Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Kardiyovasküler ve Fiziksel Aktivite İzleme için Fitness Akıllı Saat Verilerinin Doğruluğunun Değerlendirilmesi: Dijital Sağlıkta Bir Doğrulama Çalışması

1.9K görüntülenme

⸱

DOI:

10.3791/67674

⸱

21 Şubat 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

Bu makalede

Özet

Giyilebilir teknoloji düşük maliyetlidir ve fizyolojik verilerin uygun şekilde izlenmesini sağlar. Bununla birlikte, bu cihazların doğruluğu ve güvenilirliği, kullanıcılar için etkinliklerini ve güvenliklerini sağlamak için dikkatli bir değerlendirme gerektirir. Bu rapor, ticari bir akıllı saatin fizyolojik verilerin ve fiziksel aktivitenin izlenmesinde doğrulama sürecini açıklamaktadır.

Özet

Bu çalışma, verilerini kardiyovasküler ve fiziksel aktivite parametreleri için altın standart ölçümlerle karşılaştırarak düşük maliyetli fitness akıllı saatlerinin doğruluğunu doğrulamayı amaçlamaktadır. Çalışmaya, kalp atış hızı, kan oksijen doygunluğu (SpO50) ve polisomnografiye (PSG) karşı uyku verileri için doğrulama testine tabi tutulan 26 denek dahil edildi. Ek olarak, 24 denek 3 Dakikalık Yürüme Testine (3MWT) ve Merdiven Çıkmaya (SC) katıldı ve adım sayıları manuel video hesaplamalarına göre doğrulandı. Sonuçlar, cihazın ölçümleri ile sığ uyku, derin uyku, REM süresi, ortalama kalp atış hızı, minimum kalp atış hızı ve SpO2 için altın standart değerler arasında anlamlı bir fark göstermedi. Bununla birlikte, cihaz manuel olarak sayılan adımları (p = 0.009 (3MWT); p = 0.012 (SC)), toplam uyku süresini (p = 0.004) ve uyanma süresini (p = 8.94 × 10-8) önemli ölçüde hafife alırken, maksimum kalp atış hızını fazla tahmin etti (p = 0.011). Bu bulgular, giyilebilir cihaz verilerinin klinik bağlamlarda doğru bir şekilde doğrulanmasının ve yorumlanmasının önemini vurgulamaktadır. Bu sınırlamalar göz önüne alındığında, veri güvenilirliğini ve araştırma bütünlüğünü korumak için cihazın okumalarının gelecekteki analizlerde hariç tutulması önerilir. Bu çalışma, sağlık hizmetlerinde güvenilirliğini ve etkinliğini sağlamak için giyilebilir teknolojinin sürekli olarak doğrulanması ve iyileştirilmesi ihtiyacının altını çizmektedir.

Giriş

Giyilebilir teknolojinin popülaritesi arttı ve günlük yaşamın çeşitli yerlerinde yaygın hale geldi1. Sensörler ve algoritmalarla donatılmış bu teknolojiler, fizyolojik parametrelerin nasıl izlendiğini ve yorumlandığını dönüştürerek kullanıcılara sağlık bilgileri sağladı, egzersizleri takip etti ve kullanıcıların daha sağlıklı bir yaşam tarzına sahip olmalarını sağladı. Yapay zeka ve örüntü tanımanın entegrasyonu, sanal ve artırılmış gerçeklik özellikleri gibi giderek daha popüler hale gelen özelliklerle birleştiğinde, yalnızca giyilebilir cihazların işlevselliğini geliştirmekle kalmaz, aynı zamanda gelişmiş kişiselleştirilmiş veri analizi ve daha ilgi çekici kullanıcı deneyimi sağlar 2,3. Giyilebilir cihazlar günlük rutinlere daha fazla entegre hale geldikçe, özellikle spor performansı izleme ve sağlık hizmetleri gibi sektörlerde doğruluklarını ve güvenilirliklerini anlamak çok önemli hale geliyor.

Giyilebilir cihazlar, kronik hastalıklar için gerçek zamanlı hasta veri kaydı avantajı sunarak hem hastalar hem de sağlık uzmanları için paha biçilmez bilgiler sağlar. Fiziksel aktivite, konuşma zaman çizelgeleri ve uyku süresi gibi metrikler, depresyon, uyku apnesi ve Parkinson hastalığı gibi hastalıkların ciddiyetini değerlendirmeye yardımcı olabilir 4,5,6. Glikoz, kalp atış hızı ve sıcaklığı izleyen elektronik pullar gibi gelişmekte olan teknolojiler, sağlık hizmetlerinde gelişmiş giyilebilir cihazların olanaklarını daha da genişleten klinik testlerden geçmektedir7. Ayrıca, sporcular ve fitness meraklıları, antrenman rejimlerini optimize etmek, performans ölçümlerini izlemek ve yaralanmaları önlemek için giyilebilir teknolojiyi kullanır 8,9. Fizyolojik parametrelerin, aktivite verilerinin ve elektrokardiyogram kaydı gibi işlevlerin düzenli olarak değerlendirilmesinin entegrasyonu, giyilebilir cihazların kardiyovasküler hastalıkların teşhisine ve izlenmesine yardımcı olma potansiyeline ilişkin ilgiyi artırmıştır 8,10. Giyilebilir cihazlar, işyeri güvenliğini artırma, yaşam tarzı yönetimini iyileştirme ve kullanıcılar arasında daha sağlıklı alışkanlıklar edinme konusunda umut vaat ediyor11.

Tanınmış düşük maliyetli bir giyilebilir teknoloji olan ve dünya çapında en yaygın kullanılan akıllı saatlerden biri olan Xiaomi Mi Band gibi fitness akıllı saat bantları12, tıp, spor ve eğitim dahil olmak üzere çeşitli uygulamalarda uygulanmıştır13. Örneğin, araştırmalar, yaşlı bireylerin fizyolojik parametrelerini izlemek14,15, STEM eğitimi sırasında öğrenci davranışlarını analiz etmek13 ve bireylerde fiziksel aktiviteyideğerlendirmek 16,17 için fitness akıllı saatlerini kullanmıştır. Yaygın kullanımlarına rağmen, bu cihazlar tarafından sağlanan önlemlerin hassasiyeti ve güvenilirliği ile ilgili devam eden sorular vardır. Giyilebilir teknolojiden elde edilen ölçümleri doğrulamak için çok sayıda araştırmayapılmıştır 12,18,19,20. Önceki çalışmalar, adım saymanın doğruluğunu ve uyku izlemenin işlevselliğini araştırarak, çok çeşitli ayarlarda ve kullanıcı demografisinde cihazların performansı hakkında bilgi sağladı. Bununla birlikte, mevcut araştırmalar, çalışmalar arasında çelişkili bulgular ve polisomnografi 21,22,23 gibi altın standart metodolojilere karşı yetersiz doğrulama gibi önemli bilgi boşluklarına işaret etmektedir.

Bu çalışmanın amacı, fitness akıllı saatlerinden elde edilen verileri doğrulamak ve fitness akıllı saatlerinin güvenilirliğini ele almaktır. Giyilebilir cihazın uyku izleme doğruluğunu ve kalp atış hızı, kan oksijen seviyesi ve adımlar gibi diğer ilgili ölçümleri değerlendirmenin amacı, cihazın yüksek düzeyde doğruluk ve hassasiyet gerektiren klinik ve araştırma uygulamalarına uygunluğu hakkında önemli bilgiler sağlamaktır. Bunun, titiz metodoloji ve sağlam istatistiksel analizler yoluyla giyilebilir teknoloji doğrulaması üzerine artan araştırma grubuna katkıda bulunması ve nihayetinde bu araçları daha iyi sağlık sonuçları ve refah için kullanma becerisini geliştirmesi amaçlanmıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Çalışma protokolü, Universiti Malaya Tıp Merkezi (UMMC) Etik İnceleme Kurulu (MREC No: 2021325-9983) tarafından onaylanmıştır. Fitness akıllı saat ölçümlerinin doğrulama çalışması üç bölüme ayrılmıştır: (1) bir PSG makinesi kullanılarak uyku ölçümlerinin altın standarda göre doğrulanması, (2) video kayıtlarından manuel hesaplamaları karşılaştırarak adım ölçümlerinin doğrulanması ve (3) doğrulama testlerinin veri analizi.

1. Polisomnografiye (PSG) karşı uyku ölçümlerinin doğrulanması

NOT: Çalışma, dış aksaklıkları en aza indirmek için kontrollü bir uyku laboratuvarında yürütülmüştür. Testten önce, tüm katılımcılara çalışma hakkında derinlemesine bilgi verildi ve yazılı bilgilendirilmiş onam alınmadan önce çalışma bilgi formu sağlandı. Toplanan tüm bilgiler anonim tutulur.

  1. Gerekli hazırlık için katılımcıların test başlamadan 1 saat önce geldiğinden emin olun.
  2. Katılımcılar, fitness akıllı saatini baskın olmayan bileklerine takarlar.
  3. Katılımcıları, üreticinin kılavuzunagöre PSG makinesinin aparatına takın 24.
    NOT: Uyku sırasında katılımcılara minimum rahatsızlık vermek için PSG elektrotlarının üreticinin kılavuzuna göre standartlaştırılmış yerleşimini kullanın.
  4. Fitness akıllı saatini sırtüstü pozisyonda kullanarak iki kan oksijen doygunluk seviyesi (SpO2) ölçümü yapın.
  5. Katılımcıların en fazla 6 saat uyuduğundan emin olun.
    NOT: Teknik personel, uyku süresi boyunca PSG makinesini izler.
  6. Katılımcı uyanık olduktan sonra fitness akıllı saatini sırtüstü pozisyonda kullanarak iki SpO2 ölçümü yapın.
  7. Derin uyku süresi, hafif uyku süresi, hızlı göz hareketleri (REM) süresi ve uyku süresi, kalp atış hızı (minimum, ortalama, maksimum kalp atış hızı) ve SpO2 gibi uyku trendlerini hem PSG makinesinden hem de fitness akıllı saatinden bir .csv dosyasına aktarın. Verilerin nasıl dışa aktarılacağını öğrenmek için her cihazın üretici kılavuzunabakın 24,25.
  8. Veri analizi için bölüm 3'e geçin.

2. Video kayıtlarından manuel hesaplama ile fitness akıllı saat adım ölçümlerinin doğrulanması

NOT: Testten önce, tüm katılımcılar çalışma hakkında derinlemesine bilgilendirilir ve yazılı bilgilendirilmiş onam alınmadan önce çalışma bilgi formu ile sağlanır. Toplanan tüm bilgiler anonim tutulur. Bu doğrulama testi için sadece sağlık durumu iyi olan ve hareket kabiliyetinde herhangi bir bozukluk olmayan katılımcılar seçilir.

  1. Katılımcıların fitness akıllı saatini baskın olmayan bileklerine taktıklarından ve diğer yandan ayak sesi video kaydı amacıyla bir akıllı telefon tuttuklarından emin olun.
  2. Fitness akıllı saatindeki adım sayısını sıfıra ayarlayın. Akıllı telefonda kayda başlayın ve katılımcının adım 2.3'te belirtildiği gibi adım testini gerçekleştirmesini sağlayın. Kaydı durdurun ve kaydedin. Fitness akıllı saatinde ölçülen adım sayısını kaydedin.
  3. Katılımcının iki tür adım testini tamamladığından emin olun: (i) 3MWT ve (ii) SC testleri.
    1. 3MWT: Katılımcının düz bir yüzeyde 3 dakika boyunca normal ve sabit bir hızda yürüdüğünden emin olun.
    2. SC testi: Katılımcının normal ve sabit bir hızda artan ve azalan sırayla iki kat merdiven çıkmasını sağlayın.
  4. Kaydı yeniden oynatın ve video kaydındaki adım sayısını hesaplayın. Verileri bir .csv dosyasına kaydedin. Fitness akıllı saatindeki adım sayılarını aynı dosyaya aktarın. Verilerin nasıl dışa aktarılacağını öğrenmek için fitness akıllı saat üreticisinin kılavuzuna bakın25.
  5. Veri analizi için bölüm 3'e geçin.

3. Validasyon testlerinin veri analizi

NOT: Bu protokolde Python'daki scipy.stats paketi, Cohen d testi dışındaki tüm analiz testlerini gerçekleştirmek için kullanılmış, burada pingouin paketi kullanılmıştır. Kod, her adımın yorum satırında belirtildiği Ek Dosya 1'dedir.

  1. Gerekli paketi Python'un çalışma alanına aktarın.
  2. Ölçüm verilerini Python'un çalışma alanına aktarın. Dosya adını measurement_data.csv tercih ettiğiniz bir dosya adıyla değiştirin.
  3. Her ölçüm verisi için dropna() fonksiyonunu kullanarak boş değerleri kaldırın. Ardından, Python'daki scipy.stats shapiro paketini kullanarak verilerin normal bir dağılıma sahip olup olmadığını belirlemek için Shapiro-Wilk normallik testini gerçekleştirin.
  4. Verilerin normal bir dağılımı varsa Python'da scipy.stats ttest_rel paketini kullanarak eşleştirilmiş örnek t-testi gerçekleştirin, aksi takdirde Python'da scipy.stats wilcoxon paketini kullanarak Mann-Whitney Wilcoxon gerçekleştirin. Sonucun p değeri 0,05< ise, bu, her iki cihazdan alınan ölçüm verileri arasında önemli bir fark olduğu anlamına gelir. Kodda, measure1_toolA ve measure1_toolB yerine tercih edilen ilgili sütun adlarını yazın.
  5. Cohen d yöntemini kullanarak etki büyüklüğü ile aletler arasındaki farkın büyüklüğünü ölçün. 0,2'lik bir çıktı küçük bir efekti, 0,5'i orta bir etkiyi ve 0,8'i büyük bir efekti gösterir.
  6. Ortalama veya medyan fark, standart sapma (SD) ve yanlılığın %95 CI'si gibi iki araç arasındaki uyumu değerlendirmek için Bland-Altman analizini kullanın. Python'da matplotlib.pyplot paketini kullanarak çıktının kolay görselleştirilmesi için Bland-Altman analizini çizin.
  7. Her iki cihazdan gelen ölçüm verilerinin her bir çifti için adım 3.5'ten adım 3.7'ye kadar tekrarlayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Tablo 1 , doğrulama testinin ilk bölümünde PSG ile fitness akıllı saatinden alınan veriler arasında önemli farklılıklar (p değeri < 0.05) göstermektedir. Fitness akıllı saati uyanma süresini fazla tahmin etti (p < 0.001), uyku süresini hafife aldı (p = 0.004) ve daha yüksek bir maksimum kalp atış hızı bildirdi (p = 0.001). Bununla birlikte, aşağıdaki ölçümlerde PSG makinesi ile fitness akıllı saati arasında önemli bir fark bulunmadı: sığ uyku süresi, derin uyku süresi, REM süresi, ortalama kalp atı...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Karşılaştırma analizindeki karışık sonuçlara dayalı olarak fitness akıllı saatinin çeşitli sınırlamaları belirlendi. Akıllı saatin ölçümlerindeki yüksek değişkenlik, PSG'de kullanılan elektroensefalogram (EEG) gibi daha ayrıntılı ölçümler yerine hareket ve kalp atış hızı verilerine dayanmasından kaynaklanıyor olabilir. Derin uyku ve REM zamanı daha iyi bir uyum gösterdi, bu da fitness akıllı saatinin genel uyku izleme için uygun olabileceğini düşündürüyor. Bununla birlikte, ayrıntılı uyk...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, araştırmanın herhangi bir ticari veya mali tazminat, sponsorluk veya cihaz üreticisi ile potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ilişki olmadan yürütüldüğünü beyan eder. Bu makalede ifade edilen görüş ve bulgular yazara aittir ve yalnızca bu çalışmadan elde edilen ürünle ilgili deneyimlerine dayanmaktadır.

Teşekkürler

Malaya Üniversitesi Tıp Merkezi Nöroloji Laboratuvarı'ndaki nöroteknoloji uzmanına, bu çalışma için testin yürütülmesindeki yardım ve destek için teşekkür ederiz. Bu çalışma UM Araştırma Merkezi (IIRG001C-2021IISS) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Uyku Tanı Sistemi Natus Nöroloji & CompumedicsEl yazmasında PSG makinesi olarak anılır
Xiaomi Mi Band 6XiaomiEl yazmasında fitness akıllı saati olarak anılır

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Ak ll Fitness Saati ValidasyonuKardiyovask ler zlemePolisomnografi Kar la t rmasKan Oksijen Sat rasyonuKalp At m H z l mUyku Evresi AnaliziAd m Say s ValidasyonuBland Altman AnaliziDakika Y r me Testi
Kardiyovasküler ve Fiziksel Aktivite İzleme için Fitness Akıllı Saat Verilerinin Doğruluğunun Değerlendirilmesi: Dijital Sağlıkta Bir Doğrulama Çalışması
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.