Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Évaluation de la précision des données des montres connectées de fitness pour la surveillance de l’activité cardiovasculaire et physique : une étude de validation en santé numérique

1.9K vues

⸱

DOI :

10.3791/67674

⸱

21 février 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

Dans cet article

Résumé

La technologie portable a un faible coût et offre une surveillance pratique des données physiologiques. Cependant, la précision et la fiabilité de ces dispositifs nécessitent une évaluation prudente afin de garantir leur efficacité et leur sécurité pour les utilisateurs. Ce rapport décrit le processus de validation d’une montre connectée commerciale dans le suivi des données physiologiques et de l’activité physique.

Résumé

Cette étude vise à valider la précision des montres intelligentes de fitness à faible coût en comparant leurs données avec les mesures de référence pour les paramètres cardiovasculaires et d’activité physique. L’étude a recruté 50 sujets, dont 26 ont subi des tests de validation de la fréquence cardiaque, de la saturation en oxygène du sang (SpO2) et des données de sommeil par rapport à la polysomnographie (PSG). De plus, 24 sujets ont participé au test de marche de 3 minutes (3MWT) et à la montée d’escaliers (SC), le nombre de pas étant validé par rapport à des calculs vidéo manuels. Les résultats n’ont montré aucune différence significative entre les mesures de l’appareil et les valeurs de référence pour le sommeil peu profond, le sommeil profond, le temps paradoxal, la fréquence cardiaque moyenne, la fréquence cardiaque minimale et la SpO2. Cependant, l’appareil a considérablement sous-estimé les pas comptés manuellement (p = 0,009 (3MWT) ; p = 0,012 (SC)), la durée totale du sommeil (p = 0,004) et le temps de réveil (p = 8,94 × 10-8) tout en surestimant la fréquence cardiaque maximale (p = 0,011). Ces résultats soulignent l’importance d’une validation et d’une interprétation précises des données des dispositifs portables dans des contextes cliniques. Compte tenu de ces limites, il est recommandé d’exclure les lectures de l’appareil dans les analyses futures afin de maintenir la fiabilité des données et l’intégrité de la recherche. Cette étude souligne la nécessité d’une validation et d’une amélioration continues de la technologie portable pour garantir sa fiabilité et son efficacité dans les soins de santé.

Introduction

La technologie portable a gagné en popularité, devenant monnaie courante dans divers aspects de la vie quotidienne1. Ces technologies, équipées de capteurs et d’algorithmes, ont transformé la façon dont les paramètres physiologiques sont surveillés et interprétés, en fournissant aux utilisateurs des informations sur la santé, en suivant les entraînements et en permettant aux utilisateurs d’avoir un mode de vie plus sain. L’intégration de l’intelligence artificielle et de la reconnaissance des formes, combinée à des fonctionnalités de plus en plus populaires telles que les fonctionnalités de réalité virtuelle et augmentée, améliore non seulement la fonctionnalité des appareils portables, mais permet également une analyse personnalisée avancée des données etune expérience utilisateur plus attrayante2,3. À mesure que les appareils portables sont de plus en plus intégrés dans les routines quotidiennes, il devient primordial de comprendre leur précision et leur fiabilité, en particulier dans des secteurs tels que la surveillance des performances sportives et les soins de santé.

Les wearables offrent l’avantage de l’enregistrement en temps réel des données des patients pour les maladies chroniques, fournissant des informations inestimables aux patients et aux professionnels de la santé. Des mesures telles que l’activité physique, les chronologies de conversation et la durée du sommeil peuvent aider à évaluer la gravité de maladies telles que la dépression, l’apnée du sommeil et la maladie de Parkinson 4,5,6. Les technologies émergentes, telles que les tampons électroniques qui surveillent le glucose, la fréquence cardiaque et la température, font l’objet de tests cliniques, élargissant encore les possibilités des wearables avancés dans le domaine de la santé7. De plus, les athlètes et les amateurs de fitness utilisent la technologie portable pour optimiser les régimes d’entraînement, suivre les mesures de performance et prévenir les blessures 8,9. L’intégration de l’évaluation régulière des paramètres physiologiques, des données d’activité et de fonctionnalités telles que l’enregistrement de l’électrocardiogramme a suscité l’intérêt pour le potentiel des wearables pour aider au diagnostic et au suivi des maladies cardiovasculaires 8,10. Les gadgets portables se sont révélés prometteurs pour améliorer la sécurité sur le lieu de travail, améliorer la gestion du mode de vie et inculquer des habitudes plus saines aux utilisateurs11.

Les bracelets de montres connectées de fitness, tels que le Xiaomi Mi Band, une technologie portable bon marché bien connue et l’une des montres intelligentes les plus utilisées dans le monde12, ont été utilisés dans une variété d’applications, notamment la médecine, le sport et l’éducation13. Par exemple, la recherche a utilisé des montres intelligentes de fitness pour surveiller les paramètres physiologiques des personnes âgées14,15, analyser le comportement des élèves pendant l’éducation STEM13 et évaluer l’activité physique chez les individus16,17. Malgré leur utilisation intensive, des questions subsistent quant à la précision et à la fiabilité des mesures fournies par ces appareils. De nombreuses recherches ont tenté de valider les mesures obtenues à partir de la technologie portable 12,18,19,20. Des études antérieures ont examiné la précision du comptage des pas et la fonctionnalité de la surveillance du sommeil, fournissant des informations sur les performances des appareils dans un large éventail de paramètres et de données démographiques sur les utilisateurs. Cependant, les recherches existantes indiquent des lacunes importantes dans les connaissances, telles que des résultats contradictoires entre les études et une validation insuffisante par rapport aux méthodologies de référence telles que la polysomnographie 21,22,23.

Le but de cette étude est de valider les données obtenues à partir des montres connectées de fitness et d’aborder la fiabilité des montres connectées de fitness. L’objectif de l’évaluation de la précision du suivi du sommeil de l’appareil portable et d’autres mesures pertinentes telles que la fréquence cardiaque, le niveau d’oxygène dans le sang et les pas est de fournir des informations significatives sur l’adéquation de l’appareil aux applications cliniques et de recherche qui nécessitent un haut niveau d’exactitude et de précision. L’objectif est de contribuer au corpus croissant de recherches sur la validation des technologies portables grâce à une méthodologie rigoureuse et à une analyse statistique solide, ce qui améliorera la capacité d’utiliser ces outils pour améliorer les résultats en matière de santé et de bien-être.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Le protocole de l’étude est approuvé par le comité d’éthique du Centre médical Universiti Malaya (UMMC) (MREC n° : 2021325-9983). L’étude de validation des mesures de la montre connectée de fitness est divisée en trois parties : (1) validation des mesures du sommeil par rapport à l’étalon-or à l’aide d’une machine PSG, (2) validation des mesures de pas en comparant les calculs manuels des enregistrements vidéo, et (3) analyse des données des tests de validation.

1. Validation des mesures du sommeil par rapport à la polysomnographie (PSG)

REMARQUE : L’étude est menée dans un laboratoire de sommeil contrôlé afin de minimiser les perturbations externes. Avant le test, tous les participants ont été informés en détail de l’étude et ont reçu la fiche d’information de l’étude avant d’obtenir un consentement éclairé écrit. Toutes les informations recueillies sont gardées anonymes.

  1. Assurez-vous que les participants arrivent 1 h avant le début du test pour la préparation nécessaire.
  2. Les participants portent la smartwatch de fitness sur leur poignet non dominant.
  3. Attacher les participants à l’appareil de la machine PSG conformément au manuel du fabricant24.
    REMARQUE : Utilisez un placement normalisé des électrodes PSG conformément au manuel du fabricant pour assurer un minimum d’inconfort aux participants pendant le sommeil.
  4. Prenez deux mesures du niveau de saturation en oxygène du sang (SpO2) à l’aide de la smartwatch de fitness en position couchée.
  5. Assurez-vous que les participants dorment pendant un maximum de 6 heures.
    REMARQUE : Le personnel technique surveille l’appareil PSG pendant toute la durée de veille.
  6. Prenez deux mesures de SpO2 à l’aide de la smartwatch de fitness en position couchée après que le participant soit réveillé.
  7. Exportez les tendances de sommeil de la machine PSG et de la smartwatch de fitness, c’est-à-dire la durée du sommeil profond, la durée du sommeil léger, le temps des mouvements oculaires rapides (REM) et la durée du sommeil, la fréquence cardiaque (fréquence cardiaque minimale, moyenne, maximale) et SpO2, dans un fichier .csv. Reportez-vous au manuel du fabricant de chaque appareil pour savoir comment exporter les données24,25.
  8. Passez à la section 3 pour l’analyse des données.

2. Validation des mesures de pas de la smartwatch de fitness avec calcul manuel à partir d’enregistrements vidéo

REMARQUE : Avant le test, tous les participants sont informés en détail de l’étude et reçoivent la fiche d’information sur l’étude avant d’obtenir un consentement éclairé écrit. Toutes les informations recueillies sont gardées anonymes. Seuls les participants en bonne condition de santé et ne présentant aucune déficience motrice sont retenus pour ce test de validation.

  1. Assurez-vous que les participants portent la smartwatch de fitness sur leur poignet non dominant et tenez un smartphone à des fins d’enregistrement vidéo de pas, d’autre part.
  2. Réglez le nombre de pas sur la smartwatch de fitness à zéro. Démarrez l’enregistrement sur le smartphone et demandez au participant d’effectuer le test de pas comme indiqué à l’étape 2.3. Arrêtez et sauvegardez l’enregistrement. Enregistrez le nombre de pas mesurés dans la smartwatch de fitness.
  3. Assurez-vous que le participant réussit deux types de tests par étapes : (i) les tests 3MWT et (ii) les tests SC.
    1. 3MWT : Assurez-vous que le participant marche à un rythme normal et régulier pendant 3 minutes sur une surface plane.
    2. Test SC : Demandez au participant d’emprunter deux volées d’escaliers dans l’ordre croissant et décroissant à un rythme normal et régulier.
  4. Rejouez l’enregistrement et calculez le nombre d’étapes de l’enregistrement vidéo. Enregistrez les données dans un fichier .csv. Exportez le nombre de pas de la smartwatch de fitness dans le même fichier. Reportez-vous au manuel du fabricant de la smartwatch de fitness pour savoir comment exporter les données25.
  5. Passez à la section 3 pour l’analyse des données.

3. Analyse des données des tests de validation

REMARQUE : Dans ce protocole, le package scipy.stats en Python a été utilisé pour effectuer tous les tests d’analyse, à l’exception du test Cohen d, où le package pingouin a été utilisé à la place. Le code se trouve dans le fichier supplémentaire 1, où chaque étape est mentionnée dans la ligne de commentaire.

  1. Importer le package requis dans l’espace de travail de Python.
  2. Importez les données de mesure dans l’espace de travail de Python. Remplacez le nom de fichier measurement_data.csv par le nom de fichier de votre choix.
  3. Supprimez toutes les valeurs vides à l’aide de la fonction dropna() pour chaque donnée de mesure. Ensuite, effectuez le test de normalité Shapiro-Wilk pour déterminer si les données ont une distribution normale à l’aide du package shapiro scipy.stats en Python.
  4. Effectuez un test t d’échantillon apparié à l’aide du package de ttest_rel scipy.stats en Python si les données ont une distribution normale, sinon, effectuez Mann-Whitney Wilcoxon en utilisant le package wilcoxon scipy.stats en Python. Si le résultat a une valeur p < 0,05, cela signifie qu’il existe une différence significative entre les données de mesure des deux instruments. Dans le code, remplacez measure1_toolA et measure1_toolB par les noms de colonne respectifs de votre choix.
  5. Mesurez l’amplitude de la différence entre les instruments en fonction de la taille de l’effet à l’aide de la méthode d de Cohen. Une sortie de 0,2 indique un effet faible, 0,5 un effet modéré et 0,8 un effet important.
  6. Utilisez l’analyse de Bland-Altman pour évaluer la concordance entre deux instruments, tels que la différence moyenne ou médiane, l’écart-type (ET) et l’IC à 95 % du biais. Tracez l’analyse de Bland-Altman pour une visualisation facile de la sortie à l’aide du package matplotlib.pyplot en Python.
  7. Répétez l’étape 3.5 jusqu’à l’étape 3.7 pour chaque paire de données de mesure des deux instruments.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Le tableau 1 montre des différences significatives (valeur p < 0,05) entre les données du PSG et de la smartwatch fitness lors de la première partie du test de validation. La smartwatch de fitness a surestimé le temps de réveil (p < 0,001), sous-estimé la durée du sommeil (p = 0,004) et signalé une fréquence cardiaque maximale plus élevée (p = 0,001). Cependant, aucune différence significative n’a été constatée entre la machine PSG et la smartwatch de fitness dans les mesures suivantes : temps de s...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Plusieurs limites de la smartwatch de fitness ont été identifiées sur la base des résultats mitigés de l’analyse comparative. La grande variabilité des mesures de la smartwatch peut provenir de sa dépendance aux données de mouvement et de fréquence cardiaque plutôt qu’à des mesures plus détaillées, telles que l’électroencéphalogramme (EEG) utilisé dans le PSG. Le sommeil profond et le temps REM ont montré une meilleure concordance, ce qui suggère que la smartwatch de fitness peut conveni...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent que la recherche a été menée en l’absence de toute compensation commerciale ou financière, de parrainage ou de toute relation avec le fabricant de l’appareil qui pourrait être interprétée comme un conflit d’intérêts potentiel. Les opinions et les conclusions exprimées dans cet article sont celles de l’auteur et sont basées uniquement sur son expérience avec le produit de cette étude.

Remerciements

Nous remercions le neurotechnologue du laboratoire de neurologie du centre médical de l’Université de Malaya pour son aide et son soutien dans la réalisation du test pour cette étude. Ce travail a été soutenu par le Centre de Recherche UM (IIRG001C-2021IISS).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Système de diagnostic du sommeil  ;Natus Neurologie & CompumedicsDésigné dans le manuscrit comme PSG machine
Xiaomi Mi Band 6XiaomiDésigné dans le manuscrit comme smartwatch de fitness

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

Validation de montre connect esurveillance cardiovasculairecomparaison avec la polysomnographiesaturation en oxyg ne du sangmesure de la fr quence cardiaqueanalyse des stades du sommeilvalidation du comptage des pasanalyse de Bland Altmantest de marche de six minutes
Évaluation de la précision des données des montres connectées de fitness pour la surveillance de l’activité cardiovasculaire et physique : une étude de validation en santé numérique
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.