沈阳论文发表-使用无监督机器学习来量化多样化和快速变化的人群中加速度计的身体活动
抽象
加速度计广泛用于测量身体活动行为，包括儿童。处理加速度数据的传统方法使用切割点来定义身体活动强度，依赖于将加速度大小与能量消耗相关联的校准研究。然而，这些关系不能在不同的人群中推广，因此必须对每个亚人群（例如年龄组）进行参数化，这是昂贵的，并且使得跨不同人群的研究变得困难，并且随着时间的推移变得困难。一种数据驱动的方法允许从数据中得出身体活动强度状态，而不依赖于从外部人群得出的参数，为这个问题提供了新的视角，并有可能改善结果。我们应用了一种无监督的机器学习方法，即隐藏的半马尔可夫模型，对3名具有不同发育能力的儿童（279-9个月大）记录的原始加速度计数据（使用腰部佩戴的ActiGraph GT38X+）进行分割和聚类（使用残疾量表的儿科评估 - 计算机自适应测试测量）。我们使用切割点方法对这一分析进行了基准测试，该方法使用文献中的阈值计算，这些阈值已使用相同的设备进行了验证，并且针对与我们最匹配的人群。通过这种无监督方法测量的活动时间与儿童活动能力的PEDI-CAT测量值的相关性更强（R2： 0.51 vs 0.39）， 社会认知能力 （R2： 0.32 vs 0.20）， 责任 （R2： 0.21 与 0.13）， 日常活动 （R2： 0.35 vs 0.24）， 和年龄 （R2：0.15 vs 0.1），比使用切割点方法测量的。与当前的切点方法相比，无监督机器学习提供了提供更敏感、更适当和更具成本效益的方法来量化不同人群的身体活动行为的潜力。这反过来又支持了更具包容性的研究，包括多样化或快速变化的人群。
作者摘要
幼儿的身体活动参与情况通常使用父母报告进行衡量。加速度测量法提供了更客观的测量方法，但用于量化的传统方法需要校准，并且难以推广到多样化或快速变化的人群，如幼儿。近年来，无监督机器学习方法已被证明能够分割和聚类加速度，允许从数据驱动的过程中出现活动强度类别。在这里，我们展示了一种无监督的机器学习技术（隐半马尔可夫模型）可用于估计从9-36个月大的不同儿童群体记录的加速度数据中的活动强度类别。我们还表明，与传统的切割点方法相比，这种方法可以更好地捕捉人口中运动能力的差异。与更传统的分界点方法相比，隐半马尔可夫模型方法为处理和分析快速变化和多样化的人群（如幼儿）中的加速度计数据提供了一种更有效的方法。由于它不需要校准研究来纳入新的人群，因此有可能促进将无代表性的人群纳入研究，并且资源密集度较低。
数字
Fig 3Table 2表1图1图2Fig 3Table 2表1图1图2
引文： 桑顿 CB，科莱迈宁 N，纳扎尔普尔 K （2023） 使用无监督机器学习来量化多样化和快速变化的人群中加速度计的身体活动。公共科学图书馆数字健康 2（4）： e0000220. https://doi.org/10.1371/journal.pdig.0000220
编辑 器： Ryan S. McGinnis，佛蒙特大学，美国
收到： 18月 2022， 23;接受： 2023月 5， 2023;发表： <>月 <>， <>
版权： ? 2023 桑顿等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。
数据可用性： 本文中介绍的结果所依据的所有数据都可以在 data.ncl 存储库中找到。身体活动数据和拟合的HSMM模型可在 doi.org/10.25405/data.ncl.21196285 获得。PEDI-CAT数据可在 doi.org/10.25405/data.ncl.21120571 获得。
资金： NK和CT获得了英格兰健康教育（HEE）/国家卫生研究所（NIHR）的资助（ICA-SCL-2015-01-003）。KN得到了工程和物理科学研究委员会（EPSRC）的资助EP/R004242/2。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。
竞争利益： 提交人声明不存在相互竞争的利益。
介绍
参加体育活动被广泛认为对所有人都有益。这包括已知体育锻炼可促进发育和积极健康结局的幼儿[1]，而久坐不动已被证明会导致睡眠不佳[2]。准确衡量该年龄组成员（包括具有非典型发育轨迹的成员）参与身体活动的情况，是制定旨在促进参与的干预措施的重要一步。
加速度计越来越多地用于测量身体活动。它们记录了它们所附着的身体部位的加速度，从而客观地记录了发生了多少运动。然后可以处理此原始加速度记录以提取在一系列身体活动强度类别中花费的时间，例如“久坐”（SED），“轻度身体活动”（LPA）和“中度至剧烈身体活动”（MVPA）。用于将原始加速度轨迹处理成这些类别的传统方法称为切割点方法，它对每个时期记录的加速度体积应用阈值 [3]。该阈值在基于实验室的详细研究中进行了校准，其中能量消耗与加速度同时测量，因此切割点阈值表示参与者预期消耗预定义能量水平的加速度量。感兴趣的能量水平通常计算为静息时消耗的能量之比（称为代谢当量（MET），儿童通常为3 MET[4]。由于加速度体积和能量消耗之间的关系取决于儿童的身体能力、体型和运动模式[5]，因此必须对每个亚群进行校准。这导致随着儿童年龄的增长和发育[6]以及具有不同运动能力的儿童[7]得出不同的分界点。因此，当所研究的人群的身体能力各不相同或迅速变化时，例如在幼儿的纵向研究中，使用临界点方法即使不是不可能，也是具有挑战性的。
最近，机器学习方法越来越多地应用于加速度计数据分析。一些人试图训练有监督的机器学习技术来识别活动类型[8，9]，而另一些人则使用无监督技术根据运动的强度和方向对活动进行分类[10-12]。后一种方法有望根据加速度数据的强度对加速度数据进行分割和聚类，而无需从外部人群中获得参数，并为确定幼儿纵向人口研究中身体活动的参与度提供一种可能更合适的方法。
HSMM方法既往曾用于对14岁普通人群中记录的加速度计数据进行分段和聚类[11]。在本研究中，我们将隐半马尔可夫模型（HSMM）应用于279名不同能力幼儿的加速度计数据进行分段和聚类。我们证明这种方法在快速发展和高度异质的人群中是一种更合适的方法。为了进行比较，我们根据传统的分界点方法处理加速度计数据，使用该总体的最佳可用参数。为了评估哪种方法提供最临床相关的测量，我们将两种方法与每个孩子在残疾量表计算机适应性测试（PEDI-CAT）的儿科评估中得分进行了比较，PEDI-CAT是一种既定的发育能力评估，具有跨年龄组和人群的强大心理测量特性。
材料和方法
道德声明
所提供的数据是作为ActiveCHILD项目（NIHR ICA-SCL-2015-01-003）的一部分收集的[13，14]。该研究获得了NHS研究伦理委员会和英国卫生研究局的批准（NHS IRAS 218313，17-NE-0051），设计借鉴了纳菲尔德伦理学关于涉及儿童的健康研究指南[15]。获得参与本研究的所有儿童的父母或监护人的正式书面同意。
数据采集
幼儿（n = 279，年龄在9至36个月之间）通过普遍健康儿童途径（即健康访客）和专业儿童健康服务（例如新生儿科，社区儿科，儿科物理治疗）在英国英格兰的16个地区招募。不同模式的健康就诊方式在各国都有不同的标签[42]。通过专家服务招募的儿童（118%，n = 278/1）有目的地过度抽样，以确保覆盖具有一系列发展轨迹的儿童。表14显示了样品的主要特性;详情见其他专题[<>]。
缩略图 下载：
.PPT幻灯片
PNGlarger image
.TIFF原始图像
表 1. 显示参与者的年龄分布和招募途径。
https://doi.org/10.1371/journal.pdig.0000220.t001
为了收集数据，向家庭提供了预先准备好的加速度计包。该包装包含一个预编程的加速度计，该加速度计穿在灵活的腰带上，以及父母的说明[17]。图1说明了如何指示父母安装设备。该设备设置为在父母收到包装两天后录制，并鼓励父母让他们的孩子在这些预先录制的日子里玩加速度计，以熟悉该设备。在第一个录制日的前一天晚上，父母被要求将加速度计放在孩子的床边，提示他们早上第一件事就是戴上它。然后要求父母鼓励孩子佩戴加速度计七天，除了洗澡或淋浴、游泳或睡觉时。在重新编码期结束时，父母被要求将加速度计发布给研究小组。作为加速度计的回报，父母会收到孩子活动的反馈表，并向孩子发送一个小玩具作为奖励。使用了ActiGraph GT3X+，此前已发现该模型可以接受且可行，可用于身体受限的5岁以下儿童[18]以及正常发育的儿童。该设备戴在腰间，设置为以 100 Hz 录制，并设置为捕获记录持续至少一秒钟的所有运动。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图1. 显示加速度计（ActiGraph GT3X+）以及如何指示佩戴它。
https://doi.org/10.1371/journal.pdig.0000220.g001
使用残疾量表的儿科评估 - 计算机自适应测试（PEDI-CAT）测量孩子的发育能力。PEDI-CAT是目前成熟的、广泛使用的残疾评定儿科评估（PEDI）的当前版本，最初发表于1992年，后修订为计算机自适应测试（CAT）[19]。PEDI-CAT在四个领域（日常活动，移动性，社会认知和责任感）衡量儿童在日常生活中的发展能力和残疾。在我们的研究中，PEDI-CAT由研究小组管理，由孩子的父母之一提供回应。PEDI-CAT软件使用项目反应理论，从每个领域内最相关的项目中最少数量的项目来估计孩子的能力，建立孩子在每个领域的能力水平。在PEDI-CAT中，移动领域评估儿童的运动行为，如坐着，爬行和走路。PEDI-CAT已经过验证，可用于诊断组，年龄，环境和国家。(19)
加速度计数据预处理
加速度计数据使用 Python 编程语言进行处理，gt3x 模块用于从文件中读取原始加速度计信号。由此，我们提取了物体加速度矢量大小的 10 秒平均值，计算为欧几里得范数减一 （ENMO） [20]。计算如下式所示，其中accx，accy，accz是沿三个正交轴的加速度。我们使用ENMO是因为它通过从整体大小中减去一个重力单位来自动校正重力的贡献，并且已被证明在根据活动强度分割加速度计方面表现良好[20]。在 [20] 之后，我们将负值四舍五入为零，以防止噪声产生负值。
由于设备始终记录运动，无论设备是否佩戴，我们数据处理的第一步是检测孩子早上何时佩戴设备，以及晚上最后一次取下设备的时间。为此，我们将记录分割成从凌晨4点开始到结束的日子 - 在[11]之后，计算活动是10秒时期的加速度平均值 - 在[21]之后，然后将第一个磨损时间作为非瞬态活动的第一个时期，最后一个磨损时间作为非瞬态活动的最后一个时期。我们将非瞬态活动定义为每 150 秒中至少记录 1000 秒的活动。这些参数是通过将一系列参数应用于我们的记录样本并选择与人类选择的磨损时间最相符的参数来根据经验确定的。然后，我们将白天的任何非磨损时间检测为任何超过21小时的连续零活动期[1]。由于许多孩子佩戴该设备超过七天，或者更零星地佩戴该设备，我们随后选择了提供最大佩戴时间的连续七天 - 该算法在样本记录中的应用如S22图所示。仅当记录日包含至少五个小时的佩戴时间时，记录日才包括在分析中;并且只有包含至少三天的适当录音才能包括整体录音[<>]。
培训 HSMM
HSMM 模型允许我们根据加速度的大小对加速度轨迹进行分段和聚类。它可以将跟踪分割为类似加速的周期，然后将每个段聚类到多个隐藏状态之一。隐藏状态由其参数定义（在本例中为描述其加速度分布和持续时间分布的参数）。HSMM 通过显式建模在状态中花费的时间持续时间来扩展更广为人知的隐马尔可夫模型 （HMM）。这被建模为泊松分布，观测值（加速度幅度）由高斯分布建模。经过训练的模型还包含一个转换概率矩阵，用于定义从一种状态转换到另一种状态的可能性。由于这些分布的参数是以贝叶斯方式学习的，因此HSMM允许仅从所研究的数据中出现隐藏状态，这与传统的切割点方法不同，传统的切割点方法的参数必须来自对外部（可能不具有代表性的）人群的研究。我们使用pyhsmm Python包[23]来训练HSMM，它实现了分层狄利克雷过程隐藏的半马尔可夫模型。HSMM 模型要求我们指定许多影响学习过程结果以及所需计算资源的超参数。我们将最大状态持续时间设置为 360 个十秒纪元或 60 分钟。我们将最大状态数设置为六个 - 这将允许每个切割点类别（SED，LPA，MVPA）的长持续时间和短持续时间状态。提前停止的条件是当两次连续迭代之间的汉明距离小于 0.05，并且最多使用 20 次迭代时。随机种子设置为零。
应用分界点法
[7]发表的分界点是目前可用的文献中最适合我们人群的。他们使用与本研究中的儿童相同的腰部佩戴式三轴ActiGraph GT3X+加速度计进行测量，40的切割点建议作为正常发育儿童和被认为是行走的脑瘫儿童的久坐活动的有效切割点。这项研究没有提供区分轻度体力活动（LPA）和中度至剧烈体力活动（MVPA）的分界点，因此我们使用[24，25]得出的最佳分界点。这些也是针对腰部佩戴的ActiGraph GT3X+加速度计测量的，但仅在正常发育的儿童中得到验证。文献中指定的切割点以加速度计计数为单位，而不是原始加速度。为了使用最适合我们人群的切点，我们使用ActiGraph提供的ActiLife软件将原始加速度计处理为加速度计计数，纪元为一秒。然后，我们使用以下规则标记每个秒纪元：
久坐活动（SED）为每秒少于40次（基于每5秒7次的估计[<>]）。
轻度体力活动（LPA）为每秒超过7次[28]，每秒少于420次计数——估计为每15秒24次[25，<>]。
MVPA为每秒超过28次[24，25]。
然后，我们使用基于 GGIR 包的 getBout.R 函数 [26] 用 Python 编写的自定义函数发现了连续活动的回合。这使得 10% 的 LPA 回合或 SED 回合以及 20% 的 MVPA 回合超出该截止点的强度范围（例如，MVPA 每秒少于 28 次计数）。通过忽略这些中断，我们认识到活动期间可能会有短暂的停顿。
结果
切割点法和HSMM法应用于279名儿童的数据，每个儿童贡献了三到七天的加速度记录。图2（A）显示了训练后HSMM的六个隐藏状态的参数。状态持续时间是模拟每个活动状态持续时间的泊松分布的 λ，状态幅度是模拟每个状态的加速度大小的高斯分布的平均值。在这里，我们可以看到具有高加速度均值的状态也具有较短的持续时间。这反映了一个基本特征，即高强度的身体活动不能与低强度活动保持相同的时间。我们还看到，这些状态可以围绕三组聚集，高强度-短持续时间（状态 4 和 5）、低强度-长持续时间（状态 2 和 3）和非常低强度（状态 0 和 1）——每个状态的颜色反映了我们分配给它的组。为了便于与传统的身体活动强度类别（SED，LPA，MVPA）进行比较，我们将SED与状态0和1进行比较，LPA与状态2和3进行比较，MVPA与状态4和5进行比较。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图2.
（A） 显示 HSMM 中每个状态的参数。颜色对应于它们被放置在的组中。（B） 显示一个孩子一天记录的样本加速度计轨迹（中心迹线），以及根据 HSMM（内圈）和传统切割点方法（外圈）的相应分类。下面的图例表示每种颜色所代表的状态或切割点类别。（C）显示全天每个HSMM州的儿童比例，非磨损时间显示为空白区域。右侧的图例表示对应于每个州的颜色。
https://doi.org/10.1371/journal.pdig.0000220.g002
图2（B）显示了一天活动的加速度计跟踪示例，以及指示分配给每个段的HSMM状态以及经典切割点类别（SED，LPA，MVPA）的注释。在这里，我们可以看到白天（12：00 到 14：00 之间）的非磨损时间示例，我们可以看到 HSMM 方法与传统切割点方法在加速度计数据样本中的比较。
图2（C）显示了儿童人口在每个HSMM州花费的时间。我们可以看到，在 06：00 之前和 23：00 之后，大多数孩子都没有佩戴该设备，但在这段时间之间，佩戴该设备的比例迅速上升到 80% 以上。中午左右佩戴该设备的儿童总数有所下降，这可能是由于午睡时间。最活跃的状态（4 和 5）约占全天花费时间的 20%。
图3（A）显示了传统切割点方法的输出与HSMM方法的输出重叠的程度，而图3（B）还显示了每种方法的输出之间的相关性。我们可以看到，SED 和 MVPA 分别与状态 0-1 （rho = 0.67） 和 4-5 （rho = 0.82） 密切相关。SED 与状态 4-5 （rho = -0.28） 呈负相关，MVPA 与状态 0-1 负相关 （rho = -0.39）。LPA 与任何状态分组都没有很强的相关性。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图3.
（A） 显示每个切割点派生类别与每个 HSMM 状态重叠的平均时间（以分钟为单位）。对状态进行排序，以便状态 0 的平均加速度最低，状态 5 的平均加速度最高。（B）显示了在每个传统的基于身体活动强度类别中花费的时间与在HSMM分组状态下花费的时间之间的相关性（Spearman's rho）。（C）显示了针对每个PEDI-CAT域进行MVPA所花费的时间的线性回归。（D） 显示 HSMM 状态 4 和 5 中花费的时间相对于每个 PEDI-CAT 域的线性回归。
https://doi.org/10.1371/journal.pdig.0000220.g003
为了进一步评估每种方法的临床效用，我们将输出与应用于我们样本儿童的残疾计算机辅助测试（PEDI-CAT）的四个领域进行了比较。图3（C）显示了做MVPA所花费的时间（作为佩戴设备的时间比例）和孩子在四个PEDI-CAT领域中每个域中取得的分数的线性回归。图3（D）显示了相同的情况，但在HSMM模型中花费的时间状态为4和5。表2显示了根据上述回归分析计算的决定系数，以及随年龄的回归。HSMM的输出解释了四个PEDI-CAT域中每个域和年龄的差异，而不是在MVPA中花费的时间。增加在所有活动HSMM状态（2-5）中花费的时间并没有改善与年龄或任何PEDI-CAT域的拟合度。将LPA添加到MVPA中略微改善了PEDI移动性的适合性（R2= 0.42），PEDI活动（R2= 0.27），PEDI 责任 （R2= 0.14），但HSMM的4-5仍然更适合每个。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
表 2. 显示决定系数 （R2） 计算基于在 HSMM 状态 4 和 5 中花费的时间或与年龄在 MVPA 中花费的时间的线性回归，以及 PEDI-CAT 能力测量的四个领域。
https://doi.org/10.1371/journal.pdig.0000220.t002
讨论
在报告的研究中，我们已经表明，隐藏的半马尔可夫模型可用于分割和聚类记录在9至36个月大儿童的能力多样化的人群中的多日加速度计数据。我们进一步表明，与使用切割点的传统分析方法相比，由此产生的活动状态可以更好地预测儿童的发展能力。
先前的工作[11，12]表明，HSMM可用于分割和聚类青少年或成人中记录的腕戴式加速度计数据。我们在此基础上证明该方法可用于幼儿（快速发育和身体多样化的人群），并表明它产生的输出可以解释儿童PEDI-CAT域中更多的方差，因此比传统的切割点方法更好地捕捉他们的运动能力。
传统的临界点方法用于通过加速度法量化体力活动强度，该方法依赖于先前对外部人群的研究得出的参数[24]。如果这些群体不能代表该方法所应用的人群，则存在可能无法正确校准参数的风险[3]。这可能导致该方法无法捕获样本中存在的身体活动行为的足够差异。例如，如果MVPA的阈值是根据身体健全的成年人群体计算的，然后应用于身体残疾的儿童，则该方法将考虑大多数人口在大多数时间不活跃。虽然他们可能很少达到有能力的成年人的身体活动强度，但这个人群中可能存在尚未检测到的重要变化。这可以通过计算适当人群的阈值来部分克服[7]，然而，这很昂贵，并且并非在所有人群中都可行，例如幼儿或有复杂残疾或健康状况的人群[27，28]。此外，即使有适当的阈值，如果一个人正在研究一个多样化的人群，或者一个快速发展的人群，也需要不同亚种群或时间点的阈值，这使得很难在群体之间和一段时间内进行比较。对于幼儿纵向研究或涉及具有多种身体活动行为的受试者的研究来说，这是一个重大挑战[27]，这往往导致这些人群被排除在研究之外。
与切割点方法[3]相反，HSMM从提供给它的数据中学习其隐藏状态的参数[12，23]，然后可以使用这些状态来量化和描述身体活动[11]。与切割点方法相比，这种方法有几个潜在的优势。HSMM生成的参数可以很容易地解释 - 高斯分布的平均值（表示状态的观测分布）表示状态的物理强度，泊松分布的λ参数表示其持续时间。参与者在每个隐藏状态下花费的时间量化了他们的身体活动参与。我们的结果进一步表明，与临界点相比，HSMM方法也具有更好的临床实用性，因为HSMM方法产生的身体活动参与估计值与儿童发育能力的相关性比临界点估计值更强。此外，它有可能使运动和身体活动研究对无法校准能量消耗的人群更具包容性 - 随着时间的推移，可能会减少健康不平等。
局限性
在本研究中，我们使用切割点来对HSMM方法进行基准测试。我们一直在为我们的人群（具有多种能力的幼儿）和设备类型（系在腰间的ActiGraph GT3X+）寻找最合适的切入点。从 [7] 中提取的 LPA 切割点部分符合这些标准，已针对腰部佩戴 GT3X+ 的学龄前儿童（通常患有发育和患有非卧床脑瘫）进行了验证。从[24]中获取的MVPA切割点与设备类型和人口年龄相匹配，但仅针对正常发育的儿童进行了验证。然而，我们的人口包含的儿童通常与具有各种医疗和发育条件的儿童一起发育（其中大多数使用的切割点都没有经过验证）。这凸显了将切割点方法应用于能力多样化的人群的困难——验证我们人口中每个亚组的切割点的成本过高——并进一步激发了更灵活的HSMM方法。
对于PEDI-CAT域和年龄的回归，我们采用了MVPA或HSMM状态4-5，而不是任何身体活动（LPA + MVPA）或HSMM状态2-5。我们选择这个是假设更积极的活动形式与能力和年龄的关系更密切。这在涉及HSMM输出的回归中被证明是正确的 - 在每种情况下，增加在不太强烈的状态（2-3）中花费的时间会减少解释的方差。对于切点方法，我们发现，对于三个PEDI-CAT领域（流动性，活动和职责），通过添加LPA略有改善，但不足以使这种组合成为比HSMM状态4-5更好的预测指标。虽然PEDI-CAT不是衡量身体活动参与情况的直接和客观指标，但已被证明在儿童残疾的临床评估方面具有判别有效性，并对儿童的身体、认知和社会行为提供了临床上有效的评估[29，30]。PEDI-CAT也被证明与婴幼儿活动卡分类（一种衡量有发育问题的儿童在幼儿期的活动参与度）同时有效[31]，并已被用于评估儿童在接受物理治疗时活动参与的变化[32]。
使用 HSMM 方法有两个关键注意事项。首先，它需要在整个训练数据集上进行多次迭代的学习算法，以及相关的高性能计算设施和编程专业知识。其次，输出不能与能量消耗直接相关，因此最适合直接估计能量消耗不是主要关注点的研究 - 例如在幼儿的发展研究中，运动和身体活动本身是主要焦点，或者使用额外的措施来评估随后的健康和生物学结果。
结论
切割点方法仍然是估计加速度计能量消耗的重要工具。然而，我们在这里表明，HSMM方法可用于能力多样化和快速发展的人群，以提供身体活动参与的衡量标准。我们希望这有助于目前没有临界点的人群或难以估计临界点的人群的身体活动研究。
支持信息
说明了用于识别磨损时间并选择 7 天记录进行后续分析的算法的应用。
跳到无花果共享导航
https://ndownloader.figstatic.com/files/40034539/preview/40034539/preview.jpg
下载
无花果分享
S1 图 说明了用于识别磨损时间并选择 7 天记录进行后续分析的算法的应用。
红星表示所选的 7 天;白线表示磨损时间。
https://doi.org/10.1371/journal.pdig.0000220.s001
（提夫）
引用
1.卡森 V， 李安永， 休伊特 L， 詹宁斯 C， 亨特 S， 库兹克 N， 等.系统评价早期（0-4岁）身体活动与健康指标之间的关系。BMC 公共卫生。2017;17.pmid：29219090
查看文章PubMed/NCBI谷歌学术搜索
2.杨森 X， 马丁 A， 休斯 AR， 希尔 CM， 科特罗诺拉斯 G， 赫斯克斯 KR. 屏幕时间、久坐时间和身体活动与 5 岁以下儿童睡眠的关联：系统评价和荟萃分析。睡眠医学修订版 2020;49： 101226.pmid：31778942
查看文章PubMed/NCBI谷歌学术搜索
3.金 Y， 甜菜 MW， 韦尔克 GJ.您想知道的有关为青少年选择“正确”的活动记录仪加速度计切点的所有信息，但是......：系统综述。体育科学与医学杂志。J 科学医学运动;2012.第311–321页。密码：22306372
查看文章PubMed/NCBI谷歌学术搜索
4.Lynch BA， Kaufman TK， Rajjo TI， Mohammed K， Kumar S， Murad MH， et al.加速度计测量儿童身体活动和久坐行为水平的准确性：系统评价。初级保健和社区健康杂志。J 初级保健社区健康;2019. pmid：31509061
查看文章PubMed/NCBI谷歌学术搜索
5.Byrne NM，Hills AP，Hunter GR，Weinsier RL，Schutz Y.代谢当量：一种尺寸并不适合所有人。应用生理学杂志 2005;99： 1112–1119.密码：15831804
查看文章PubMed/NCBI谷歌学术搜索
6.Hildebrand M， Van Hees VT， Hansen BH， Ekelund U. 腕部和臀部佩戴监视器原始加速度计输出的年龄组可比性。医学科学运动锻炼。2014;46: 1816–1824.密码：24887173
查看文章PubMed/NCBI谷歌学术搜索
7.Oftedal S， Bell KL， Davies PSW， Ware RS， Boyd RN.验证有和没有脑瘫的幼儿的加速度计切割点。医学科学运动锻炼。2014;46: 1808–1815.密码：25134003
查看文章PubMed/NCBI谷歌学术搜索
8.Airaksinen M， R?s?nen O， Ilén E， H?yrinen T， Kivi A， Marchi V， et al. 使用可穿戴运动传感器自动跟踪婴儿的姿势和运动。科学代表 2020;10： 1–13.密码：31932616
查看文章PubMed/NCBI谷歌学术搜索
9.Albert M V， Sugianto A， Nickele K， Zavos P， Sindu P， Ali M， et al. 基于隐马尔可夫模型的幼儿活动识别。生理测量. 2020;41.密码：32142480
查看文章PubMed/NCBI谷歌学术搜索
10.琼斯 P， 米尔克斯 EM， 耶茨 T， 爱德华森 CL， 卡特 M， 戴维斯 MJ， 等.迈向可移植模型，用于将活动群集与加速度计数据区分开来。传感器（瑞士）。2019;19.pmid：31627310
查看文章PubMed/NCBI谷歌学术搜索
11.van Kuppevelt D， Heywood J， Hamer M， Sabia S， Fitzsimons E， van Hees V. 使用无监督机器学习从日常生活中分割加速度计数据。公共图书馆一号。2019;14： e0208692.密码：30625153
查看文章PubMed/NCBI谷歌学术搜索
12.Cavallo FR，Toumazou C，Nikolic K.使用隐半马尔可夫模型对人类活动的无监督分类。应用系统创新。2022;5: 83.
查看文章谷歌学术搜索
13.Kolehmainen N， Rapley T， Pearce MS. ActiveCHILD Protocol.2017. ]
查看文章谷歌学术搜索
14.Kolehmainen N， Thornton C， Craw O， Rapley T， Van Sluijs E， Kudlek L， et al.幼儿在发育能力和健康状况方面的身体活动：ActiveCHILD队列的横断面分析。电子临床医学。（审查中）
查看文章谷歌学术搜索
15.纳菲尔德生物伦理委员会（英国）。儿童与临床研究：伦理问题。纳菲尔德生物伦理委员会（英国）。2015. 可用： https://www.nuffieldbioethics.org/publications/children-and-clinical-research
16.卫生研究所访问。世界各地的健康访问。[引自25年2023月<>日]。可用： https://ihv.org.uk/our-work/international/health-visiting-across-the-world/
17.Kolehmainen N. ActiveCHILD 佩戴加速度计的说明。2017. https://doi.org/10.25405/data.ncl.17143940
18.Van Cauwenberghe E，Gubbels J，De Bourdeaudhuij I，Cardon G.加速度计测量评估幼儿身体活动的可行性和有效性。国际行为营养与身体活动杂志。2011;8: 67.密码：21703004
查看文章PubMed/NCBI谷歌学术搜索
19.Dumas HM， Fragala-Pinkham MA， Haley SM， Ni P， Coster W， Kramer JM， et al.残疾和非残疾儿童的计算机自适应测试性能：PEDI-CAT的前瞻性现场研究。禁用康复。2012;34: 393–401.密码：21988750
查看文章PubMed/NCBI谷歌学术搜索
20.Bakrania K， Yates T， Rowlands A v.， Esliger DW， Bunnewell S， Sanders J， et al.原始加速度数据的强度阈值：欧几里得范数减一 （ENMO） 和平均振幅偏差 （MAD） 方法。公共图书馆一号。2016;11： e0164045.密码：27706241
查看文章PubMed/NCBI谷歌学术搜索
21.Aadland E， Andersen LB， Anderssen SA， Resaland GK.比较10个加速度计非磨损时间标准和儿童日志。BMC 公共卫生。2018;18: 1–9.密码：29510709
查看文章PubMed/NCBI谷歌学术搜索
22.Penpraze V， Reilly JJ， MacLean CM， Montgomery C， Kelly LA， Paton JY， et al.监测幼儿的身体活动：多少才足够？儿科执行科学 2006;18： 483–491.
查看文章谷歌学术搜索
23.约翰逊MJ，威尔斯基AS。贝叶斯非参数隐半马尔可夫模型。机器学习研究杂志。2013;14: 673–701.
查看文章谷歌学术搜索
24.Pate RR，Almeida MJ，McIver KL，Pfeiffer KA，Dowda M.学龄前儿童加速度计的验证和校准。肥胖。2006;14.密码：17135617
查看文章PubMed/NCBI谷歌学术搜索
25.Janssen X， Cliff DP， Reilly JJ， Hinkley T， Jones RA， Batterham M， et al.幼儿活动记录仪能量消耗方程和分界点的预测有效性和分类准确性。公共图书馆一号。2013;8.密码：24244433
查看文章PubMed/NCBI谷歌学术搜索
26.米格尔斯 JH， 罗兰兹 A v.， 胡贝尔 F， 萨比亚 S， 范希斯 VT.GGIR：一个研究社区驱动的开源 R 包，用于从多日原始加速度计数据生成身体活动和睡眠结果。J 测量物理行为。2019;2: 188–196.
查看文章谷歌学术搜索
27.Leung W， Siebert EA， Yun J. 用加速度计测量智力障碍者的身体活动：系统评价。Res Dev Disabil.2017;67: 60–70.密码：28645026
查看文章PubMed/NCBI谷歌学术搜索
28.特罗斯特SG，弗拉加拉-平克汉姆M，列侬N，奥尼尔ME。用于检测脑瘫青少年活动强度的决策树。医学科学运动锻炼。2016;48: 958–966.pmid：26673127
查看文章PubMed/NCBI谷歌学术搜索
29.Wrotniak BH， Epstein LH， Dorn JM， Jones KE， Kondilis VA.儿童运动熟练度与身体活动之间的关系。小儿科。2006;118： e1758–e1765.密码：17142498
查看文章PubMed/NCBI谷歌学术搜索
30.杜马斯，弗拉加拉-平克汉姆。残疾量表-计算机自适应测试移动域儿科评估的并行有效性和可靠性。小儿物理治疗。2012;24: 171–176.密码：22466386
查看文章PubMed/NCBI谷歌学术搜索
31.Hoyt CR， Chuck AC， Varughese TE， Fisher LC， Manis HE， O'Connor KE， et al. 婴幼儿活动卡分类的心理测量特性。2021;41: 259–267.密码：33955289
查看文章PubMed/NCBI谷歌学术搜索
32.康罗伊 S， 埃文斯 T， 巴特勒-莫堡 D， 博特勒 R， 罗宾逊 J， 康罗伊 SP， 等.利用PEDI-CAT评估接受海马疗法物理治疗的儿童的活动和参与的临床应用和可行性。2022 [引用日期13-2023-35594061]。密码：<>
查看文章PubMed/NCBI谷歌学术搜索