /31 ٪ (31. 4 ٪ (N = 61) بین 80-89 سال و 2. 1 ٪ (4 نفر) بین 90-91 سال. برای شاخص توده بدنی ، شرکت کنندگان به طور مساوی در مقوله های طبیعی ، اضافه وزن و چاقی (به ترتیب 68 ، 60 و 63 نفر) توزیع شدند ، در حالی که 3 شرکت کننده کم وزن بودند.

آمار خلاصه (میانگین و انحراف معیار) برای AI، AC، AC (LFE) و ENMO از مطالعه در جدول 1 نشان داده شده است. برای فعالیت های کم تحرک، سبک و متوسط، میانگین AI و هر دو AC به ترتیب افزایش یافته است. هزینه انرژی فعالیت ها: DVD، PUZZ، DISH، LAUN و MOP. با این حال، میانگین ENMO برای چهار فعالیت اول مشابه بود، و نشان می‌دهد که ENMO ممکن است از نظر تمایز بین انواع فعالیت‌های کم تحرک و سبک عملکرد کمتری نسبت به سایر معیارها داشته باشد. برای سه سرعت راه رفتن روی تردمیل، تمام معیارها مطابق انتظار انجام شد و با افزایش سرعت از 1. 5 مایل در ساعت به 2. 5 مایل در ساعت افزایش یافت. با این حال، نسبت میانگین تقسیم بر انحراف استاندارد ENMO و هر دو AC به طور قابل‌توجهی بزرگ‌تر از AI برای هر فعالیت بود، که نشان‌دهنده ناهمگونی کوچک‌تر برای AI است.

مقایسه مستقیم AI، AC و ENMO

شکل 2 نمودارهای پراکندگی ثانیه به ثانیه AI (محور y) در مقابل AC (محور x) (شکل 2A) و AI (محور y) در مقابل ENMO (محور x) (شکل 2B) را برای یک شرکت‌کننده به‌طور تصادفی انتخاب می‌کند.. نقاط در رنگ های مختلف ارائه شدند تا بین انواع فعالیت های مختلف (یک رنگ در هر فعالیت) متمایز شوند. برای کاهش بیش از حد ترسیم، ما به طور تصادفی 100 ثانیه از هر فعالیت نمونه برداری کردیم و فقط AI، AC و ENMO را در طول این ثانیه های نمونه نشان دادیم. شکل نشان می دهد که AC و ENMO برای رفتارهای بی تحرک مانند DVD و PUZZ اغلب برابر یا بسیار نزدیک به 0 بودند. برای فعالیت‌های شدت نور از جمله DISH و LAUN، AC گسترش گسترده‌ای را در محدوده 0 تا 60 با مقادیر زیادی صفر نشان می‌دهد، در حالی که مقادیر AI عمدتاً غیر صفر بودند و تمایل داشتند برای هر نوع فعالیت خوشه‌بندی شوند. ENMO برای فعالیت های متوسط (MOP، WALK، TM15، TM20 و TM25) بسیار با هوش مصنوعی همبستگی داشت.

نمودارهای پراکنده شاخص فعالیت (AI، محور y) در مقابل تعداد فعالیت (AC، محور x) (A) و AI (محور y) در مقابل هنجار اقلیدسی منهای یک (ENMO، محور x) (B) برای یک انتخاب تصادفیشرکت کنندههر نقطه معرف معیارهای تابستانی فعالیت در یک بازه زمانی 1 ثانیه‌ای است. نقاط در رنگ های مختلف ارائه شدند تا انواع فعالیت های مختلف را نشان دهند. یک نمونه تصادفی 100 ثانیه ای برای هر فعالیت برای کاهش بیش از حد ترسیم نشان داده شد.

شکل 3 توزیع AI ، AC ، AC (LFE) و ENMO (پس از جمع کردن همه شرکت کنندگان) را برای هر فعالیت نشان می دهد. این تأیید کرد که هر دو AC و ENMO (شکل 3B و 3D) برای فعالیتهای کم تحرک و سبک (مانند DVD ، پوزه ، ظرف و لاین) مقادیر بسیار نزدیک به 0 دارند. اگرچه LFE حساسیت AC را نسبت به فعالیت های کم تحرک و سبک افزایش داد (شکل 3C) ، هنوز تعداد صفر قابل توجهی برای DVD ، پوزه و ظرف (با میانگین نزدیک به صفر) وجود داشت. در مقابل ، هوش مصنوعی در شکل 3A توزیع هایی را نشان می دهد که برای فعالیت های مختلف از هم جدا تر بودند ، زیرا مقادیر AI متوسط با شدت فعالیت افزایش می یابد. برای فعالیتهای بدنی با شدت متوسط تا متوسط ، مانند پیاده روی 400 متری و پیاده روی تردمیل ، مقادیر هر چهار معیار بیشتر متمرکز و با سرعت راه رفتن افزایش یافته است. این مشاهدات حاکی از آن است که هوش مصنوعی معیارهای خلاصه ای را برای سیگنال های شتاب سنجی خام ارائه می دهد که به احتمال زیاد در بین فعالیت ها قابل تشخیص هستند.

شکل 3. مقایسه جعبه های شاخص فعالیت (AI) ، تعداد فعالیت (AC) ، AC با گسترش فرکانس پایین (LFE) و هنجار اقلیدسی منهای یک (ENMO) در طی انواع مختلف فعالیت ها.

قسمتهای خارج از سوت های فوقانی و پایین حذف شده اند. هر نوع متریک خلاصه از همه شرکت کنندگان در کنار هم جمع شده و مطابق نوع فعالیت ترسیم شده است.

شکل 4 چهار قطعه ROC را از تمایز انواع مختلف فعالیت های کم تحرک به سبک با استفاده از هوش مصنوعی ، AC و ENMO نشان می دهد. منحنی های جامد ، بنفش شکسته ، پرتقال و منحنی های نقطه ای به ترتیب منحنی های ROC AI ، AC ، AC (LFE) و ENMO بودند. منحنی های متراکم و نقطه ای در شکل 4a و 4C به خط مورب نزدیکتر بودند (معادل طبقه بندی حدس تصادفی) ، در حالی که منحنی جامد مربوطه در کل بسیار بالاتر بود. این نشان داد که نه AC و نه ENMO نمی توانند DVD را از ظرف یا پوزه متمایز کنند (AUC کوچکتر از/نزدیک به 0. 50) ، در حالی که AI با AUC بیشتر از 0. 90 عملکرد بسیار بهتری داشت. عملکرد پیش بینی کننده AC و ENMO با MET (به ترتیب پوزه ، ظرف و لود) افزایش یافته است ، اما هوش مصنوعی در همه موارد دارای AUC های قابل ملاحظه ای بالاتر بود. به طور کلی ، AC با LFE AUC بیشتری نسبت به AC بدون LFE و ENMO داشت ، که مربوط به عملکرد بهتر پیش بینی شده برای فعالیت های کم تحرک و سبک است (شکل 4A ، 4B و 4C). شکل 4D عملکرد AI و AC را برای یک جفت فعالیت بدنی متوسط تا شدید (MVPA) ، MOP در مقابل پیاده روی نشان می دهد. برای این جفت فعالیتهای پیش بینی عملکرد AC با و بدون LFE بسیار نزدیک بود (AUCS~0. 70-0. 71). این نشان می‌دهد که LFE عملکرد پیش‌بینی AC را برای فعالیت‌های کم تحرک تا سبک افزایش می‌دهد اما برای فعالیت‌های متوسط نه. AI و ENMO هر دو نسخه AC را در این مورد با AUC 0. 93 و 0. 95 عملکرد بهتری داشتند. شکل 4 تأیید می کند که هوش مصنوعی متمایزترین معیارهای خلاصه را برای فعالیت ها در هر سطح از شدت فعالیت ارائه می دهد، در حالی که AC و ENMO فقط برای MVPA عملکرد خوبی داشتند. علاوه بر این، ENMO به خوبی هوش مصنوعی را برای MVPA انجام داد.

شکل 4. منحنی‌های «ویژگی عملکرد گیرنده» (ROC) برای تشخیص چهار جفت نوع فعالیت، با استفاده از شاخص فعالیت (AI، منحنی‌های جامد) یا تعداد فعالیت (AC، منحنی‌های نقطه چین به رنگ‌های مختلف برای AC با و بدون پسوند فرکانس پایین (LFE)) یا هنجار اقلیدسی منهای یک (ENMO، منحنی‌های نقطه‌دار)، به ترتیب.

ناحیه مربوطه زیر منحنی (AUC) هر منحنی ROC در قسمت افسانه آورده شده است.

مقایسه عملکرد پیش‌بینی MET AI، AC و ENMO

شکل 5 نمودار پراکندگی MET ها را در مقابل چهار معیار: AI، AC، AC (LFE) و ENMO نشان می دهد. METها با هر چهار معیار با ضرایب تعیین (R2) به ترتیب با مقادیر 0. 72، 0. 54، 0. 59 و 0. 62 برای AI، AC، AC (LFE) و ENMO همبستگی مثبت داشتند. اگرچه AC و ENMO با MET ها همبستگی داشتند، اما برای DVD، DISH و PUZZ نزدیک به 0 بودند، در حالی که ENMO حتی برای LAUN نزدیک به 0 بود. در مقابل، مقادیر MET برای این فعالیت‌ها متفاوت بود، و نشان می‌دهد که ENMO و AC ممکن است از نظر پیش‌بینی فعالیت‌های با شدت کم عملکرد ضعیفی داشته باشند. AC (LFE) حساسیت کمی بهبود یافته به فعالیت های کم تحرک و سبک نشان داد. در مقابل، هوش مصنوعی افزایش MET را برای همه فعالیت‌ها بسیار نزدیک‌تر دنبال کرد.

نمودارهای پراکنده معادل های متابولیک (METs) در مقابل شاخص فعالیت (AI) (A)، تعداد فعالیت (AC) (B)، AC با پسوند فرکانس پایین (LFE) (C) و هنجار اقلیدسی منهای یک (ENMO) (D). MET برای هر چهار نمودار روی محور x قرار دارد، در حالی که AI، AC، AC (LFE) و ENMO به ترتیب در (A)، (B)، (C) و (D) روی محور y هستند. هر نقطه در شکل نشان دهنده میانگین MET های یک شرکت کننده در طول یک فعالیت خاص (در رنگ های مختلف) در مقابل میانگین AI، AC یا ENMO در حالی که او در حال انجام همان فعالیت بود.

تجزیه و تحلیل ROC برای تعیین کمیت بیشتر این یافته ها انجام شد. شکل 6 منحنی های ROC AI ، AC (با و بدون LFE) و ENMO را برای طبقه بندی دسته های شدت فعالیت مانند کم تحرک (3 Mets) فراهم می کند. هوش مصنوعی بهتر از AC برای همه فعالیت ها عمل کرد ، در حالی که ENMO برای فعالیت های کم تحرک و سبک عملکرد کمی بدتر از AC داشت (شکل 6B و 6C ، با AUC 0. 85 V. 0. 86 و 0. 74 V. S. 75). Enmo هنگام تمایز MVPA و سایر فعالیت ها بسیار خوب عمل کرد (شکل 6C) ، با AUC قابل مقایسه با AI (0. 97 V. S. 0. 96). عملکرد پیش بینی کننده هر دو نسخه AC و ENMO برای MVPA در مقابل فعالیت های نوری بهتر از نور در مقابل فعالیت های کم تحرک بود (شکل 6C). این نشان می دهد که هر دو AC و ENMO به عنوان طبقه بندی کننده فعالیت های کم تحرک و سبک به شدت محدود هستند. AC (LFE) برای تمایز بین فعالیت های کم تحرک و سبک بهتر از AC عمل کرد (AUC از 0. 75 به 0. 85 در شکل 6C افزایش یافته است). AUC برای پیش بینی نور در مقابل MVPA برای AC با و بدون LFE تقریباً یکسان بود (هر دو در شکل 6A 92). این نشان داد که LFE عملکرد پیش بینی کننده AC را برای MVPA به طور قابل توجهی بهبود نمی بخشد.

منحنی های "ویژگی عامل گیرنده" (ROC) شاخص فعالیت (AI) ، تعداد فعالیت (AC) ، AC با فرمت فرکانس پایین (LFE) و هنجار اقلیدسی منهای یک (ENMO) برای پیش بینی اینکه آیا معادل متابولیک (MET) کوچکتر است یابیشتر از 3 (a) و 1. 5 (b) ، و اینکه آیا MET بزرگتر از 1. 5 اما کوچکتر از 3 (c) است. منحنی های ROC برای AI ، AC و ENMO به ترتیب جامد ، متراکم و لکه دار هستند ، در حالی که AC با و بدون LFE در بنفش و نارنجی ارائه می شود. ناحیه مربوطه در زیر منحنی (AUC) هر منحنی ROC در بخش افسانه آورده شده است.

بحث

ما هوش مصنوعی ، معیار جدیدی از فعالیت بدنی را بر اساس داده های شتاب سنج خام با وضوح بالا پیشنهاد کردیم. هوش مصنوعی دارای چندین خاصیت مطلوب از جمله شفافیت ، سهولت استقرار ، افزودنی و عدم تغییر چرخشی است. متریک جدید با استفاده از داده های آزمایشگاهی از 194 زن 60-91 سال در مطالعه اوپاک با AC مستقر (با و بدون LFE) و ENMO مقایسه شد. ما دریافتیم که هوش مصنوعی در تمایز بین انواع مختلف فعالیت های بدنی در سطوح با شدت مختلف بهترین است. هوش مصنوعی از نظر پیش بینی هزینه انرژی بیان شده در MET بهترین عملکرد کلی را داشت و عملکرد پیش بینی بهتری برای طبقه بندی یک دوره به دسته های مختلف شدت فعالیت بدنی داشت.

از آنجا که سر و صدای سیستماتیک برای محاسبه AI با استفاده از "دوره غیر پوششی" از پیش حاشیه نشین تعیین می شود ، هوش مصنوعی می تواند در مطالعات بزرگ اپیدمیولوژی با تلاش کم اجرا شود. دوره های غیر لباس ممکن است به روش های مختلفی بدست آید. اول ، شرکت کنندگان می توانند دوره های غیر لباس را گزارش دهند. دوم ، قبل از استفاده در مطالعه ، داده ها می توانند جمع آوری شوند در حالی که شتاب سنج روی یک میز قرار می گیرند. در این حالت ، انحرافات استاندارد ، به جای خاص شرکت کننده ، خاص شتاب سنج هستند. بنابراین ، فقط برای هر شتاب سنج مورد استفاده در مطالعه فقط باید یک محاسبه شود و برای همه شرکت کنندگان که از همان شتاب سنج استفاده می کنند ، می تواند یکسان باشد. سوم ، یک الگوریتم منتشر شده [35،36] می تواند برای شناسایی دوره های غیر لباس استفاده شود. علاوه بر این ، همانطور که در تجزیه و تحلیل داده های ما ، ما می توانیم تمام انحرافات استاندارد را با یک انحراف استاندارد "خاص" ترکیب کنیم و در طول یک مطالعه از این پارامتر واحد استفاده کنیم. تا زمانی که در بین شتاب سنج تفاوت چندانی نداشته باشد ، این رویکرد منطقی است. یک هیستوگرام ساده از می تواند نشان دهد که آیا فرض در مطالعه معتبر است و می تواند شتاب سنج های کالیبره شده را شناسایی کند.

افزودنی و عدم تغییر چرخشی هر دو خاصیت اندازه گیری مورد نظر هستند که هوش مصنوعی جدید را به عنوان یک اندازه گیری فعالیت بدنی مناسب تعریف می کنند. هوش مصنوعی به این معنا که مقادیر هوش مصنوعی در دوره های مختلف می تواند اضافه شود تا یک هوش مصنوعی جمع شده را ارائه دهد که در قطعنامه ها سازگار باشد. افزودنی یک ویژگی مهم خودآموزی است ، زیرا تضمین می کند که هوش مصنوعی در طول مطالعات قابل مقایسه و قابل تعمیم است. به عنوان مثال ، اگر مطالعه A نشان می دهد که افراد از 30 AI در ثانیه به عنوان برش برای شدت نور و فعالیت های شدت متوسط استفاده می کنند ، معادل آن است که 60 × 60 = 1800 AI در دقیقه را به عنوان برش در مطالعه B که محاسبه می کند ، پیشنهاد کنیدهوش مصنوعی در هر دقیقه. علاوه بر این ، تغییر چرخشی هوش مصنوعی تضمین می کند که بدون تغییر باقی می ماند در حالی که شرکت کننده در حال انجام همان نوع فعالیت بدنی با یک شتاب سنج چرخشی است که در همان مکان روی بدن قرار می گیرد. این خاصیت در عمل بسیار مهم است. در بسیاری از مطالعات که داده های زندگی رایگان را جمع می کنند ، دستگاه می تواند هنگام مجهز بودن یا در طول جمع آوری داده ها ، چرخش یا شیب داشته باشد. AI پیشنهادی ما از لحاظ تئوری عدم تغییر چرخش را تضمین می کند و باعث کاهش نویز و تعصب به دلیل چرخش در کاربردهای عملی می شود. ما انتظار داریم که این امر با استحکام بهتر به چرخش ها و تغییرات کوچک در محل روی بدن ترجمه شود.

اگرچه اقدامات خلاصه مانند AI ، AC و ENMO تمام اطلاعات موجود در داده های خام را حفظ نمی کند ، تجزیه و تحلیل بر اساس این معیارها باید به دلیل کاهش قابل ملاحظه اندازه داده ها و تفسیر صریح ، بخش عمده ای از تحقیقات باقی بماند. شکل 1 نشان می دهد که اکثر مسیرهای تجزیه و تحلیل به اقدامات خلاصه متکی هستند. هوش مصنوعی پیشنهادی ما یک جایگزین منابع باز برای AC محبوب برای جمع بندی داده های خام است که یک پل مهم بین داده های خام و اقدامات خلاصه است. برای نشان دادن هوش مصنوعی در واقع روشی بهتر از سایرین برای خلاصه کردن داده های خام است ، ما نشان دادیم که AI به مقادیر مجزا تر از AC و ENMO بر اساس داده های خام فعالیت های مختلف ارائه می شود. هوش مصنوعی همچنین با Mets نسبت به AC و ENMO بسیار ارتباط داشت و در حالی که برای طبقه بندی فعالیت های دسته های با شدت مختلف استفاده می شد ، بسیار بهتر عمل می کرد. هر دو Evenson و همکاران.[19] و مطالعه ما نشان داد كه اگرچه Actigraph تلاش كرد تا با استفاده از LFE برای ضبط بهتر حرکات کم دامنه [37] بهبود یابد ، اما پیشرفت در AC استاندارد متوسط است. ENMO یکی دیگر از متریک های مهم منبع باز برای داده های شتاب سنجی خام است ، اما ثابت شد که از AI برای فعالیت های بی تحرک و سبک بهتر است. ما ادعا می کنیم که جایگزینی یا مکمل AC با هوش مصنوعی ، شفافیت مورد نیاز برای پردازش داده های خام را فراهم می کند و خصوصیات فعالیت بی تحرک و سبک را تا حد زیادی افزایش می دهد.

در حالی که مقایسه هوش مصنوعی با سایر معیارها با استفاده از داده های گروهی از زنان مسن انجام شده است ، مزیت هوش مصنوعی نسبت به AC و ENMO محدود به این جمعیت نیست. در واقع ، این رویکرد خلاصه اطلاعات موجود در داده های سری زمانی شتاب ، که مستقل از ویژگی های جمعیت هستند. در حالی که ما نشان داده ایم که AI از نظر کمیت فعالیت های کم تحرک و سبک از AC و ENMO بهتر است ، همچنین برای MVPA بهتر (از AC) یا به همان اندازه خوب (به عنوان ENMO) عمل می کند. بنابراین ، در حالی که جمعیت در سنین دیگر نیز فعالیت هایی را در این چهار دسته شدت انجام می دهد و سری زمانی شتاب مشابه را تولید می کند ، انتظار داریم که در این موارد ، هوش مصنوعی حداقل برای فعالیت های کم تحرک و سبک عملکرد بهتری داشته باشد. مطالعات آینده در مورد جوانان و بزرگسالان ، با استفاده از طیف وسیعی از شدت فعالیت های بدنی ، می تواند صریحاً این کار را انجام دهد.

کار ما چندین محدودیت بالقوه دارد. به عنوان مثال ، در این مطالعه فقط یک نوع شتاب سنج ، Actigraph GT3x+در نظر گرفته شد. این یک مشکل باز برای مقایسه هوش مصنوعی جمع آوری شده از سایر دستگاه ها است ، اگرچه ما انتظار می رود نتایج مداوم برای شتاب سنج های خوب کالیبره شده باشد. مطالعات شاکر یا مطالعات با استفاده از چندین دستگاه به طور همزمان می تواند برای پاسخ به این نوع سؤال انجام شود. محدودیت دیگر این است که ما فقط داده های شتاب سنجهای لگن را بررسی کردیم. از آنجا که بسیاری از مطالعات فعلی به سمت شتاب سنجهای مچ دست برای بهبود انطباق حرکت کرده اند ، درک این نکته مهم است که چگونه AI برای شتاب سنج های مچ دست مچ دست عمل می کند. محدودیت قابل توجه نهایی تمرکز ما بر روی زنان 60 سال و بالاتر است. اکتشاف در نمونه های دیگر ضروری است. با این وجود ، هوش مصنوعی پیشنهادی روشی جدید و شفاف برای خلاصه کردن داده های شتاب سنجی خام متراکم نمونه ای ارائه می دهد ، و ممکن است به عنوان جایگزینی برای AC باشد.

پشتیبانی اطلاعات

پرونده S1شاخص فعالیت برای داده های شتاب سنجی خام و مقایسه آن با سایر معیارهای فعالیت: مواد تکمیلی.

این ماده تکمیلی جزئیات فنی و اثبات تعریف و خصوصیات شاخص فعالیت را ارائه می دهد.