Name: Ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu (Wideo) | JoVE Journal
Uploaded: 2025-02-21T13:40:00.000+00:00
Duration: 5 min 51 s
Description: Dowiedz się, jak ocenić dokładność smartwatchy fitness w monitorowaniu aktywności sercowo-naczyniowej i fizycznej. Metoda wykorzystuje polisomnografię do walidacji danych w cyfrowym zdrowiu.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dziękujemy neurotechnologowi z Laboratorium Neurologii, Centrum Medycznego Uniwersytetu Malaya, za pomoc i wsparcie w przeprowadzeniu testu dla tego badania. Prace te były wspierane przez Centrum Badawcze UM (IIRG001C-2021IISS).

Protokół badania został zatwierdzony przez Komisję Oceny Etyki Universiti Malaya Medical Center (UMMC) (MREC No: 2021325-9983). Badanie walidacyjne pomiarów smartwatcha fitness jest podzielone na trzy części: (1) walidacja pomiarów snu w stosunku do złotego standardu za pomocą maszyny PSG, (2) walidacja pomiarów krokowych poprzez porównanie ręcznych obliczeń z nagrań wideo oraz (3) analiza danych z testów walidacyjnych.
1. Walidacja pomiarów snu na podstawie polisomnografii (PSG)
UWAGA: Badanie jest prowadzone w laboratorium kontrolowanego snu, aby zminimalizować zewnętrzne zakłócenia. Przed badaniem wszyscy uczestnicy zostali szczegółowo poinformowani o badaniu i otrzymali kartę informacyjną badania przed uzyskaniem pisemnej świadomej zgody. Wszystkie zebrane informacje są anonimowe.
<ol>
	<li>Upewnij się, że uczestnicy przybędą 1 godzinę przed rozpoczęciem testu w celu niezbędnego przygotowania.</li>
	<li>Uczestnicy noszą smartwatch fitness na swoim niedominującym nadgarstku.</li>
	<li>Przymocuj uczestników do aparatury maszyny PSG zgodnie z instrukcją producenta24. 
	UWAGA: Stosuj ustandaryzowane rozmieszczenie elektrod PSG zgodnie z instrukcją producenta, aby zapewnić uczestnikom minimalny dyskomfort podczas snu.</li>
	<li>Wykonaj dwa pomiary poziomu nasycenia krwi tlenem (SpO2) za pomocą smartwatcha fitness w pozycji leżącej.</li>
	<li>Upewnij się, że uczestnicy śpią maksymalnie 6 godzin 
	UWAGA: Personel techniczny monitoruje maszynę PSG przez cały czas trwania snu.</li>
	<li>Wykonaj dwa pomiary SpO2 za pomocą smartwatcha fitness w pozycji leżącej na plecach po przebudzeniu uczestnika.</li>
	<li>Eksportuj trendy snu zarówno z urządzenia PSG, jak i smartwatcha fitness, tj. czas trwania głębokiego snu, czas trwania lekkiego snu, czas szybkich ruchów gałek ocznych (REM) i czas trwania snu, tętno (minimalne, średnie, maksymalne tętno) i SpO2 do pliku .csv. Zapoznaj się z instrukcją producenta każdego urządzenia, aby dowiedzieć się, jak wyeksportować dane24,25.</li>
	<li>Przejdź do sekcji 3 w celu analizy danych.</li>
</ol>
2. Walidacja pomiarów kroków smartwatcha fitness z ręcznymi obliczeniami na podstawie nagrań wideo
UWAGA: Przed testem wszyscy uczestnicy są szczegółowo informowani o badaniu i otrzymują kartę informacyjną badania przed uzyskaniem pisemnej świadomej zgody. Wszystkie zebrane informacje są anonimowe. Do tego testu walidacyjnego wybierani są tylko uczestnicy o dobrym stanie zdrowia i bez upośledzenia ruchowego.
<ol>
	<li>Upewnij się, że uczestnicy noszą smartwatch fitness na niedominującym nadgarstku, a z drugiej strony trzymają smartfon do nagrywania kroków</li>.
	<li>Ustaw liczbę kroków na smartwatchu fitness na zero. Rozpocznij nagrywanie na smartfonie i poproś uczestnika o wykonanie testu krokowego, jak wskazano w kroku 2.3. Zatrzymaj i zapisz nagranie. Zapisz liczbę kroków zmierzonych w smartwatchu fitness.</li>
	<li>Upewnij się, że uczestnik ukończył dwa rodzaje testów krokowych (i) 3MWT i (ii) testy SC.
	<ol>
		<li>3MWT: Upewnij się, że uczestnik chodzi w normalnym i stałym tempie przez 3 minuty po płaskiej powierzchni.</li>
		<li>Test SC: Poproś uczestnika, aby pokonał dwa piętra schodów w kolejności wznoszącej i malejącej w normalnym i stałym tempie.</li>
	</ol>
	</li>
	<li>Odtwórz ponownie nagranie i oblicz liczbę kroków z nagrania wideo. Zapisz dane w pliku .csv. Wyeksportuj liczbę kroków ze smartwatcha fitness do tego samego pliku. Zapoznaj się z instrukcją producenta smartwatcha fitness, aby dowiedzieć się, jak wyeksportować dane25.</li>
	<li>Przejdź do sekcji 3 w celu analizy danych.</li>
</ol>
3. Analiza danych z testów walidacyjnych
UWAGA: W tym protokole, pakiet scipy.stats w Pythonie był używany do przeprowadzania wszystkich testów analitycznych z wyjątkiem testu Cohena d, gdzie zamiast niego użyto pakietu pingouin. Kod znajduje się w pliku uzupełniającym 1, gdzie każdy krok jest wymieniony w wierszu komentarza.
<ol>
	<li>Zaimportuj pakiet wymagany do obszaru roboczego języka Python.</li>
	<li>Zaimportuj dane pomiarowe do obszaru roboczego języka Python. Zastąp nazwę pliku measurement_data.csv wybraną nazwą pliku.</li>
	<li>Usuń wszystkie puste wartości za pomocą funkcji dropna() dla każdego danych pomiarowych. Następnie wykonaj test normalności Shapiro-Wilka, aby określić, czy dane mają rozkład normalny, korzystając z pakietu scipy.stats shapiro w Pythonie.</li>
	<li>Wykonaj sparowany próbny test t za pomocą pakietu ttest_rel scipy.stats w Pythonie, jeśli dane mają rozkład normalny, w przeciwnym razie wykonaj test Mann-Whitney Wilcoxon przy użyciu pakietu scipy.stats wilcoxon w Pythonie. Jeśli wynik ma wartość p < 0,05, oznacza to, że istnieje znaczna różnica między danymi pomiarowymi z obu przyrządów. W kodzie zastąp measure1_toolA i measure1_toolB odpowiednimi nazwami kolumn.</li>
	<li>Zmierz wielkość różnicy między instrumentami za pomocą wielkości efektu przy użyciu metody Cohena d. Wynik 0,2 oznacza mały efekt, 0,5 umiarkowany efekt, a 0,8 duży efekt.</li>
	<li>Zastosuj analizę Blanda-Altmana, aby ocenić zgodność między dwoma instrumentami, takimi jak średnia lub mediana różnicy, odchylenie standardowe (SD) i 95% CI błędu systematycznego. Wykreśl analizę Blanda-Altmana, aby ułatwić wizualizację danych wyjściowych za pomocą pakietu matplotlib.pyplot w języku Python.</li>
	<li>Powtarzaj krok 3.5 do kroku 3.7 dla każdej pary danych pomiarowych z obu przyrządów.</li>
</ol>

<ol><li>Sergueeva, K., Shaw, N., Lee, S. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+the+barriers+and+factors+associated+with+consumer+adoption+of+wearable+technology+devices+in+managing+personal+health%5BTitle%5D)+AND+%22Can+J+Adm+Sci%22%5BJournal%5D)">Understanding the barriers and factors associated with consumer adoption of wearable technology devices in managing personal health.</a> Can J Adm Sci. 37 (1), 45-60 (2020).</li>
<li>Xu, K., Lu, Y., Takei, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multifunctional+skin-inspired+flexible+sensor+systems+for+wearable+electronics%5BTitle%5D)+AND+%22Adv+Mater+Technol%22%5BJournal%5D)">Multifunctional skin-inspired flexible sensor systems for wearable electronics.</a> Adv Mater Technol. 4 (3), 25(2019).</li>
<li>Ates, H. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((End-to-end+design+of+wearable+sensors%5BTitle%5D)+AND+%22Nat+Rev+Mater%22%5BJournal%5D)">End-to-end design of wearable sensors.</a> Nat Rev Mater. 7 (11), 887-907 (2022).</li>
<li>Harrington, J., Schramm, P. J., Davies, C. R., Lee-Chiong, T. L. Jr <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+electrocardiogram-based+analysis+evaluating+sleep+quality+in+patients+with+obstructive+sleep+apnea%5BTitle%5D)+AND+%22Sleep+Breath%22%5BJournal%5D)">An electrocardiogram-based analysis evaluating sleep quality in patients with obstructive sleep apnea.</a> Sleep Breath. 17 (3), 1071-1078 (2013).</li>
<li>Mccall, W. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+rest-activity+biomarker+to+predict+response+to+SSRIs+in+major+depressive+disorder%5BTitle%5D)+AND+%22J+Psychiatr+Res%22%5BJournal%5D)">A rest-activity biomarker to predict response to SSRIs in major depressive disorder.</a> J Psychiatr Res. 64, 19-22 (2015).</li>
<li>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).</li>
<li>Perry, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporary+tattoos+can+replace+today%27s+biomedical+sensors%5BTitle%5D)+AND+%22IEEE+Spectr%22%5BJournal%5D)">Temporary tattoos can replace today's biomedical sensors.</a> IEEE Spectr. 34, 84-85 (2015).</li>
<li>Lehra, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wearable+applications+in+rugby+for+performance+quantification+and+player+health+assessment%3A+A+brief+review%5BTitle%5D)+AND+%22IJKSS%22%5BJournal%5D)">Wearable applications in rugby for performance quantification and player health assessment: A brief review.</a> IJKSS. 10 (2), 10(2022).</li>
<li>Lacey, A., Whyte, E., O'keeffe, S., O'connor, S., Moran, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+qualitative+examination+of+the+factors+affecting+the+adoption+of+injury+focused+wearable+technologies+in+recreational+runners%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">A qualitative examination of the factors affecting the adoption of injury focused wearable technologies in recreational runners.</a> PloS One. 17 (7), 22(2022).</li>
<li>Binyamin, S. S., Hoque, M. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+the+drivers+of+wearable+health+monitoring+technology%3A+An+extension+of+the+unified+theory+of+acceptance+and+use+of+technology%5BTitle%5D)+AND+%22Sustainability%22%5BJournal%5D)">Understanding the drivers of wearable health monitoring technology: An extension of the unified theory of acceptance and use of technology.</a> Sustainability. 12 (22), 20(2020).</li>
<li>Rao, P., Seshadri, D. R., Hsu, J. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Current+and+potential+applications+of+wearables+in+sports+cardiology%5BTitle%5D)+AND+%22Curr+Treat+Options+Cardiovasc+Med%22%5BJournal%5D)">Current and potential applications of wearables in sports cardiology.</a> Curr Treat Options Cardiovasc Med. 23 (10), 65(2021).</li>
<li>Casado-Robles, C., Mayorga-Vega, D., Guijarro-Romero, S., Viciana, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validity+of+the+xiaomi+mi+band+2%2C+3%2C+4+and+5+wristbands+for+assessing+physical+activity+in+12-to-18-year-old+adolescents+under+unstructured+free-living+conditions.+Fit-person+study%5BTitle%5D)+AND+%22J+Sports+Sci+Med%22%5BJournal%5D)">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.</a> J Sports Sci Med. 2 (2), 196-211 (2023).</li>
<li>Shapovalov, Y. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+of+personal+smart+tools+in+STEM+education%5BTitle%5D)+AND+%22Proceedings+of+the+1st+Symposium+on+Advances+in+Educational+Technology%22%5BJournal%5D)">Using of personal smart tools in STEM education.</a> Proceedings of the 1st Symposium on Advances in Educational Technology. 2, 192-207 (2020).</li>
<li>Concheiro-Moscoso, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+the+Xiaomi+mi+band+for+sleep+monitoring+and+its+influence+on+the+daily+life+of+older+people+living+in+a+nursing+home%5BTitle%5D)+AND+%22Digit+Health%22%5BJournal%5D)">Use of the Xiaomi mi band for sleep monitoring and its influence on the daily life of older people living in a nursing home.</a> Digit Health. 8, 20552076221121162(2022).</li>
<li>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).</li>
<li>Viciana, J., Casado-Robles, C., Guijarro-Romero, S., Mayorga-Vega, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Are+wrist-worn+activity+trackers+and+mobile+applications+valid+for+assessing+physical+activity+in+high+school+students%3F+Wearfit+study%5BTitle%5D)+AND+%22J+Sports+Sci+Med%22%5BJournal%5D)">Are wrist-worn activity trackers and mobile applications valid for assessing physical activity in high school students? Wearfit study.</a> J Sports Sci Med. 21 (3), 356-375 (2022).</li>
<li>Hao, Y., Ma, X. -K., Zhu, Z., Cao, Z. -B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validity+of+wrist-wearable+activity+devices+for+estimating+physical+activity+in+adolescents%3A+Comparative+study%5BTitle%5D)+AND+%22JMIR+Mhealth+Uhealth%22%5BJournal%5D)">Validity of wrist-wearable activity devices for estimating physical activity in adolescents: Comparative study.</a> JMIR Mhealth Uhealth. 9 (1), e18320(2021).</li>
<li>Ameen, M. S., Cheung, L. M., Hauser, T., Hahn, M. A., Schabus, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((About+the+accuracy+and+problems+of+consumer+devices+in+the+assessment+of+sleep%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">About the accuracy and problems of consumer devices in the assessment of sleep.</a> Sensors. 19 (19), 4160(2019).</li>
<li>Concheiro-Moscoso, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quality+of+sleep+data+validation+from+the+xiaomi+mi+band+5+against+polysomnography%3A+Comparison+study%5BTitle%5D)+AND+%22J+Med+Internet+Res%22%5BJournal%5D)">Quality of sleep data validation from the xiaomi mi band 5 against polysomnography: Comparison study.</a> J Med Internet Res. 25, e42073(2023).</li>
<li>Topalidis, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+a+low-cost+commercial+actigraph+and+its+potential+use+in+detecting+cultural+variations+in+physical+activity+and+sleep%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">Evaluation of a low-cost commercial actigraph and its potential use in detecting cultural variations in physical activity and sleep.</a> Sensors. 21 (11), 18(2021).</li>
<li>Xu, H., Zheng, X., Jia, W., Yin, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chromatography%2Fmass+spectrometry-based+biomarkers+in+the+field+of+obstructive+sleep+apnea%5BTitle%5D)+AND+%22Medicine%22%5BJournal%5D)">Chromatography/mass spectrometry-based biomarkers in the field of obstructive sleep apnea.</a> Medicine. 94 (40), e1541(2015).</li>
<li>Michaelson, P. G., Allan, P., Chaney, J., Mair, E. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validations+of+a+portable+home+sleep+study+with+twelve-lead+polysomnography%3A+Comparisons+and+insights+into+a+variable+gold+standard%5BTitle%5D)+AND+%22Ann+Otol+Rhinol+Laryngol%22%5BJournal%5D)">Validations of a portable home sleep study with twelve-lead polysomnography: Comparisons and insights into a variable gold standard.</a> Ann Otol Rhinol Laryngol. 115 (11), 802-809 (2006).</li>
<li>Berry, R. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rules+for+scoring+respiratory+events+in+sleep%3A+Update+of+the+2007+AASM+manual+for+the+scoring+of+sleep+and+associated+events%5BTitle%5D)+AND+%22J+Clin+Sleep+Med%22%5BJournal%5D)">Rules for scoring respiratory events in sleep: Update of the 2007 AASM manual for the scoring of sleep and associated events.</a> J Clin Sleep Med. 08 (05), 597-619 (2012).</li>
<li>Natus Neurology Incorporated. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Nicoletone+information+for+use%22">Nicoletone information for use</a>. , https://natus.com/ (2024).</li>
<li>Xiaomi Communications. Mi smart band 6 user manual. , At
 <a target="_blank" href="https://www.manualslib.com/manual/2629650/Xiaomi-Mi-Smart-Band-6.html">https://www.manualslib.com/manual/2629650/Xiaomi-Mi-Smart-Band-6.html</a> (2021).</li>
<li>De Zambotti, M., Cellini, N., Goldstone, A., Colrain, I. M., Baker, F. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wearable+sleep+technology+in+clinical+and+research+settings%5BTitle%5D)+AND+%22Med+Sci+Sports+Exerc%22%5BJournal%5D)">Wearable sleep technology in clinical and research settings.</a> Med Sci Sports Exerc. 51 (7), 1538-1557 (2019).</li>
<li>Meltzer, L. J., Montgomery-Downs, H. E., Insana, S. P., Walsh, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+actigraphy+for+assessment+in+pediatric+sleep+research%5BTitle%5D)+AND+%22Sleep+Med+Rev%22%5BJournal%5D)">Use of actigraphy for assessment in pediatric sleep research.</a> Sleep Med Rev. 16 (5), 463-475 (2012).</li>
<li>Paradiso, C., Colino, F., Liu, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+validity+and+reliability+of+the+mi+band+wearable+device+for+measuring+steps+and+heart+rate%5BTitle%5D)+AND+%22Int+J+Exerc+Sci%22%5BJournal%5D)">The validity and reliability of the mi band wearable device for measuring steps and heart rate.</a> Int J Exerc Sci. 13 (4), 689-701 (2020).</li>
<li>Benedetto, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessment+of+the+fitbit+charge+2+for+monitoring+heart+rate%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">Assessment of the fitbit charge 2 for monitoring heart rate.</a> PloS One. 13 (2), e0192691(2018).</li>
<li>Chow, H. -W., Yang, C. -C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accuracy+of+optical+heart+rate+sensing+technology+in+wearable+fitness+trackers+for+young+and+older+adults%3A+Validation+and+comparison+study%5BTitle%5D)+AND+%22JMIR+Mhealth+Uhealth%22%5BJournal%5D)">Accuracy of optical heart rate sensing technology in wearable fitness trackers for young and older adults: Validation and comparison study.</a> JMIR Mhealth Uhealth. 8 (4), e14707(2020).</li>
<li>Jachymek, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wristbands+in+home-based+rehabilitation-validation+of+heart+rate+measurement%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">Wristbands in home-based rehabilitation-validation of heart rate measurement.</a> Sensors. 22 (1), 60(2021).</li>
<li>Schalk, M., Schalk, I., Bauernhansl, T., Siegert, J., Schneider, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Investigation+of+possible+effects+of+wearing+exoskeletons+during+welding+on+heart+rate%5BTitle%5D)+AND+%22Physiologia%22%5BJournal%5D)">Investigation of possible effects of wearing exoskeletons during welding on heart rate.</a> Physiologia. 2 (3), 94-108 (2022).</li>
<li>Bent, B., Goldstein, B. A., Kibbe, W. A., Dunn, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Investigating+sources+of+inaccuracy+in+wearable+optical+heart+rate+sensors%5BTitle%5D)+AND+%22NPJ+Digit+Med%22%5BJournal%5D)">Investigating sources of inaccuracy in wearable optical heart rate sensors.</a> NPJ Digit Med. 3 (1), 18(2020).</li>
<li>De Cocker, K. A., De Meyer, J., De Bourdeaudhuij, I. M., Cardon, G. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Non-traditional+wearing+positions+of+pedometers%3A+Validity+and+reliability+of+the+Omron+HJ-203-ED+pedometer+under+controlled+and+free-living+conditions%5BTitle%5D)+AND+%22J+Sci+Med+Sport%22%5BJournal%5D)">Non-traditional wearing positions of pedometers: Validity and reliability of the Omron HJ-203-ED pedometer under controlled and free-living conditions.</a> J Sci Med Sport. 15 (5), 418-424 (2012).</li>
<li>Diaz, K. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fitbit%C2%AE%3A+An+accurate+and+reliable+device+for+wireless+physical+activity+tracking%5BTitle%5D)+AND+%22Int+J+Cardiol%22%5BJournal%5D)">Fitbit®: An accurate and reliable device for wireless physical activity tracking.</a> Int J Cardiol. 185, 138-140 (2015).</li>
<li>Mendes, M., Pala, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Type+I+error+rate+and+power+of+three+normality+tests%5BTitle%5D)+AND+%22Inf+Technol+J%22%5BJournal%5D)">Type I error rate and power of three normality tests.</a> Inf Technol J. 2, 135-139 (2003).</li>
<li>Costa, R. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Heart+rate+deflection+point+as+an+alternative+to+determining+the+anaerobic+threshold+in+dyslipidaemic+patients%5BTitle%5D)+AND+%22Motriz%3A+Rev+Educ+F%C3%ADs%22%5BJournal%5D)">Heart rate deflection point as an alternative to determining the anaerobic threshold in dyslipidaemic patients.</a> Motriz: Rev Educ Fís. 25 (1), (2019).</li>
<li>Roth, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Noninvasive+evaluation+of+the+hemodynamic+status+in+patients+after+heart+transplantation+or+left+ventricular+assist+device+implantation%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">Noninvasive evaluation of the hemodynamic status in patients after heart transplantation or left ventricular assist device implantation.</a> PloS One. 17 (10), e0275977(2022).</li>
</ol>

Autorzy oświadczają, że badanie zostało przeprowadzone przy braku jakiejkolwiek rekompensaty komercyjnej lub finansowej, sponsoringu lub jakichkolwiek relacji z producentem urządzenia, które mogłyby być interpretowane jako potencjalny konflikt interesów. Opinie i ustalenia wyrażone w tym artykule są własnymi opiniami autora i opierają się wyłącznie na jego doświadczeniach z produktem z tego badania.

Na podstawie mieszanych wyników analizy porównawczej zidentyfikowano kilka ograniczeń smartwatcha fitness. Duża zmienność pomiarów smartwatcha może wynikać z jego polegania na danych o ruchu i tętnie, a nie na bardziej szczegółowych pomiarach, takich jak elektroencefalogram (EEG) stosowany w PSG. Głęboki sen i czas REM wykazały lepszą zgodność, co sugeruje, że smartwatch fitness może być odpowiedni do ogólnego monitorowania snu. Jednak może nie być wiarygodny w diagnostyce klinicznej, takiej jak szczegółowa analiza fazy ...

Technologia ubieralna zyskała na popularności, stając się powszechna w różnych dziedzinach życia codziennego1. Technologie te, wyposażone w czujniki i algorytmy, zmieniły sposób monitorowania i interpretowania parametrów fizjologicznych, dostarczając użytkownikom informacji o zdrowiu, śledząc treningi i umożliwiając użytkownikom prowadzenie zdrowszego stylu życia. Integracja sztucznej inteligencji i rozpoznawania wzorców, w połączeniu z coraz bardziej popularnymi funkcjami, takimi jak funkcje rzeczywistości wirtualnej i rozszerzonej, nie tylko zwiększa funkcjonalność urządzeń ubieralnych, ale także umożliwia zaawansowaną, spersonalizowaną analizę danych i bardziej angażujące doświadczenie użytkownika2,3. W miarę jak urządzenia ubieralne stają się coraz bardziej zintegrowane z codzienną rutyną, zrozumienie ich dokładności i niezawodności staje się najważniejsze, zwłaszcza w branżach takich jak monitorowanie wyników sportowych i opieka zdrowotna.
Wearables oferują korzyści z rejestrowania danych pacjentów w czasie rzeczywistym w przypadku chorób przewlekłych, dostarczając bezcennych informacji zarówno pacjentom, jak i pracownikom służby zdrowia. Wskaźniki, takie jak aktywność fizyczna, osie rozmów i czas trwania snu, mogą pomóc w ocenie ciężkości chorób, takich jak depresja, bezdech senny i choroba Parkinsona4,5,6. Nowe technologie, takie jak elektroniczne znaczki, które monitorują poziom glukozy, tętno i temperaturę, są poddawane testom klinicznym, co jeszcze bardziej rozszerza możliwości zaawansowanych urządzeń ubieralnych w healtchcare7. Co więcej, sportowcy i entuzjaści fitnessu wykorzystują technologię ubieralną do optymalizacji schematów treningowych, śledzenia wskaźników wydajności i zapobiegania kontuzjom8,9. Integracja regularnej oceny parametrów fizjologicznych, danych dotyczących aktywności i funkcji, takich jak zapis elektrokardiogramu, wzbudziła zainteresowanie potencjałem urządzeń ubieralnych do pomocy w diagnozowaniu i śledzeniu chorób sercowo-naczyniowych8,10. Gadżety do noszenia okazały się obiecujące w zwiększaniu bezpieczeństwa w miejscu pracy, poprawie zarządzania stylem życia i wpajaniu zdrowszych nawyków wśród użytkowników11.
Opaski do smartwatchy fitness, takie jak Xiaomi Mi Band, dobrze znana tania technologia ubieralna i jeden z najczęściej używanych smartwatchy na świecie12, były stosowane w różnych zastosowaniach, w tym w medycynie, sporcie i edukacji13. Na przykład w badaniach wykorzystano smartwatche fitness do monitorowania parametrów fizjologicznych osób starszych14,15, analizowania zachowania uczniów podczas edukacji STEM13 oraz oceny aktywności fizycznej u osób16,17. Pomimo ich szerokiego zastosowania, wciąż pojawiają się pytania dotyczące precyzji i niezawodności środków zapewnianych przez te urządzenia. W licznych badaniach podjęto próbę zweryfikowania pomiarów uzyskanych za pomocą technologii ubieralnej12,18,19,20. W poprzednich badaniach badano dokładność liczenia kroków i funkcjonalność monitorowania snu, dostarczając informacji na temat wydajności urządzeń w szerokim zakresie ustawień i danych demograficznych użytkowników. Jednak istniejące badania wskazują na znaczne luki w wiedzy, takie jak sprzeczne wyniki badań i niewystarczająca walidacja w odniesieniu do metodologii złotego standardu, takich jak polisomnografia21,22,23.
Celem tego badania jest walidacja danych uzyskanych z smartwatchy fitness i zajęcie się niezawodnością smartwatchy fitness. Celem oceny dokładności śledzenia snu urządzenia ubieralnego i innych istotnych wskaźników, takich jak tętno, poziom tlenu we krwi i kroki, jest zapewnienie istotnych informacji na temat przydatności urządzenia do zastosowań klinicznych i badawczych, które wymagają wysokiego poziomu dokładności i precyzji. Ma to na celu przyczynienie się do rosnącej liczby badań nad walidacją technologii ubieralnych poprzez rygorystyczną metodologię i solidną analizę statystyczną, ostatecznie poprawiając zdolność do stosowania tych narzędzi w celu uzyskania lepszych wyników zdrowotnych i dobrego samopoczucia.

<table><tbody><tr><td>System diagnostyki snu&nbsp;</td><td>Natus Neurologia & Compumedics</td><td>Określany w rękopisie</td><td></td> jako maszyna PSG</tr><tr><td>Xiaomi Mi Band 6</td><td>Xiaomi</td><td></td><td>Określany w rękopisie jako smartwatch fitness</td></tr></tbody></table>

ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu

Assessing the Accuracy of Fitness Smartwatch Data for Cardiovascular and Physical Activity Monitoring: A Validation Study in Digital Health

To badanie ma na celu sprawdzenie dokładności tanich smartwatchy fitness poprzez porównanie ich danych ze złotym standardem pomiarów parametrów sercowo-naczyniowych i aktywności fizycznej. W badaniu wzięło udział 50 osób, z których 26 przeszło testy walidacyjne dotyczące częstości akcji serca, nasycenia krwi tlenem (SpO2) i danych dotyczących snu w stosunku do polisomnografii (PSG). Ponadto 24 osoby wzięły udział w teście 3-minutowego marszu (3MWT) i wchodzeniu po schodach (SC), przy czym liczba kroków została zweryfikowana w oparciu o ręczne obliczenia wideo. Wyniki nie wykazały znaczącej różnicy między pomiarami urządzenia a wartościami złotego standardu dla płytkiego snu, głębokiego snu, czasu REM, średniego tętna, minimalnego tętna i SpO2. Jednak urządzenie znacznie zaniżało ręcznie liczone kroki (p = 0,009 (3MWT); p = 0,012 (SC)), całkowity czas snu (p = 0,004) i czas budzenia (p = 8,94 × 10-8), jednocześnie przeszacowując maksymalne tętno (p = 0,011). Wyniki te podkreślają znaczenie dokładnej walidacji i interpretacji danych z urządzeń ubieralnych w kontekście klinicznym. Biorąc pod uwagę te ograniczenia, zaleca się wyłączenie odczytów urządzenia w przyszłych analizach w celu zachowania wiarygodności danych i integralności badań. Badanie to podkreśla potrzebę ciągłej walidacji i ulepszania technologii ubieralnej w celu zapewnienia jej niezawodności i skuteczności w opiece zdrowotnej.

Tabela 1 przedstawia istotne różnice (wartość p &lt; 0,05) pomiędzy danymi z PSG a smartwatchem fitness podczas pierwszej części testu walidacyjnego. Smartwatch fitness zawyżył czas czuwania (p &lt; 0,001), zaniżył czas trwania snu (p = 0,004) i wykazał wyższą maksymalną częstotliwość akcji serca (p = 0,001). Jednakże nie stwierdzono istotnych różnic między aparatem PSG a smartwatchem fitness w następujących pomiarach: czasie snu płytkiego, czasie snu głębokiego, czasie fazy REM, średniej częstotliwości ...

Technologia wearable ma niski koszt i oferuje wygodne monitorowanie danych fizjologicznych. Jednak dokładność i niezawodność tych urządzeń wymaga starannej oceny, aby zapewnić ich skuteczność i bezpieczeństwo dla użytkowników. Ten raport opisuje proces walidacji komercyjnego smartwatcha w monitorowaniu danych fizjologicznych i aktywności fizycznej.

Ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu

This study aims to validate the accuracy of low-cost fitness smartwatches by comparing their data with gold-standard measurements for cardiovascular and ...

Badanie ma na celu potwierdzenie ich dokładności tanich smartwatchy fitness poprzez porównanie ich danych ze złotym standardem pomiarów stosowanych w warunkach klinicznych. Protokół ten ocenia dokładność i niezawodność smartwatchy fitness, wypełniając luki w zrozumieniu ich rzeczywistej wydajności w miarę wzrostu ich popularności. Nasze odkrycia dostarczą cennych informacji na temat dokładności i wiarygodności danych smartwatchy fitness, co ma kluczowe znaczenie dla badaczy i pracowników służby zdrowia korzystających z tych urządzeń w badaniach lub warunkach klinicznych.Na początek poproś uczestników, aby nosili smartwatch fitness na swoim niedominującym nadgarstku. Przymocuj uczestników do aparatury polisomnograficznej lub maszyny PSG. Za pomocą smartwatcha fitness wykonaj dwa pomiary poziomu nasycenia krwi tlenem, gdy uczestnik znajduje się w pozycji leżącej.Upewnij się, że uczestnik śpi maksymalnie sześć godzin. Po przebudzeniu uczestnika użyj smartwatcha fitness, aby wykonać dwa dodatkowe pomiary poziomu nasycenia krwi tlenem, pozostając w pozycji leżącej. Eksportuj trendy snu zarówno z urządzenia PSG, jak i smartwatcha fitness do pliku csv.Uwzględnij dane dotyczące czasu trwania głębokiego snu, czasu trwania lekkiego snu, czasu szybkich ruchów gałek ocznych, całkowitego czasu trwania snu, tętna i poziomu nasycenia krwi tlenem. Aby zweryfikować pomiary kroków smartwatcha fitness, najpierw poproś uczestników, aby nosili smartwatch fitness na niedominującym nadgarstku, a drugą ręką trzymali smartfon w celu nagrywania kroków. Ustaw liczbę kroków na smartwatchu fitness na zero, a następnie rozpocznij nagrywanie ze smartfona i poproś uczestnika o wykonanie testu kroków.Zapisz liczbę kroków zmierzonych przez smartwatch fitness. W przypadku trzyminutowego testu marszowego lub 3-M WT poinstruuj uczestnika, aby chodził w normalnym i stałym tempie przez trzy minuty po płaskiej powierzchni. W teście wchodzenia po schodach lub SC poproś uczestnika, aby pokonał dwa piętra schodów w kolejności wznoszącej i schodzącej w normalnym i stałym tempie.Ręcznie oblicz liczbę kroków zaobserwowanych w nagraniu wideo. Zapisz te dane w pliku csv, a następnie wyeksportuj liczbę kroków ze smartwatcha fitness do tego samego pliku. Zaimportuj wymagane pakiety do obszaru roboczego języka Python, a następnie zaimportuj dane pomiarowe do obszaru roboczego języka Python.Zastąp nazwę pliku measurement_data. csv wybraną nazwą pliku. Użyj funkcji drop in, aby usunąć wszelkie puste wartości dla każdego danych pomiarowych.Wykonaj test normalności Shapiro-Wilka, aby określić, czy dane mają rozkład normalny, korzystając z pakietu SciPy stats Shapiro w Pythonie. Teraz wykonaj sparowany przykładowy test T przy użyciu pakietu SciPy stats T-test TestRail w języku Python, jeśli dane mają rozkład normalny. Jeśli nie, wykonaj test Manna-Whitneya Wilcoxona, korzystając z pakietu SciPy stats Wilcoxon.Zastąp measure1_toolA i measure1_toolB odpowiednimi nazwami kolumn wybranymi w kodzie. Następnie użyj metody co i d, aby zmierzyć wielkość różnicy między instrumentami. Zastosowano analizę Blanda-Altmana do oceny zgodności między dwoma instrumentami, w tym średniej lub mediany różnicy, odchylenia standardowego i 95% przedziału ufności błędu systematycznego.Wykreśl analizę Blanda-Altmana do wizualizacji przy użyciu pakietu wykresu kołowego Matplotlib w języku Python. Płytki czas snu wykazał duże odchylenie wynoszące 27,77 minuty z szerokimi granicami zgodności, co wskazuje na znaczną zmienność pomiarów przez smartwatch w porównaniu z PSG. Całkowity czas snu został przeszacowany o 41,5 minuty, z szerszymi granicami zgodności, co wskazuje na sporadyczne niezgodności w śledzeniu czasu trwania snu.Czas REM wykazał minimalne odchylenie i odchylenie standardowe, co sugeruje dobrą wymienność między smartwatchem a PSG dla tego parametru. Czas budzenia został przeszacowany przez smartwatch, z wyraźnym grupowaniem i tendencją wzrostową różnic, co wskazuje na błąd pomiaru. Średnie tętno wykazywało minimalne odchylenie i dobre grupowanie w pobliżu linii odchylenia, co wskazuje na silną zgodność.Minimalne tętno wykazywało pewne wartości odstające, co sugeruje trudności w wykrywaniu niskiego tętna, chociaż ogólna zgodność była rozsądna. Maksymalne tętno wykazywało zauważalne rozproszenie, co odzwierciedlało zmienność w śledzeniu wartości szczytowych przez smartwatch. Nasycenie krwi tlenem wykazało minimalne odchylenie i wąskie granice zgodności, co odzwierciedla wysoką zgodność między urządzeniami.Smartwatch znacznie zaniżył kroki dla 3-M WT średnio o 31,33 kroków, a SC o 11 kroków.

assessing-accuracy-fitness-smartwatch-data-for-cardiovascular

Research

JoVE Journal

Medicine

Medycyna

Rehabilitacja oddechowa jest powszechnie uznawana w leczeniu chorób układu oddechowego. Kluczowym elementem udanej rehabilitacji oddechowej jest przestrzeganie zalecanego treningu fizycznego. Celem niniejszego protokołu jest opisanie sposobu, w jaki technologia ciągłego śledzenia danych może być wykorzystana do precyzyjnego pomiaru przestrzegania zalecanej intensywności treningu aerobowego.

Wykorzystanie technologii ciągłego śledzenia danych do badania przestrzegania zaleceń dotyczących ćwiczeń w rehabilitacji pulmonologicznej

Ustandaryzowana metoda oceny została opracowana dla Wearable Mobility Monitoring Systems (WMMS), która obejmuje ciągłe działania w realistycznym codziennym środowisku życia. Testowanie z serią codziennych czynności życiowych może zmniejszyć czułość rozpoznawania aktywności; w związku z tym zachęca się do stosowania realistycznych obwodów testowych w celu prawidłowej oceny wydajności WMMS.

Ocena systemu rozpoznawania aktywności człowieka opartego na smartfonach w codziennym środowisku życia

Ten protokół opisuje metodę ilościowego określania wydajności kończyn górnych w codziennym życiu za pomocą akcelerometrów noszonych na nadgarstku.

Metoda ilościowego określania wydolności kończyn górnych w życiu codziennym za pomocą akcelerometrów

Dyskretne czujniki i wszechobecna technologia obliczeniowa włączona do codziennego życia domowego osób starszych umożliwia rejestrowanie znaczących zmian w zdrowiu i aktywności w sposób ciągły przez miesiące lub lata, dostarczając ekologicznie ważnych, wysokiej częstotliwości, wielodomenowych danych do badań lub zastosowań klinicznych.

Metodologia tworzenia ogólnowspólnotowego laboratorium życiowego w celu pozyskiwania dyskretnych i ciągłych danych dotyczących zdalnej aktywności i zdrowia

Ten protokół opisuje randomizowane kontrolowane badanie jako metodę testowania wpływu demonstracji wideo na wewnątrzosobniczą różnicę między samooceną a umiarkowaną lub intensywną aktywnością fizyczną opartą na akcelerometrze.

Wizualizacja poziomów intensywności w celu zmniejszenia różnicy między samodzielnie zgłaszaną a bezpośrednio mierzoną aktywnością fizyczną

Celem jest promowanie nowego podejścia do rehabilitacji kardiologicznej (CR), wykorzystującego unikalny system zdalnego monitorowania pacjentów, który umożliwi świadczeniodawcom opieki zdrowotnej monitorowanie pacjentów z CR w domu przy niskich kosztach, z zamiarem zwiększenia dostępności usług CR i poprawy zgodności. Badanie jest obecnie w toku.

Nowatorska platforma cyfrowa dla monitorowanego programu domowej rehabilitacji kardiologicznej

To innowacyjne urządzenie wykorzystuje czujniki magneto-inercyjne, aby umożliwić analizę chodu i aktywności w niekontrolowanych środowiskach. Obecnie w procesie kwalifikacji jako miernik wyniku w Europejskiej Agencji Medycznej, jednym z wniosków będzie pełnienie funkcji klinicznego punktu końcowego w badaniach klinicznych w chorobach nerwowo-mięśniowych.

Domowy monitor do analizy chodu i aktywności

Opisujemy protokół rejestracji trójodprowadzeniowego dwubiegunowego elektrokardiogramu przez smartwatch, który działa identycznie jak przewody Einthovena ze standardowych elektrokardiogramów. Dzięki temu pacjenci mogą samodzielnie rejestrować elektrokardiogramy natychmiast po wystąpieniu objawów.

Rejestr bipolarnego trójodprowadzeniowego elektrokardiogramu skierowany przez pacjenta przy użyciu smartwatcha z funkcją EKG

Obecny protokół wprowadza niekomercyjną, samodzielnie opracowaną aplikację do zbierania danych w czasie rzeczywistym na miejscu, w tym skal psychologicznych, lokalizacji GPS, tętna i poziomu nasycenia krwi tlenem, a także procedur operacyjnych aplikacji. Jako przykład zastosowania posłużyło badanie empiryczne przeprowadzone na Tajwanie w 2020 roku.

Aplikacja do parowania z urządzeniami ubieralnymi w celu monitorowania stanu zdrowia

Komercyjne smartwatche wyposażone w czujniki do noszenia są coraz częściej wykorzystywane w badaniach populacyjnych. Jednak ich użyteczność jest często ograniczona przez ograniczoną żywotność baterii, pojemność pamięci i jakość danych. Niniejszy raport zawiera przykłady opłacalnych rozwiązań rzeczywistych problemów technicznych napotkanych podczas badań z udziałem dzieci cierpiących na astmę i starszych pacjentów kardiologicznych.

Konfiguracja konsumenckich urządzeń ubieralnych do monitorowania narażenia i zdrowia w badaniach populacyjnych

M3-BREATHE to mobilny system zdrowia (mHealth), który integruje przenośne czujniki do monitorowania oddychania, zachowań i ekspozycji na czynniki środowiskowe w celu spersonalizowanego leczenia i oceny zdrowia w rzeczywistości.

Real-World M3-BREATHE: ku wielomodalnemu mobilnemu monitorowaniu zachowań, oddychania i ekspozycji w leczeniu i ocenie zdrowia

Dowiedz się, jak ocenić dokładność smartwatchy fitness w monitorowaniu aktywności sercowo-naczyniowej i fizycznej. Metoda wykorzystuje polisomnografię do walidacji danych w cyfrowym zdrowiu.

Ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu (Wideo) | JoVE Journal

Ocena dokładności danych smartwatcha fitness do monitorowania aktywności sercowo-naczyniowej i fizycznej: badanie walidacyjne w cyfrowym zdrowiu

Przeglądaj więcej filmów