Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Bewertung der Genauigkeit von Fitness-Smartwatch-Daten für die Überwachung von Herz-Kreislauf- und körperlicher Aktivität: Eine Validierungsstudie im Bereich Digital Health

1.9K Aufrufe

⸱

DOI:

10.3791/67674

⸱

21. Februar 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

In diesem Artikel

Zusammenfassung

Die tragbare Technologie ist kostengünstig und bietet eine bequeme Überwachung physiologischer Daten. Die Genauigkeit und Zuverlässigkeit dieser Geräte erfordert jedoch eine sorgfältige Bewertung, um ihre Wirksamkeit und Sicherheit für die Benutzer zu gewährleisten. Dieser Bericht beschreibt den Validierungsprozess einer kommerziellen Smartwatch bei der Überwachung physiologischer Daten und körperlicher Aktivität.

Zusammenfassung

Diese Studie zielt darauf ab, die Genauigkeit von kostengünstigen Fitness-Smartwatches zu validieren, indem ihre Daten mit Goldstandard-Messungen für kardiovaskuläre und körperliche Aktivitätsparameter verglichen werden. An der Studie nahmen 50 Probanden teil, von denen 26 Validierungstests für Herzfrequenz, Blutsauerstoffsättigung (SpO2) und Schlafdaten gegen Polysomnographie (PSG) unterzogen wurden. Darüber hinaus nahmen 24 Probanden am 3-Minuten-Gehtest (3MWT) und am Treppensteigen (SC) teil, wobei die Schrittzahlen anhand manueller Videoberechnungen validiert wurden. Die Ergebnisse zeigten keinen signifikanten Unterschied zwischen den Messungen des Geräts und den Goldstandardwerten für flachen Schlaf, Tiefschlaf, REM-Zeit, mittlere Herzfrequenz, minimale Herzfrequenz und SpO2. Allerdings unterschätzte das Gerät die manuell gezählten Schritte (p = 0,009 (3MWT); p = 0,012 (SC)), die Gesamtschlafdauer (p = 0,004) und die Wachzeit (p = 8,94 × 10-8) deutlich und überschätzte die maximale Herzfrequenz (p = 0,011). Diese Ergebnisse unterstreichen, wie wichtig eine genaue Validierung und Interpretation von Daten tragbarer Geräte im klinischen Kontext ist. Angesichts dieser Einschränkungen wird empfohlen, die Messwerte des Geräts in zukünftigen Analysen auszuschließen, um die Zuverlässigkeit der Daten und die Integrität der Forschung zu gewährleisten. Diese Studie unterstreicht die Notwendigkeit einer kontinuierlichen Validierung und Verbesserung der tragbaren Technologie, um ihre Zuverlässigkeit und Wirksamkeit im Gesundheitswesen zu gewährleisten.

Einleitung

Tragbare Technologie hat an Popularität gewonnen und ist in verschiedenen Bereichen des täglichen Lebens alltäglich geworden1. Diese Technologien, die mit Sensoren und Algorithmen ausgestattet sind, haben die Art und Weise, wie physiologische Parameter überwacht und interpretiert werden, verändert, indem sie den Benutzern Gesundheitsinformationen liefern, Trainingseinheiten verfolgen und einen gesünderen Lebensstil ermöglichen. Die Integration von künstlicher Intelligenz und Mustererkennung, kombiniert mit immer beliebteren Funktionen wie Virtual- und Augmented-Reality-Funktionen, verbessert nicht nur die Funktionalität von tragbaren Geräten, sondern ermöglicht auch eine fortschrittliche personalisierte Datenanalyse und ein ansprechenderes Benutzererlebnis 2,3. Da tragbare Geräte immer mehr in den Alltag integriert werden, wird das Verständnis ihrer Genauigkeit und Zuverlässigkeit von größter Bedeutung, insbesondere in Branchen wie der Leistungsüberwachung im Sport und im Gesundheitswesen.

Wearables bieten den Vorteil der Echtzeit-Protokollierung von Patientendaten für chronische Krankheiten und liefern sowohl Patienten als auch medizinisches Fachpersonal unschätzbare Erkenntnisse. Metriken wie körperliche Aktivität, Gesprächszeiten und Schlafdauer können helfen, den Schweregrad von Krankheiten wie Depressionen, Schlafapnoe und Parkinson zu beurteilen 4,5,6. Neue Technologien, wie z. B. elektronische Stempel, die Glukose, Herzfrequenz und Temperatur überwachen, befinden sich in der klinischen Erprobung und erweitern die Möglichkeiten fortschrittlicher Wearables in der Gesundheitsfürsorge7. Darüber hinaus nutzen Sportler und Fitnessbegeisterte tragbare Technologie, um Trainingspläne zu optimieren, Leistungskennzahlen zu verfolgen und Verletzungen vorzubeugen 8,9. Die Integration der regelmäßigen Auswertung physiologischer Parameter, Aktivitätsdaten und Funktionalitäten wie der Aufzeichnung von Elektrokardiogrammen hat das Interesse an dem Potenzial von Wearables geweckt, die Diagnose und Verfolgung von Herz-Kreislauf-Erkrankungen zu unterstützen 8,10. Tragbare Geräte haben sich als vielversprechend erwiesen, wenn es darum geht, die Sicherheit am Arbeitsplatz zu erhöhen, das Lebensstilmanagement zu verbessern und den Benutzern gesündere Gewohnheiten zu vermitteln11.

Fitness-Smartwatch-Armbänder wie das Xiaomi Mi Band, eine bekannte kostengünstige tragbare Technologie und eine der weltweit am weitesten verbreiteten Smartwatches12, wurden in einer Vielzahl von Anwendungen eingesetzt, darunter Medizin, Sport und Bildung13. In der Forschung wurden beispielsweise Fitness-Smartwatches zur Überwachung der physiologischen Parameter älterer Menscheneingesetzt 14,15, zur Analyse des Schülerverhaltens während der MINT-Ausbildung13 und zur Bewertung der körperlichen Aktivität bei Personen16,17. Trotz ihrer umfangreichen Nutzung gibt es immer wieder Fragen zur Präzision und Zuverlässigkeit der von diesen Geräten bereitgestellten Messungen. Zahlreiche Untersuchungen haben versucht, die Messungen aus der tragbaren Technologie zu validieren 12,18,19,20. Frühere Studien untersuchten die Genauigkeit der Schrittzählung und die Funktionalität der Schlafüberwachung und gaben Einblicke in die Leistung der Geräte in einer Vielzahl von Einstellungen und Benutzerdemografien. Die bestehende Forschung weist jedoch auf erhebliche Wissenslücken hin, wie z. B. widersprüchliche Ergebnisse in allen Studien und eine unzureichende Validierung anhand von Goldstandardmethoden wie der Polysomnographie 21,22,23.

Der Zweck dieser Studie ist es, die von Fitness-Smartwatches erhaltenen Daten zu validieren und die Zuverlässigkeit von Fitness-Smartwatches zu untersuchen. Das Ziel der Bewertung der Schlaf-Tracking-Genauigkeit des tragbaren Geräts und anderer relevanter Metriken wie Herzfrequenz, Blutsauerstoffgehalt und Schritte besteht darin, aussagekräftige Einblicke in die Eignung des Geräts für klinische und Forschungsanwendungen zu erhalten, die ein hohes Maß an Genauigkeit und Präzision erfordern. Dies soll durch strenge Methodik und solide statistische Analysen zur wachsenden Zahl von Forschungsergebnissen zur Validierung von Wearable-Technologien beitragen und letztendlich die Fähigkeit verbessern, diese Instrumente für bessere Gesundheitsergebnisse und besseres Wohlbefinden einzusetzen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Das Studienprotokoll wurde vom Ethikausschuss des Universiti Malaya Medical Centre (UMMC) genehmigt (MREC-Nr.: 2021325-9983). Die Validierungsstudie der Fitness-Smartwatch-Messungen gliedert sich in drei Teile: (1) Validierung der Schlafmessungen gegen den Goldstandard mit einem PSG-Gerät, (2) Validierung der Schrittmessungen durch den Vergleich manueller Berechnungen aus Videoaufzeichnungen und (3) Datenanalyse der Validierungstests.

1. Validierung von Schlafmessungen mittels Polysomnographie (PSG)

HINWEIS: Die Studie wird in einem kontrollierten Schlaflabor durchgeführt, um äußere Störungen zu minimieren. Vor dem Test wurden alle Teilnehmer ausführlich über die Studie informiert und erhielten das Studieninformationsblatt, bevor die schriftliche Einwilligungserklärung eingeholt wurde. Alle gesammelten Informationen werden anonym behandelt.

  1. Stellen Sie sicher, dass die Teilnehmer 1 Stunde vor Beginn des Tests eintreffen, um die notwendige Vorbereitung zu gewährleisten.
  2. Die Teilnehmer tragen die Fitness-Smartwatch an ihrem nicht dominanten Handgelenk.
  3. Befestigen Sie die Teilnehmer an der Vorrichtung der PSG-Maschine gemäß dem Herstellerhandbuch24.
    HINWEIS: Verwenden Sie eine standardisierte Platzierung der PSG-Elektroden gemäß dem Herstellerhandbuch, um den Teilnehmern während des Schlafs minimale Beschwerden zu gewährleisten.
  4. Führen Sie zwei Messungen der Blutsauerstoffsättigung (SpO2) mit der Fitness-Smartwatch in Rückenlage durch.
  5. Stellen Sie sicher, dass die Teilnehmer maximal 6 Stunden schlafen.
    HINWEIS: Technisches Personal überwacht das PSG-Gerät während der gesamten Ruhedauer.
  6. Nehmen Sie zwei SpO2-Messungen mit der Fitness-Smartwatch in Rückenlage vor, nachdem der Teilnehmer wach ist.
  7. Exportieren Sie Schlaftrends sowohl von PSG-Geräten als auch von Fitness-Smartwatches, d. h. Tiefschlafdauer, Leichtschlafdauer, REM-Zeit (Rapid Eye Movements) und Schlafdauer, Herzfrequenz (minimale, mittlere, maximale Herzfrequenz) und SpO2, in eine .csv Datei. Lesen Sie im Herstellerhandbuch des jeweiligen Geräts nach, wie Sie die Daten exportierenkönnen 24,25.
  8. Fahren Sie mit Abschnitt 3 zur Datenanalyse fort.

2. Validierung von Fitness-Smartwatch-Schrittmessungen mit manueller Berechnung aus Videoaufzeichnungen

HINWEIS: Vor dem Test werden alle Teilnehmer ausführlich über die Studie informiert und erhalten das Studieninformationsblatt, bevor eine schriftliche Einverständniserklärung eingeholt wird. Alle gesammelten Informationen werden anonym behandelt. Für diesen Validierungstest werden nur Teilnehmer mit gutem Gesundheitszustand und ohne Einschränkung der Mobilität ausgewählt.

  1. Stellen Sie sicher, dass die Teilnehmer die Fitness-Smartwatch an ihrem nicht dominanten Handgelenk tragen und ein Smartphone für die Aufzeichnung von Schrittvideos halten.
  2. Stellen Sie die Schrittzahl auf der Fitness-Smartwatch auf Null. Starten Sie die Aufzeichnung auf dem Smartphone und lassen Sie den Teilnehmer den Schritttest wie in Schritt 2.3 beschrieben durchführen. Stoppen und speichern Sie die Aufnahme. Notieren Sie die Anzahl der gemessenen Schritte in der Fitness-Smartwatch.
  3. Stellen Sie sicher, dass der Teilnehmer zwei Arten von Stufentests absolviert: (i) 3MWT- und (ii) SC-Tests.
    1. 3MWT: Stellen Sie sicher, dass der Teilnehmer 3 Minuten lang in einem normalen und gleichmäßigen Tempo auf einer ebenen Fläche geht.
    2. SC-Test: Lassen Sie den Teilnehmer zwei Treppen in aufsteigender und absteigender Reihenfolge in einem normalen und gleichmäßigen Tempo nehmen.
  4. Spielen Sie die Aufzeichnung ab und berechnen Sie die Anzahl der Schritte aus der Videoaufnahme. Notieren Sie die Daten in einer .csv Datei. Exportieren Sie die Schrittzahlen von der Fitness-Smartwatch in dieselbe Datei. Lesen Sie im Handbuch des Herstellers der Fitness-Smartwatch nach, wie Sie die Daten exportierenkönnen 25.
  5. Fahren Sie mit Abschnitt 3 zur Datenanalyse fort.

3. Datenanalyse der Validierungstests

HINWEIS: In diesem Protokoll wurde das Paket scipy.stats in Python verwendet, um alle Analysetests durchzuführen, mit Ausnahme des Cohen d-Tests, bei dem stattdessen das Paket pingouin verwendet wurde. Der Code befindet sich in der Zusatzdatei 1, in der jeder Schritt in der Kommentarzeile erwähnt wird.

  1. Importieren Sie das erforderliche Paket in den Arbeitsbereich von Python.
  2. Importieren Sie Messdaten in den Arbeitsbereich von Python. Ersetzen Sie den Dateinamen measurement_data.csv durch einen Dateinamen Ihrer Wahl.
  3. Entfernen Sie alle leeren Werte mit der Funktion dropna() für jeden Messdaten. Führen Sie dann den Shapiro-Wilk-Normalitätstest durch, um zu bestimmen, ob die Daten eine Normalverteilung aufweisen, indem Sie das shapiro-Paket scipy.stats in Python verwenden.
  4. Führen Sie einen t-Test für gepaarte Stichproben mit dem ttest_rel-Paket scipy.stats in Python durch, wenn die Daten eine Normalverteilung aufweisen, andernfalls führen Sie Mann-Whitney Wilcoxon mit dem wilcoxon-Paket scipy.stats in Python durch. Wenn das Ergebnis einen p-Wert < 0,05 hat, bedeutet dies, dass es einen signifikanten Unterschied zwischen den Messdaten beider Instrumente gibt. Ersetzen Sie im Code measure1_toolA und measure1_toolB durch die entsprechenden Spaltennamen.
  5. Messen Sie die Größe der Differenz zwischen Instrumenten über die Effektstärke mit der Cohend-Methode. Eine Ausgabe von 0,2 bedeutet einen kleinen Effekt, 0,5 einen moderaten Effekt und 0,8 einen großen Effekt.
  6. Verwenden Sie die Bland-Altman-Analyse, um die Übereinstimmung zwischen zwei Instrumenten zu bewerten, z. B. der mittleren oder mittleren Differenz, der Standardabweichung (SD) und dem 95 %-KI der Verzerrung. Plotten Sie die Bland-Altman-Analyse zur einfachen Visualisierung der Ausgabe mit dem Paket matplotlib.pyplot in Python.
  7. Wiederholen Sie die Schritte 3.5 bis 3.7 für jedes Paar der Messdaten beider Geräte.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Tabelle 1 zeigt signifikante Unterschiede (p-Wert < 0,05) zwischen den Daten von PSG und der Fitness-Smartwatch während des ersten Teils des Validierungstests. Die Fitness-Smartwatch überschätzte die Weckzeit (p < 0,001), unterschätzte die Schlafdauer (p = 0,004) und meldete eine höhere maximale Herzfrequenz (p = 0,001). Es wurden jedoch keine signifikanten Unterschiede zwischen dem PSG-Gerät und der Fitness-Smartwatch bei den folgenden Messungen festgestellt: flache Schlafzeit, Tiefschlafzeit, REM...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Aufgrund der gemischten Ergebnisse in der Vergleichsanalyse wurden mehrere Einschränkungen der Fitness-Smartwatch identifiziert. Die hohe Variabilität bei den Messungen der Smartwatch kann darauf zurückzuführen sein, dass sie sich auf Bewegungs- und Herzfrequenzdaten verlässt und nicht auf detailliertere Messungen wie das Elektroenzephalogramm (EEG), das bei PSG verwendet wird. Tiefschlaf und REM-Zeit zeigten eine bessere Übereinstimmung, was darauf hindeutet, dass die Fitness-Smartwatch...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass die Forschung ohne kommerzielle oder finanzielle Vergütung, Sponsoring oder Beziehungen zum Gerätehersteller durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten. Die Meinungen und Erkenntnisse, die in diesem Artikel geäußert werden, sind die eigenen des Autors und beruhen ausschließlich auf seinen Erfahrungen mit dem Produkt aus dieser Studie.

Danksagungen

Wir danken dem Neurotechnologen des Neurologischen Labors des University of Malaya Medical Center für die Hilfe und Unterstützung bei der Durchführung des Tests für diese Studie. Diese Arbeit wurde vom UM Research Center (IIRG001C-2021IISS) unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Schlaf-Diagnosesystem Natus Neurologie & CompumedicsIm Manuskript als PSG-Maschine
bezeichnet Xiaomi Mi Band 6XiaomiIm Manuskript als Fitness-Smartwatch bezeichnet

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

Validierung von Fitness Smartwatcheskardiovaskul res MonitoringVergleich mit der PolysomnographieBlutsauerstoffs ttigungHerzfrequenzmessungSchlafstadienanalyseValidierung der Schrittz hlungBland Altman AnalyseDrei Minuten Gehtest
Bewertung der Genauigkeit von Fitness-Smartwatch-Daten für die Überwachung von Herz-Kreislauf- und körperlicher Aktivität: Eine Validierungsstudie im Bereich Digital Health
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.