يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

تقييم دقة بيانات الساعات الذكية للياقة البدنية لمراقبة القلب والأوعية الدموية والنشاط البدني: دراسة التحقق في الصحة الرقمية

1.9K مشاهدة

⸱

DOI:

10.3791/67674

⸱

فبراير 21, 2025

 ,  ,  ,  ,  , 
1Department of Artificial Intelligence, Faculty of Computer Science and Information Technology, Universiti Malaya, 2Bioinformatics Institute, Agency for Science, Technology and Research, 3Division of Infectious Diseases, Department of Medicine, Faculty of Medicine, Universiti Malaya, 4Division of Neurology, Department of Medicine, Faculty of Medicine, Universiti Malaya

في هذه المقالة

ملخص

تتميز التكنولوجيا القابلة للارتداء بتكلفة منخفضة وتوفر مراقبة مريحة للبيانات الفسيولوجية. ومع ذلك ، فإن دقة وموثوقية هذه الأجهزة تتطلب تقييما حذرا لضمان فعاليتها وسلامتها للمستخدمين. يصف هذا التقرير عملية التحقق من صحة الساعة الذكية التجارية في مراقبة البيانات الفسيولوجية والنشاط البدني.

الملخص

تهدف هذه الدراسة إلى التحقق من صحة دقة ساعات اللياقة البدنية الذكية منخفضة التكلفة من خلال مقارنة بياناتها مع قياسات المعيار الذهبي لمعايير القلب والأوعية الدموية والنشاط البدني. سجلت الدراسة 50 شخصا ، 26 يخضعون لاختبار التحقق من صحة معدل ضربات القلب وتشبع الأكسجين في الدم (SpO2) وبيانات النوم ضد تخطيط النوم (PSG). بالإضافة إلى ذلك ، شارك 24 شخصا في اختبار المشي لمدة 3 دقائق (3MWT) وتسلق السلالم (SC) ، مع التحقق من صحة عدد الخطوات مقابل حسابات الفيديو اليدوية. أظهرت النتائج عدم وجود فرق كبير بين قياسات الجهاز والقيم القياسية الذهبية للنوم الضحل والنوم العميق ووقت حركة العين السريعة ومتوسط معدل ضربات القلب والحد الأدنى لمعدل ضربات القلب و SpO2. ومع ذلك ، قلل الجهاز بشكل كبير من تقدير الخطوات التي تم حسابها يدويا (p = 0.009 (3MWT) ؛ p = 0.012 (SC)) ، وإجمالي مدة النوم (p = 0.004) ، ووقت الاستيقاظ (p = 8.94 × 10-8) مع المبالغة في تقدير الحد الأقصى لمعدل ضربات القلب (p = 0.011). تسلط هذه النتائج الضوء على أهمية التحقق الدقيق من صحة وتفسير بيانات الأجهزة القابلة للارتداء في السياقات السريرية. بالنظر إلى هذه القيود ، يوصى باستبعاد قراءات الجهاز في التحليلات المستقبلية للحفاظ على موثوقية البيانات وسلامة البحث. تؤكد هذه الدراسة على الحاجة إلى التحقق والتحسين المستمر للتكنولوجيا القابلة للارتداء لضمان موثوقيتها وفعاليتها في الرعاية الصحية.

المقدمة

نمت شعبية التكنولوجيا القابلة للارتداء ، وأصبحت شائعة في أجزاء مختلفة من الحياة اليومية1. لقد غيرت هذه التقنيات ، المجهزة بأجهزة استشعار وخوارزميات ، كيفية مراقبة المعلمات الفسيولوجية وتفسيرها ، وتزويد المستخدمين بالمعلومات الصحية ، وتتبع التدريبات ، والسماح للمستخدمين باتباع نمط حياة أكثر صحة. لا يؤدي تكامل الذكاء الاصطناعي والتعرف على الأنماط ، جنبا إلى جنب مع الميزات الشائعة بشكل متزايد مثل ميزات الواقع الافتراضي والمعزز ، إلى تحسين وظائف الأجهزة القابلة للارتداء فحسب ، بل يتيح أيضا تحليل البيانات الشخصية المتقدمة وتجربة مستخدم أكثر جاذبية2،3. نظرا لأن الأجهزة القابلة للارتداء أصبحت أكثر تكاملا في الروتين اليومي ، يصبح فهم دقتها وموثوقيتها أمرا بالغ الأهمية ، خاصة في صناعات مثل مراقبة الأداء الرياضي والرعاية الصحية.

توفر الأجهزة القابلة للارتداء ميزة تسجيل بيانات المرضى في الوقت الفعلي للأمراض المزمنة ، مما يوفر رؤى لا تقدر بثمن لكل من المرضى والمتخصصين في الرعاية الصحية. يمكن أن تساعد المقاييس مثل النشاط البدني والجداول الزمنية للمحادثة ومدة النوم في تقييم شدة الأمراض مثل الاكتئاب وتوقف التنفس أثناء النوم ومرض باركنسون4،5،6. تخضع التقنيات الناشئة ، مثل الطوابع الإلكترونية التي تراقب الجلوكوز ومعدل ضربات القلب ودرجة الحرارة ، لاختبارات سريرية ، مما يزيد من إمكانيات الأجهزة القابلة للارتداء المتقدمة في healtchcare7. علاوة على ذلك ، يستخدم الرياضيون وعشاق اللياقة البدنية التكنولوجيا القابلة للارتداء لتحسين أنظمة التدريب وتتبع مقاييس الأداء ومنع الإصابات 8,9. أثار دمج التقييم المنتظم للمعلمات الفسيولوجية وبيانات النشاط والوظائف مثل تسجيل مخطط كهربية القلب اهتماما فيما يتعلق بقدرة الأجهزة القابلة للارتداء للمساعدة في تشخيص وتتبع أمراض القلب والأوعية الدموية8،10. أظهرت الأدوات القابلة للارتداء نتائج واعدة في تعزيز السلامة في مكان العمل ، وتحسين إدارة نمط الحياة ، وغرس عادات صحية بين المستخدمين11.

تم تطبيق أحزمة الساعات الذكية للياقة البدنية ، مثل Xiaomi Mi Band ، وهي تقنية معروفة منخفضة التكلفة يمكن ارتداؤها وواحدة من أكثر الساعات الذكية استخداما على مستوىالعالم 12 ، في مجموعة متنوعة من التطبيقات ، بما في ذلك الطب والرياضة والتعليم13. على سبيل المثال ، استخدمت الأبحاث ساعات اللياقة البدنية الذكية لمراقبة المعايير الفسيولوجية للأفراد الأكبر سنا14،15 ، وتحليل سلوك الطلاب أثناء تعليم العلوم والتكنولوجيا والهندسة والرياضيات13 ، وتقييم النشاط البدني لدى الأفراد16،17. على الرغم من استخدامها على نطاق واسع ، إلا أن هناك أسئلة مستمرة تتعلق بدقة وموثوقية التدابير التي توفرها هذه الأجهزة. حاولت العديد من التحقيقات التحقق من صحة القياسات التي تم الحصول عليها من التكنولوجيا القابلة للارتداء12،18،19،20. بحثت الدراسات السابقة في دقة عد الخطوات ووظائف مراقبة النوم ، مما يوفر رؤى حول أداء الأجهزة في مجموعة واسعة من الإعدادات والتركيبة السكانية للمستخدم. ومع ذلك ، يشير البحث الحالي إلى فجوات كبيرة في المعرفة ، مثل النتائج المتناقضة عبر الدراسات وعدم كفاية التحقق من الصحة ضد منهجيات المعيار الذهبي مثل تخطيط النوم21 ، 22 ، 23.

الغرض من هذه الدراسة هو التحقق من صحة البيانات التي تم الحصول عليها من ساعات اللياقة البدنية الذكية ومعالجة موثوقية الساعات الذكية للياقة البدنية. الهدف من تقييم دقة تتبع النوم للجهاز القابل للارتداء والمقاييس الأخرى ذات الصلة مثل معدل ضربات القلب ومستوى الأكسجين في الدم والخطوات هو توفير رؤى مهمة حول ملاءمة الجهاز للتطبيقات السريرية والبحثية التي تتطلب مستوى عال من الدقة والدقة. يهدف هذا إلى المساهمة في مجموعة متزايدة من الأبحاث حول التحقق من صحة التكنولوجيا القابلة للارتداء من خلال منهجية صارمة وتحليل إحصائي قوي ، مما يؤدي في النهاية إلى تحسين القدرة على استخدام هذه الأدوات للحصول على نتائج صحية ورفاهية أفضل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تمت الموافقة على بروتوكول الدراسة من قبل مجلس مراجعة الأخلاقيات التابع للمركز الطبي بجامعة مالايا (UMMC) (رقم MREC: 2021325-9983). تنقسم دراسة التحقق من قياسات الساعات الذكية للياقة البدنية إلى ثلاثة أجزاء: (1) التحقق من قياسات النوم مقابل المعيار الذهبي باستخدام آلة PSG ، (2) التحقق من قياسات الخطوات من خلال مقارنة الحسابات اليدوية من تسجيلات الفيديو ، و (3) تحليل بيانات اختبارات التحقق من الصحة.

1. التحقق من صحة قياسات النوم مقابل تخطيط النوم (PSG)

ملاحظة: أجريت الدراسة في مختبر نوم خاضع للرقابة لتقليل الاضطرابات الخارجية. قبل الاختبار ، تم إطلاع جميع المشاركين بعمق على الدراسة وتم تزويدهم بورقة معلومات الدراسة قبل الحصول على موافقة خطية مستنيرة. جميع المعلومات التي تم جمعها مجهولة الهوية.

  1. تأكد من وصول المشاركين قبل ساعة واحدة من بدء الاختبار للتحضير اللازم.
  2. يرتدي المشاركون ساعة اللياقة البدنية الذكية على معصمهم غير المهيمن.
  3. قم بإرفاق المشاركين بجهاز آلة PSG وفقا لدليل الشركة المصنعة24.
    ملاحظة: استخدم وضعا موحدا لأقطاب PSG وفقا لدليل الشركة المصنعة لضمان الحد الأدنى من الانزعاج للمشاركين أثناء النوم.
  4. خذ قياسين لمستوى تشبع الأكسجين في الدم (SpO2) باستخدام ساعة اللياقة البدنية الذكية في وضع ضعيف.
  5. تأكد من نوم المشاركين لمدة أقصاها 6 ساعات.
    ملاحظة: يراقب الموظفون الفنيون جهاز PSG طوال مدة السكون.
  6. خذ قياسين ل SpO2 باستخدام الساعة الذكية للياقة البدنية في وضع ضعيف بعد أن يكون المشارك مستيقظا.
  7. قم بتصدير اتجاهات النوم من كل من آلة PSG والساعة الذكية للياقة البدنية ، أي مدة النوم العميق ، ومدة النوم الخفيف ، ووقت حركات العين السريعة (REM) ومدة النوم ، ومعدل ضربات القلب (الحد الأدنى ، والمتوسط ، والحد الأقصى لمعدل ضربات القلب) ، و SpO2 ، إلى ملف .csv. راجع دليل الشركة المصنعة لكل جهاز حول كيفية تصدير البيانات24،25.
  8. انتقل إلى القسم 3 لتحليل البيانات.

2. التحقق من صحة قياسات خطوة الساعة الذكية للياقة البدنية مع الحساب اليدوي من تسجيلات الفيديو

ملاحظة: قبل الاختبار ، يتم إطلاع جميع المشاركين بعمق على الدراسة ويتم تزويدهم بورقة معلومات الدراسة قبل الحصول على موافقة خطية مستنيرة. جميع المعلومات التي تم جمعها مجهولة الهوية. يتم اختيار المشاركين الذين يعانون من ظروف صحية جيدة وليس لديهم ضعف في الحركة فقط لاختبار التحقق هذا.

  1. تأكد من أن المشاركين يرتدون ساعة اللياقة البدنية الذكية على معصمهم غير المهيمن ويحملون هاتفا ذكيا لأغراض تسجيل الفيديو من ناحية أخرى.
  2. اضبط عدد الخطوات على الساعة الذكية للياقة البدنية على الصفر. ابدأ التسجيل على الهاتف الذكي واطلب من المشارك إجراء اختبار الخطوة كما هو موضح في الخطوة 2.3. أوقف التسجيل واحفظه. سجل عدد الخطوات المقاسة في ساعة اللياقة البدنية الذكية.
  3. تأكد من أن المشارك يكمل نوعين من اختبارات الخطوة (1) 3MWT و (ii) اختبارات SC.
    1. 3MWT: تأكد من أن المشارك يمشي بوتيرة عادية وثابتة لمدة 3 دقائق على سطح مستو.
    2. اختبار SC: اطلب من المشارك أن يأخذ درجتين من السلالم بترتيب صعودي وتنازلي بوتيرة عادية وثابتة.
  4. أعد تشغيل التسجيل واحسب عدد الخطوات من تسجيل الفيديو. سجل البيانات في ملف .csv. قم بتصدير عدد الخطوات من الساعة الذكية للياقة البدنية إلى نفس الملف. راجع دليل الشركة المصنعة للساعة الذكية للياقة البدنية حول كيفية تصدير البيانات25.
  5. انتقل إلى القسم 3 لتحليل البيانات.

3. تحليل بيانات اختبارات التحقق

ملاحظة: في هذا البروتوكول ، تم استخدام حزمة scipy.stats في Python لإجراء جميع اختبارات التحليل باستثناء اختبار Cohen d ، حيث تم استخدام حزمة pingouin بدلا من ذلك. الرمز موجود في الملف التكميلي 1 ، حيث يتم ذكر كل خطوة في سطر التعليق.

  1. استيراد الحزمة المطلوبة إلى مساحة عمل Python.
  2. استيراد بيانات القياس إلى مساحة عمل Python. استبدل اسم الملف measurement_data.csv باسم الملف الذي تختاره.
  3. قم بإزالة أي قيم فارغة باستخدام الدالة dropna() لكل بيانات قياس. بعد ذلك ، قم بإجراء اختبار طبيعية Shapiro-Wilk لتحديد ما إذا كانت البيانات لها توزيع طبيعي باستخدام حزمة scipy.stats shapiro في Python.
  4. قم بإجراء اختبار t للعينة المقترنة باستخدام حزمة ttest_rel scipy.stats في Python إذا كانت البيانات تحتوي على توزيع طبيعي ، وإلا ، قم بإجراء Mann-Whitney Wilcoxon باستخدام حزمة scipy.stats wilcoxon في Python. إذا كانت قيمة p للنتيجة < 0.05 ، فهذا يعني أن هناك فرقا كبيرا بين بيانات القياس من كلا الأداتين. في الكود ، استبدل measure1_toolA و measure1_toolB بأسماء الأعمدة المختارة ذات الصلة.
  5. قم بقياس حجم الفرق بين الأدوات من خلال حجم التأثير باستخدام طريقة كوهين د. يشير الناتج 0.2 إلى تأثير صغير ، و 0.5 تأثير معتدل ، و 0.8 تأثير كبير.
  6. استخدم تحليل Bland-Altman لتقييم الاتفاق بين أداتين ، مثل الفرق المتوسط أو المتوسط ، والانحراف المعياري (SD) ، و 95٪ CI للتحيز. ارسم تحليل Bland-Altman لسهولة تصور الإخراج باستخدام حزمة matplotlib.pyplot في Python.
  7. كرر الخطوة 3.5 حتى الخطوة 3.7 لكل زوج من بيانات القياس من كلا الأداتين.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

يوضح الجدول 1 اختلافات كبيرة (قيمة p < 0.05) بين البيانات من PSG وساعة اللياقة البدنية الذكية خلال الجزء الأول من اختبار التحقق. بالغت ساعة اللياقة البدنية الذكية في تقدير وقت الاستيقاظ (ص < 0.001) ، وقللت من تقدير مدة النوم (ص = 0.004) ، وأبلغت عن معدل ضربات قلب أقصى أعلى (ص = 0.001). ومع ذلك ، لم يتم العثور على فروق ذات دلالة إحصائية بين جهاز PSG والساعة الذكية للياقة البدنية في القياسات التالية: وقت النوم الضحل ، ووقت النوم العميق ، ووقت حركة العين السريعة ، ومتوسط معدل ضربات القلب ، والحد الأدن...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تم تحديد العديد من القيود على الساعة الذكية للياقة البدنية بناء على النتائج المختلطة في تحليل المقارنة. قد ينبع التباين الكبير في قياسات الساعة الذكية من اعتمادها على بيانات الحركة ومعدل ضربات القلب بدلا من المقاييس الأكثر تفصيلا ، مثل مخطط كهربية الدماغ (EEG) المستخدم في PSG. أظهر النوم العميق ووقت حركة العين السريعة اتفاقا أفضل ، مما يشير إلى أن الساعة الذكية للياقة البدنية قد تكون مناسبة لمراقبة النوم العامة. ومع ذلك ، قد لا يكون موثوقا به للتشخيص السريري ، مثل التحليل التفصيلي لمرحلة...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يعلن المؤلفون أن البحث تم إجراؤه في غياب أي تعويض تجاري أو مالي أو رعاية أو أي علاقات مع الشركة المصنعة للجهاز يمكن تفسيرها على أنها تضارب محتمل في المصالح. الآراء والنتائج الواردة في هذه المقالة هي آراء المؤلف وتستند فقط إلى تجربتهم مع المنتج من هذه الدراسة.

شكر وتقدير

نشكر أخصائي تكنولوجيا الأعصاب في مختبر طب الأعصاب ، المركز الطبي بجامعة مالايا ، على المساعدة والدعم في إجراء الاختبار لهذه الدراسة. تم دعم هذا العمل من قبل مركز أبحاث UM (IIRG001C-2021IISS).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
نظام تشخيص النوم Natus Neurology & يشار إلى Compumedicsفي المخطوطة باسم آلة PSG
Xiaomi Mi Band 6Xiaomiيشار إليها في المخطوطة باسم ساعة ذكية للياقة البدنية

المراجع

  1. Sergueeva, K., Shaw, N., Lee, S. H. Understanding the barriers and factors associated with consumer adoption of wearable technology devices in managing personal health. Can J Adm Sci. 37 (1), 45-60 (2020).
  2. Xu, K., Lu, Y., Takei, K. Multifunctional skin-inspired flexible sensor systems for wearable electronics. Adv Mater Technol. 4 (3), 25(2019).
  3. Ates, H. C., et al. End-to-end design of wearable sensors. Nat Rev Mater. 7 (11), 887-907 (2022).
  4. Harrington, J., Schramm, P. J., Davies, C. R., Lee-Chiong, T. L. Jr An electrocardiogram-based analysis evaluating sleep quality in patients with obstructive sleep apnea. Sleep Breath. 17 (3), 1071-1078 (2013).
  5. Mccall, W. V. A rest-activity biomarker to predict response to SSRIs in major depressive disorder. J Psychiatr Res. 64, 19-22 (2015).
  6. High accuracy discrimination of Parkinson's disease participants from healthy controls using smartphones. Arora, S., et al. 2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Florence, Italy, , (2014).
  7. Perry, T. Temporary tattoos can replace today's biomedical sensors. IEEE Spectr. 34, 84-85 (2015).
  8. Lehra, C., et al. Wearable applications in rugby for performance quantification and player health assessment: A brief review. IJKSS. 10 (2), 10(2022).
  9. Lacey, A., Whyte, E., O'keeffe, S., O'connor, S., Moran, K. A qualitative examination of the factors affecting the adoption of injury focused wearable technologies in recreational runners. PloS One. 17 (7), 22(2022).
  10. Binyamin, S. S., Hoque, M. R. Understanding the drivers of wearable health monitoring technology: An extension of the unified theory of acceptance and use of technology. Sustainability. 12 (22), 20(2020).
  11. Rao, P., Seshadri, D. R., Hsu, J. J. Current and potential applications of wearables in sports cardiology. Curr Treat Options Cardiovasc Med. 23 (10), 65(2021).
  12. Casado-Robles, C., Mayorga-Vega, D., Guijarro-Romero, S., Viciana, J. Validity of the xiaomi mi band 2, 3, 4 and 5 wristbands for assessing physical activity in 12-to-18-year-old adolescents under unstructured free-living conditions. Fit-person study. J Sports Sci Med. 2 (2), 196-211 (2023).
  13. Shapovalov, Y. B., et al. Using of personal smart tools in STEM education. Proceedings of the 1st Symposium on Advances in Educational Technology. 2, 192-207 (2020).
  14. Concheiro-Moscoso, P., et al. Use of the Xiaomi mi band for sleep monitoring and its influence on the daily life of older people living in a nursing home. Digit Health. 8, 20552076221121162(2022).
  15. Monitoring system for elderly health care using smart band, Raspberry Pi, and Node-Red. Ardiyanto, Y., Adi, K., Putra, K. T., Utomo, P. 2022 2nd International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), Yogyakarta, Indonesia, , (2022).
  16. Viciana, J., Casado-Robles, C., Guijarro-Romero, S., Mayorga-Vega, D. Are wrist-worn activity trackers and mobile applications valid for assessing physical activity in high school students? Wearfit study. J Sports Sci Med. 21 (3), 356-375 (2022).
  17. Hao, Y., Ma, X. -K., Zhu, Z., Cao, Z. -B. Validity of wrist-wearable activity devices for estimating physical activity in adolescents: Comparative study. JMIR Mhealth Uhealth. 9 (1), e18320(2021).
  18. Ameen, M. S., Cheung, L. M., Hauser, T., Hahn, M. A., Schabus, M. About the accuracy and problems of consumer devices in the assessment of sleep. Sensors. 19 (19), 4160(2019).
  19. Concheiro-Moscoso, P., et al. Quality of sleep data validation from the xiaomi mi band 5 against polysomnography: Comparison study. J Med Internet Res. 25, e42073(2023).
  20. Topalidis, P., et al. Evaluation of a low-cost commercial actigraph and its potential use in detecting cultural variations in physical activity and sleep. Sensors. 21 (11), 18(2021).
  21. Xu, H., Zheng, X., Jia, W., Yin, S. Chromatography/mass spectrometry-based biomarkers in the field of obstructive sleep apnea. Medicine. 94 (40), e1541(2015).
  22. Michaelson, P. G., Allan, P., Chaney, J., Mair, E. A. Validations of a portable home sleep study with twelve-lead polysomnography: Comparisons and insights into a variable gold standard. Ann Otol Rhinol Laryngol. 115 (11), 802-809 (2006).
  23. Berry, R. B., et al. Rules for scoring respiratory events in sleep: Update of the 2007 AASM manual for the scoring of sleep and associated events. J Clin Sleep Med. 08 (05), 597-619 (2012).
  24. Natus Neurology Incorporated. Nicoletone information for use. , https://natus.com/ (2024).
  25. Xiaomi Communications. Mi smart band 6 user manual. , At https://www.manualslib.com/manual/2629650/Xiaomi-Mi-Smart-Band-6.html (2021).
  26. De Zambotti, M., Cellini, N., Goldstone, A., Colrain, I. M., Baker, F. C. Wearable sleep technology in clinical and research settings. Med Sci Sports Exerc. 51 (7), 1538-1557 (2019).
  27. Meltzer, L. J., Montgomery-Downs, H. E., Insana, S. P., Walsh, C. M. Use of actigraphy for assessment in pediatric sleep research. Sleep Med Rev. 16 (5), 463-475 (2012).
  28. Paradiso, C., Colino, F., Liu, S. The validity and reliability of the mi band wearable device for measuring steps and heart rate. Int J Exerc Sci. 13 (4), 689-701 (2020).
  29. Benedetto, S., et al. Assessment of the fitbit charge 2 for monitoring heart rate. PloS One. 13 (2), e0192691(2018).
  30. Chow, H. -W., Yang, C. -C. Accuracy of optical heart rate sensing technology in wearable fitness trackers for young and older adults: Validation and comparison study. JMIR Mhealth Uhealth. 8 (4), e14707(2020).
  31. Jachymek, M., et al. Wristbands in home-based rehabilitation-validation of heart rate measurement. Sensors. 22 (1), 60(2021).
  32. Schalk, M., Schalk, I., Bauernhansl, T., Siegert, J., Schneider, U. Investigation of possible effects of wearing exoskeletons during welding on heart rate. Physiologia. 2 (3), 94-108 (2022).
  33. Bent, B., Goldstein, B. A., Kibbe, W. A., Dunn, J. P. Investigating sources of inaccuracy in wearable optical heart rate sensors. NPJ Digit Med. 3 (1), 18(2020).
  34. De Cocker, K. A., De Meyer, J., De Bourdeaudhuij, I. M., Cardon, G. M. Non-traditional wearing positions of pedometers: Validity and reliability of the Omron HJ-203-ED pedometer under controlled and free-living conditions. J Sci Med Sport. 15 (5), 418-424 (2012).
  35. Diaz, K. M., et al. Fitbit®: An accurate and reliable device for wireless physical activity tracking. Int J Cardiol. 185, 138-140 (2015).
  36. Mendes, M., Pala, A. Type I error rate and power of three normality tests. Inf Technol J. 2, 135-139 (2003).
  37. Costa, R. R., et al. Heart rate deflection point as an alternative to determining the anaerobic threshold in dyslipidaemic patients. Motriz: Rev Educ Fís. 25 (1), (2019).
  38. Roth, S., et al. Noninvasive evaluation of the hemodynamic status in patients after heart transplantation or left ventricular assist device implantation. PloS One. 17 (10), e0275977(2022).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

تقييم دقة بيانات الساعات الذكية للياقة البدنية لمراقبة القلب والأوعية الدموية والنشاط البدني: دراسة التحقق في الصحة الرقمية
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.