הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

הערכת הדיוק של נתוני שעון חכם כושר לניטור פעילות קרדיווסקולרית וגופנית: מחקר אימות בבריאות דיגיטלית

1.9K צפיות

⸱

DOI:

10.3791/67674

⸱

21 בפברואר 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

במאמר זה

סיכום

לטכנולוגיה לבישה יש עלות נמוכה ומציעה ניטור נוח של נתונים פיזיולוגיים. עם זאת, הדיוק והאמינות של מכשירים אלה דורשים הערכה זהירה כדי להבטיח את יעילותם ובטיחותם עבור המשתמשים. דוח זה מתאר את תהליך האימות של שעון חכם מסחרי בניטור נתונים פיזיולוגיים ופעילות גופנית.

תקציר

מחקר זה נועד לאמת את הדיוק של שעוני כושר חכמים בעלות נמוכה על ידי השוואת הנתונים שלהם למדידות תקן זהב לפרמטרים של פעילות קרדיווסקולרית ופעילות גופנית. המחקר כלל 50 נבדקים, 26 עברו בדיקות אימות לדופק דופק, ריווי חמצן בדם (SpO2) ונתוני שינה נגד פוליסומנוגרפיה (PSG). בנוסף, 24 נבדקים השתתפו במבחן הליכה של 3 דקות (3MWT) וטיפוס מדרגות (SC), עם ספירת צעדים שאומתה מול חישובי וידאו ידניים. התוצאות לא הראו הבדל משמעותי בין מדידות המכשיר לערכי תקן הזהב לשינה רדודה, שינה עמוקה, זמן REM, דופק ממוצע, דופק מינימלי ו-SpO2. עם זאת, המכשיר העריך באופן משמעותי צעדים שנספרו ידנית (p = 0.009 (3MWT); p = 0.012 (SC)), משך השינה הכולל (p = 0.004) וזמן התעוררות (p = 8.94 × 10-8) תוך הערכת יתר של הדופק המרבי (p = 0.011). ממצאים אלה מדגישים את החשיבות של אימות ופרשנות מדויקים של נתוני מכשירים לבישים בהקשרים קליניים. בהתחשב במגבלות אלו, מומלץ לא לכלול את קריאות המכשיר בניתוחים עתידיים כדי לשמור על אמינות הנתונים ושלמות המחקר. מחקר זה מדגיש את הצורך באימות ושיפור מתמשכים של טכנולוגיה לבישה כדי להבטיח את אמינותה ויעילותה בתחום הבריאות.

מבוא

טכנולוגיה לבישה גדלה בפופולריות, והפכה לדבר שבשגרה בחלקים שונים של חיי היומיום1. טכנולוגיות אלו, המצוידות בחיישנים ואלגוריתמים, שינו את אופן הניטור והפירוש של פרמטרים פיזיולוגיים, מספקות למשתמשים מידע בריאותי, עוקבות אחר אימונים ומאפשרות למשתמשים אורח חיים בריא יותר. השילוב של בינה מלאכותית וזיהוי דפוסים, בשילוב עם תכונות פופולריות יותר ויותר כמו תכונות מציאות מדומה ורבודה, לא רק משפר את הפונקציונליות של מכשירים לבישים אלא גם מאפשר ניתוח נתונים מותאם אישית מתקדם וחווית משתמש מרתקת יותר 2,3. ככל שמכשירים לבישים משתלבים יותר בשגרת היומיום, הבנת הדיוק והאמינות שלהם הופכת לבעלת חשיבות עליונה, במיוחד בתעשיות כמו ניטור ביצועי ספורט ושירותי בריאות.

התקנים לבישים מציעים את היתרון של רישום נתוני מטופלים בזמן אמת עבור מחלות כרוניות, ומספקים תובנות שלא יסולא בפז הן למטופלים והן לאנשי מקצוע בתחום הבריאות. מדדים כגון פעילות גופנית, לוחות זמנים של שיחה ומשך שינה יכולים לעזור להעריך את חומרת מחלות כמו דיכאון, דום נשימה בשינה ומחלת פרקינסון 4,5,6. טכנולוגיות מתפתחות, כגון חותמות אלקטרוניות המנטרות גלוקוז, דופק וטמפרטורה, עוברות בדיקות קליניות, ומרחיבות עוד יותר את האפשרויות של מכשירים לבישים מתקדמים ב-healtchcare7. יתר על כן, ספורטאים וחובבי כושר משתמשים בטכנולוגיה לבישה כדי לייעל את משטרי האימונים, לעקוב אחר מדדי ביצועים ולמנוע פציעות 8,9. השילוב של הערכה קבועה של פרמטרים פיזיולוגיים, נתוני פעילות ופונקציות כמו רישום אלקטרוקרדיוגרמה עורר עניין לגבי הפוטנציאל של מכשירים לבישים לסייע באבחון ומעקב אחר מחלות לב וכלי דם 8,10. גאדג'טים לבישים הראו הבטחה בשיפור הבטיחות במקום העבודה, שיפור ניהול אורח החיים והקניית הרגלים בריאים יותר בקרב המשתמשים11.

להקות שעונים חכמים לכושר, כגון Xiaomi Mi Band, טכנולוגיה לבישה ידועה בעלות נמוכה ואחד השעונים החכמים הנפוצים ביותר בעולם12, יושמו במגוון יישומים, כולל רפואה, ספורט וחינוך13. לדוגמה, מחקר השתמש בשעוני כושר חכמים לניטור הפרמטרים הפיזיולוגיים של אנשים מבוגרים14,15, ניתוח התנהגות תלמידים במהלך חינוך STEM13 והערכת פעילות גופנית אצל אנשים16,17. למרות השימוש הנרחב בהם, ישנן שאלות מתמשכות הנוגעות לדיוק ולאמינות האמצעים המסופקים על ידי מכשירים אלה. חקירות רבות ניסו לאמת את המדידות שהתקבלו מטכנולוגיה לבישה 12,18,19,20. מחקרים קודמים חקרו את הדיוק של ספירת הצעדים ואת הפונקציונליות של ניטור שינה, וסיפקו תובנות לגבי ביצועי המכשירים במגוון רחב של הגדרות ודמוגרפיה של משתמשים. עם זאת, המחקר הקיים מצביע על פערים משמעותיים בידע, כגון ממצאים סותרים בין מחקרים ואימות לא מספיק מול מתודולוגיות תקן זהב כגון פוליסומנוגרפיה 21,22,23.

מטרת מחקר זה היא לאמת את הנתונים המתקבלים משעוני כושר חכמים ולטפל באמינות של שעוני כושר חכמים. מטרת הערכת דיוק מעקב השינה של המכשיר הלביש ומדדים רלוונטיים אחרים כגון דופק, רמת חמצן בדם וצעדים היא לספק תובנות משמעותיות לגבי התאמת המכשיר ליישומים קליניים ומחקריים הדורשים רמת דיוק ודיוק גבוהה. זה נועד לתרום לגוף המחקר ההולך וגדל על אימות טכנולוגיה לבישה באמצעות מתודולוגיה קפדנית וניתוח סטטיסטי מוצק, ובסופו של דבר לשפר את היכולת להשתמש בכלים אלה לתוצאות בריאות ורווחה טובות יותר.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

פרוטוקול המחקר מאושר על ידי מועצת הביקורת האתית של המרכז הרפואי של אוניברסיטת מלאיה (UMMC) (MREC No: 2021325-9983). מחקר האימות של מדידות שעון כושר חכם מחולק לשלושה חלקים: (1) אימות מדידות שינה מול תקן הזהב באמצעות מכונת PSG, (2) אימות מדידות צעדים על ידי השוואת חישובים ידניים מהקלטות וידאו, ו-(3) ניתוח נתונים של מבחני האימות.

1. אימות מדידות שינה כנגד פוליסומנוגרפיה (PSG)

הערה: המחקר נערך במעבדת שינה מבוקרת כדי למזער הפרעות חיצוניות. לפני המבחן, כל המשתתפים תודרכו לעומק על המחקר וקיבלו את דף המידע של המחקר לפני שהתקבלה הסכמה מדעת בכתב. כל המידע שנאסף נשמר אנונימי.

  1. ודא שהמשתתפים מגיעים שעה אחת לפני תחילת המבחן להכנה הדרושה.
  2. המשתתפים עונדים את שעון הכושר החכם על פרק כף היד הלא דומיננטי שלהם.
  3. חבר את המשתתפים למכשיר של מכונת PSG בהתאם למדריך היצרן24.
    הערה: השתמש במיקום סטנדרטי של אלקטרודות PSG לפי מדריך היצרן כדי להבטיח אי נוחות מינימלית למשתתפים במהלך השינה.
  4. בצע שתי מדידות של רמת ריווי החמצן בדם (SpO2) באמצעות שעון הכושר החכם במצב שכיבה.
  5. ודא שהמשתתפים ישנים מקסימום 6 שעות.
    הערה: הצוות הטכני עוקב אחר מכונת ה-PSG לאורך כל השינה.
  6. בצע שתי מדידות של SpO2 באמצעות שעון הכושר החכם במצב שכיבה לאחר שהמשתתף ער.
  7. ייצא מגמות שינה הן ממכונת PSG והן משעון כושר חכם, כלומר, משך שינה עמוקה, משך שינה קלה, זמן תנועות עיניים מהירות (REM) ומשך שינה, דופק (מינימום, ממוצע, דופק מקסימלי) ו-SpO2, לקובץ .csv. עיין במדריך היצרן של כל מכשיר כיצד לייצא את הנתונים 24,25.
  8. המשך לסעיף 3 לניתוח נתונים.

2. אימות מדידות צעד של שעון חכם כושר עם חישוב ידני מהקלטות וידאו

הערה: לפני המבחן, כל המשתתפים מקבלים תדרוך מעמיק על המחקר ומקבלים את דף המידע של המחקר לפני קבלת הסכמה מדעת בכתב. כל המידע שנאסף נשמר אנונימי. רק משתתפים עם מצבים בריאותיים טובים וללא ליקוי בניידות נבחרים למבחן תיקוף זה.

  1. ודא שהמשתתפים עונדים את שעון הכושר החכם על פרק כף היד הלא דומיננטי שלהם ומחזיקים סמארטפון למטרות הקלטת וידאו צעדים.
  2. הגדר את ספירת הצעדים בשעון החכם של הכושר לאפס. התחל להקליט בטלפון החכם ובקש מהמשתתף לבצע את בדיקת השלבים כפי שמצוין בשלב 2.3. עצור ושמור את ההקלטה. רשום את מספר הצעדים הנמדדים בשעון החכם של הכושר.
  3. ודא שהמשתתף משלים שני סוגים של מבחני שלבים: (i) מבחני 3MWT ו-(ii) מבחני SC.
    1. 3MWT: ודא שהמשתתף הולך בקצב רגיל ויציב במשך 3 דקות על משטח ישר.
    2. מבחן SC: בקש מהמשתתף לעלות שני גרמי מדרגות בסדר עולה ויורד בקצב רגיל וקבוע.
  4. הפעל מחדש את ההקלטה וחשב את מספר השלבים מהקלטת הווידאו. רשום את הנתונים בקובץ .csv. ייצא את ספירת הצעדים מהשעון החכם של הכושר לאותו קובץ. עיין במדריך של יצרן שעון הכושר החכם כיצד לייצא את הנתונים25.
  5. המשך לסעיף 3 לניתוח נתונים.

3. ניתוח נתונים של בדיקות הוולידציה

הערה: בפרוטוקול זה, חבילת scipy.stats ב-Python שימשה לביצוע כל בדיקות הניתוח למעט מבחן Cohen d, שבו נעשה שימוש בחבילת pingouin במקום. הקוד נמצא בקובץ משלים 1, שבו כל שלב מוזכר בשורת ההערות.

  1. חבילת ייבוא נדרשת לסביבת העבודה של Python.
  2. ייבא נתוני מדידה לסביבת העבודה של Python. החלף את שם הקובץ measurement_data.csv בשם קובץ לבחירתך.
  3. הסר ערכים ריקים באמצעות הפונקציה dropna() עבור כל נתוני מדידה. לאחר מכן, בצע את בדיקת הנורמליות של Shapiro-Wilk כדי לקבוע אם לנתונים יש התפלגות נורמלית באמצעות חבילת scipy.stats shapiro ב-Python.
  4. בצע מבחן t לדוגמה מזווג באמצעות חבילת scipy.stats ttest_rel ב-Python אם לנתונים יש התפלגות נורמלית, אחרת, בצע את Mann-Whitney Wilcoxon באמצעות חבילת scipy.stats wilcoxon ב-Python. אם לתוצאה יש ערך p < 0.05, זה אומר שיש הבדל משמעותי בין נתוני המדידה משני המכשירים. בקוד, החלף את measure1_toolA ו- measure1_toolB בשמות העמודות המתאימים לבחירתך.
  5. מדוד את גודל ההבדל בין מכשירים באמצעות גודל האפקט בשיטת כהן. פלט של 0.2 מציין השפעה קטנה, 0.5 אפקט בינוני ו-0.8 אפקט גדול.
  6. השתמש בניתוח בלנד-אלטמן כדי להעריך את ההתאמה בין שני מכשירים, כגון הפרש ממוצע או חציון, סטיית תקן (SD) ו-95% CI של ההטיה. שרטט את ניתוח בלנד-אלטמן להדמיה קלה של הפלט באמצעות חבילת matplotlib.pyplot ב-Python.
  7. חזור על שלב 3.5 עד שלב 3.7 עבור כל זוג נתוני המדידה משני המכשירים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

טבלה 1 מציגה הבדלים משמעותיים (ערך p < 0.05) בין נתונים מ-PSG לשעון הכושר החכם במהלך החלק הראשון של מבחן האימות. שעון הכושר החכם העריך יתר על המידה את זמן ההתעוררות (p < 0.001), משך השינה החסר (p = 0.004) ודיווח על דופק מקסימלי גבוה יותר (p = 0.001). עם זאת, לא נמצאו הבדלים משמעותיים בין מכשיר ה-PSG לשעון הכושר החכם במדידות הבאות: זמן שינה רדוד, זמן שינה עמוקה, זמן REM, דופק ממוצע, דופק מינימלי וריווי חמצן בדם. יתר על כן, הניתוח של כהן גילה כי תצפיות אלה היו אמינות, עם גדלי השפעה שנעו בין מינורי לב...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מספר מגבלות של שעון הכושר החכם זוהו על סמך התוצאות המעורבות בניתוח ההשוואה. השונות הגבוהה במדידות השעון החכם עשויה לנבוע מהסתמכותו על נתוני תנועה וקצב לב ולא על מדדים מפורטים יותר, כגון האלקטרואנצפלוגרמה (EEG) המשמשת ב-PSG. שינה עמוקה וזמן REM הראו הסכמה טובה יותר, מה שמצביע על כך ששעון הכושר החכם עשוי להתאים לניטור שינה כללי. עם זאת, ייתכן שהוא לא יהיה אמין לאבחון קליני, כגון ניתוח מפורט של שלבי השינה.

יתרה מכך, ממצא בולט אחד היה שהערכת חסר של זמן WASO על יד...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מצהירים כי המחקר נערך בהיעדר כל פיצוי מסחרי או כספי, חסות או כל קשר עם יצרן המכשיר שיכול להתפרש כניגוד אינטרסים פוטנציאלי. הדעות והממצאים המובעים במאמר זה הם של המחבר ומבוססים אך ורק על ניסיונם עם המוצר ממחקר זה.

תודות

אנו מודים לנוירו-טכנולוג במעבדה לנוירולוגיה, המרכז הרפואי של אוניברסיטת מלאיה, על העזרה והתמיכה בביצוע הבדיקה עבור מחקר זה. עבודה זו נתמכה על ידי מרכז המחקר של UM (IIRG001C-2021IISS).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מערכת אבחון שינה נאטוס נוירולוגיה & Compumedicsמכונה בכתב היד מכונת PSG
Xiaomi Mi Band 6Xiaomiמכונה בכתב היד שעון חכם כושר

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

Bland Altman
הערכת הדיוק של נתוני שעון חכם כושר לניטור פעילות קרדיווסקולרית וגופנית: מחקר אימות בבריאות דיגיטלית
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.