Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Оценка точности данных фитнес-часов для мониторинга сердечно-сосудистой и физической активности: валидационное исследование в цифровом здравоохранении

1.9K просмотров

⸱

DOI:

10.3791/67674

⸱

21 февраля 2025 г.

 ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

Носимые технологии имеют низкую стоимость и предлагают удобный мониторинг физиологических данных. Тем не менее, точность и надежность этих устройств требуют тщательной оценки, чтобы убедиться в их эффективности и безопасности для пользователей. В этом отчете описывается процесс валидации коммерческих умных часов для мониторинга физиологических данных и физической активности.

Аннотация

Это исследование направлено на проверку точности недорогих умных часов для фитнеса путем сравнения их данных с золотым стандартом измерений параметров сердечно-сосудистой системы и физической активности. В исследовании приняли участие 50 субъектов, 26 из которых проходили валидационное тестирование на частоту сердечных сокращений, насыщение крови кислородом (SpO2) и данные сна по сравнению с полисомнографией (ПСГ). Кроме того, 24 испытуемых приняли участие в тесте «3-минутная ходьба» (3MWT) и «Подъем по лестнице» (SC), при этом количество шагов было проверено с помощью ручных видеорасчетов. Результаты не показали существенной разницы между измерениями устройства и золотыми стандартными значениями для поверхностного сна, глубокого сна, времени быстрого сна, средней частоты сердечных сокращений, минимальной частоты сердечных сокращений и SpO2. Тем не менее, устройство значительно недооценило количество шагов, подсчитанных вручную (p = 0,009 (3MWT); p = 0,012 (SC)), общую продолжительность сна (p = 0,004) и время пробуждения (p = 8,94 × 10-8), при этом завысив максимальную частоту сердечных сокращений (p = 0,011). Эти результаты подчеркивают важность точной проверки и интерпретации данных носимых устройств в клиническом контексте. Учитывая эти ограничения, рекомендуется исключить показания прибора из будущих анализов для поддержания надежности данных и целостности исследований. Это исследование подчеркивает необходимость постоянной валидации и совершенствования носимых технологий для обеспечения их надежности и эффективности в здравоохранении.

Введение

Популярность носимых технологий возросла, став обычным явлением в различных сферахповседневной жизни. Эти технологии, оснащенные датчиками и алгоритмами, изменили способ мониторинга и интерпретации физиологических параметров, предоставляя пользователям информацию о здоровье, отслеживая тренировки и позволяя пользователям вести более здоровый образ жизни. Интеграция искусственного интеллекта и распознавания образов в сочетании со все более популярными функциями, такими как функции виртуальной и дополненной реальности, не только расширяет функциональность носимых устройств, но и обеспечивает расширенный персонализированный анализ данных и более привлекательный пользовательский опыт 2,3. По мере того, как носимые устройства становятся все более интегрированными в повседневную жизнь, понимание их точности и надежности приобретает первостепенное значение, особенно в таких отраслях, как мониторинг спортивных результатов и здравоохранение.

Носимые устройства позволяют регистрировать данные пациентов с хроническими заболеваниями в режиме реального времени, предоставляя бесценную информацию как пациентам, так и медицинским работникам. Такие показатели, как физическая активность, продолжительность разговора и продолжительность сна, могут помочь оценить тяжесть таких заболеваний, как депрессия, апноэ во сне и болезнь Паркинсона 4,5,6. Новые технологии, такие как электронные штампы, которые отслеживают уровень глюкозы, частоту сердечных сокращений и температуру, проходят клинические испытания, что еще больше расширяет возможности передовых носимых устройств в областиздравоохранения. Кроме того, спортсмены и любители фитнеса используют носимые технологии для оптимизации тренировочных режимов, отслеживания показателей производительности и предотвращения травм 8,9. Интеграция регулярной оценки физиологических параметров, данных об активности и функций, таких как запись электрокардиограммы, вызвала интерес к потенциалу носимых устройств в диагностике и отслеживании сердечно-сосудистыхзаболеваний. Носимые гаджеты показали себя многообещающими в повышении безопасности на рабочем месте, улучшении управления образом жизни и привитии более здоровых привычек пользователям11.

Браслеты для фитнес-умных часов, такие как Xiaomi Mi Band, известная недорогая носимая технология и одна из наиболее широко используемых умных часов во всеммире, применяются в различных приложениях, включая медицину, спорт и образование13. Например, в исследованиях использовались фитнес-смарт-часы для мониторинга физиологических параметров пожилых людей14,15, анализа поведения учащихся во время обучения STEM13 и оценки физической активности у людей16,17. Несмотря на их широкое использование, постоянно возникают вопросы относительно точности и надежности измерений, обеспечиваемых этими устройствами. В многочисленных исследованиях была предпринята попытка подтвердить измерения, полученные с помощью носимых технологий 12,18,19,20. В предыдущих исследованиях изучалась точность подсчета шагов и функциональность мониторинга сна, что дало представление о производительности устройств в широком диапазоне настроек и демографических данных пользователей. Тем не менее, существующие исследования указывают на значительные пробелы в знаниях, такие как противоречивые результаты исследований и недостаточная валидация по сравнению с методологиями золотого стандарта, такими как полисомнография 21,22,23.

Цель этого исследования — проверить данные, полученные от умных часов для фитнеса, и рассмотреть вопрос о надежности умных часов для фитнеса. Цель оценки точности отслеживания сна носимого устройства и других соответствующих показателей, таких как частота сердечных сокращений, уровень кислорода в крови и шаги, заключается в том, чтобы получить значительное представление о пригодности устройства для клинических и исследовательских приложений, требующих высокого уровня точности и точности. Это призвано внести свой вклад в растущий объем исследований по валидации носимых технологий с помощью строгой методологии и надежного статистического анализа, что в конечном итоге улучшит способность использовать эти инструменты для улучшения здоровья и благополучия.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Протокол исследования утвержден Советом по этике Медицинского центра «Университет Малая Медицина» (УГМК) (MREC No: 2021325-9983). Валидационное исследование измерений фитнес-часов с умными часами разделено на три части: (1) проверка измерений сна в соответствии с золотым стандартом с использованием аппарата PSG, (2) проверка шаговых измерений путем сравнения ручных расчетов из видеозаписей и (3) анализ данных проверочных тестов.

1. Валидация измерений сна по сравнению с полисомнографией (ПСГ)

ПРИМЕЧАНИЕ: Исследование проводится в контролируемой лаборатории сна для минимизации внешних нарушений. Перед тестом все участники были подробно проинформированы об исследовании и получили информационный лист исследования, прежде чем было получено письменное информированное согласие. Вся собранная информация остается анонимной.

  1. Убедитесь, что участники прибывают за 1 час до начала теста для необходимой подготовки.
  2. Участники носят фитнес-часы на недоминантном запястье.
  3. Прикрепить участников к аппарату автомата ПСГ в соответствии с инструкцией производителя24.
    ПРИМЕЧАНИЕ: Используйте стандартизированное размещение электродов PSG в соответствии с руководством производителя, чтобы обеспечить минимальный дискомфорт для участников во время сна.
  4. Проведите два измерения уровня насыщения крови кислородом (SpO2) с помощью фитнес-часов в положении лежа на спине.
  5. Убедитесь, что участники спят не более 6 часов.
    ПРИМЕЧАНИЕ: Технический персонал следит за устройством PSG на протяжении всего времени сна.
  6. Проведите два измерения SpO2 с помощью фитнес-часов в положении лежа на спине после того, как участник проснулся.
  7. Экспортируйте в файл .csv тренды сна как с автомата PSG, так и с умных часов для фитнеса, т. е. продолжительность глубокого сна, продолжительность легкого сна, время быстрых движений глаз (REM) и продолжительность сна, частоту сердечных сокращений (минимум, среднее, максимальная частота сердечных сокращений) и SpO2. Обратитесь к руководству производителя каждого устройства о том, как экспортировать данные24,25.
  8. Перейдите к разделу 3 для анализа данных.

2. Валидация измерений шага фитнес-часов с ручным расчетом по видеозаписям

ПРИМЕЧАНИЕ: Перед началом теста все участники подробно инструктируются об исследовании и получают информационный лист об исследовании, прежде чем получить письменное информированное согласие. Вся собранная информация остается анонимной. Для этого валидационного теста отбираются только участники с хорошим состоянием здоровья и без нарушений подвижности.

  1. Убедитесь, что участники носят смарт-часы для фитнеса на недоминирующем запястье, а с другой стороны, держите смартфон для записи видео шагов.
  2. Установите счетчик шагов на смарт-часах для фитнеса на ноль. Начните запись на смартфоне и попросите участника выполнить пошаговый тест, как указано в шаге 2.3. Остановите и сохраните запись. Записывайте количество измеренных шагов в смарт-часах для фитнеса.
  3. Убедитесь, что участник прошел два типа ступенчатых тестов: (i) 3MWT и (ii) SC.
    1. 3MWT: Убедитесь, что участник идет в нормальном и стабильном темпе в течение 3 минут по ровной поверхности.
    2. Тест SC: Попросите участника пройти два лестничных пролета в порядке подъема и спуска в нормальном и постоянном темпе.
  4. Воспроизведите запись и подсчитайте количество шагов из видеозаписи. Запишите данные в файл .csv. Экспортируйте подсчет шагов с фитнес-часов в тот же файл. Обратитесь к руководству производителя фитнес-часов о том, как экспортировать данные25.
  5. Перейдите к разделу 3 для анализа данных.

3. Анализ данных валидационных тестов

ПРИМЕЧАНИЕ: В этом протоколе пакет scipy.stats на Python использовался для выполнения всех тестов анализа, за исключением теста Коэна, где вместо него использовался пакет pingouin . Код находится в дополнительном файле 1, где каждый шаг упоминается в строке комментария.

  1. Требуется импортировать пакет в рабочую область Python.
  2. Импортируйте данные измерений в рабочую область Python. Замените имя файла measurement_data.csv на имя файла по выбору.
  3. Удалите все пустые значения с помощью функции dropna() для каждого измерения данных. Затем выполните тест нормальности Шапиро-Уилка, чтобы определить, имеют ли данные нормальное распределение, с помощью пакета шапиро scipy.stats в Python.
  4. Выполните парный пример t-теста с помощью пакета scipy.stats ttest_rel в Python, если данные имеют нормальное распределение, в противном случае выполните тест Манна-Уитни Вилкоксона с помощью пакета scipy.stats wilcoxon в Python. Если результат имеет p-значение < 0,05, это означает, что существует значительная разница между данными измерений с обоих приборов. В коде замените measure1_toolA и measure1_toolB соответствующими именами столбцов по выбору.
  5. Измерьте величину разницы между инструментами с помощью величины эффекта с помощью метода Коэна d. Значение 0,2 указывает на небольшой эффект, 0,5 — на умеренный эффект, а 0,8 — на большой.
  6. Используйте анализ Бланда-Альтмана для оценки соответствия между двумя инструментами, такими как средняя или медианная разница, стандартное отклонение (SD) и 95% ДИ смещения. Постройте график анализа Блэнда-Альтмана для упрощения визуализации вывода с помощью пакета matplotlib.pyplot в Python.
  7. Повторяйте шаг 3.5 до шага 3.7 для каждой пары данных измерений с обоих приборов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

В таблице 1 показаны значительные различия (p-значение < 0,05) между данными от PSG и фитнес-часов во время первой части валидационного теста. Фитнес-часы переоценили время пробуждения (p < 0,001), недооценили продолжительность сна (p = 0,004) и сообщили о более высокой максимальной частоте сердечных сокращений (p = 0,001). Тем не менее, не было обнаружено существенных различий между аппаратом PSG и фитнес-смарт-часами по следующим показателям: время неглубокого сна, время глубокого сна, время быст...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

На основе смешанных результатов сравнительного анализа было выявлено несколько ограничений умных часов для фитнеса. Высокая вариабельность измерений умных часов может быть связана с тем, что они полагаются на данные о движении и частоте сердечных сокращений, а не на более подробные измерения, такие как электроэнцефалограмма (ЭЭГ), используемая при ПСГ. Глубокий сон и время быстрого сна показали лучшее согласие, что говорит о том, что фитнес-смарт-часы могут подойти для общего мониторинга...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что исследование проводилось в отсутствие какой-либо коммерческой или финансовой компенсации, спонсорства или каких-либо отношений с производителем устройства, которые могли бы быть истолкованы как потенциальный конфликт интересов. Мнения и выводы, выраженные в этой статье, являются собственными мнениями автора и основаны исключительно на его опыте работы с продуктом, полученным в этом исследовании.

Благодарности

Мы благодарим нейротехнолога из Лаборатории неврологии Медицинского центра Университета Малайи за помощь и поддержку в проведении теста для этого исследования. Эта работа была поддержана Исследовательским центром UM (IIRG001C-2021IISS).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Система диагностики сна Natus Neurology & CompumedicsУпоминается в рукописи как PSG-машина
Xiaomi Mi Band 6XiaomiУпоминается в рукописи как фитнес-смарт-часы

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Оценка точности данных фитнес-часов для мониторинга сердечно-сосудистой и физической активности: валидационное исследование в цифровом здравоохранении
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.