Evaluating Open-Source Wrist-Worn Accelerometer Models for Sedentary Time Detection Against Thigh-Worn Accelerometer Data

Resumen Técnico: Evaluación de modelos de código abierto de acelerómetros de muñeca para la detección del tiempo sedentario

Planteamiento del problema
Los acelerómetros de muñeca se adoptan ampliamente en estudios epidemiológicos a gran escala y en entornos de consumo debido a su escalabilidad y rentabilidad. Sin embargo, a diferencia de los dispositivos de muslo, que pueden inferir directamente la postura (sentado/tumbado frente a de pie) y servir como un "estándar de plata" para el comportamiento sedentario, los dispositivos de muñeca suelen inferir el tiempo sedentario basándose en la baja intensidad de movimiento. Esta limitación genera incertidumbre sobre la precisión de las estimaciones de sedentarismo derivadas de la muñeca en entornos de vida libre. Si bien estudios previos han sugerido una equivalencia general en el tiempo sedentario diario medio entre los monitores de muñeca y de muslo, estos hallazgos suelen depender de muestras pequeñas. Además, la validez de constructo de los modelos basados en la muñeca con respecto a las características detalladas del sedentarismo —como la frecuencia de los episodios prolongados de sedentarismo y la proporción de tiempo dedicado a ellos— permanece insuficientemente caracterizada. Adicionalmente, requieren mayor investigación el rendimiento de varios modelos de reconocimiento de actividad de código abierto en diferentes subgrupos demográficos y el problema específico de la clasificación errónea del sueño como tiempo sedentario.

Metodología
Este estudio utilizó datos basales del estudio SMART Work & Life (SWAL), un ensayo controlado aleatorizado por conglomerados que involucró a 662 adultos en edad laboral (edad media 45 años; 72% mujeres) en Inglaterra. Los participantes usaron dos acelerómetros simultáneamente durante hasta ocho días: un activPAL3 micro de muslo (estándar de referencia) y un Axivity AX3 de muñeca.

• Estándar de referencia: Los datos del muslo se procesaron utilizando el software propietario PALbatch (algoritmo CREA v1.3) para generar clasificaciones de 1 segundo. Para este análisis, el comportamiento sedentario se definió como épocas clasificadas como decúbito secundario, sedentarismo (sentado no en vehículo) o sentado en vehículo.
• Modelos de muñeca evaluados: Se aplicaron seis modelos de reconocimiento de actividad de código abierto a los datos de la muñeca:
  • Modelos de Aprendizaje Automático (Machine Learning): OxWearables 'Accelerometer' (bosque aleatorio equilibrado + HMM) y OxWearables 'ActiNet' (modelo de aprendizaje profundo HARNet + HMM) y Actimetric 'Trost' (bosque aleatorio).
  • Modelos basados en puntos de corte (Cutpoint-based): Tres variaciones implementadas mediante el paquete de R 'GGIR': Default (umbral ENMO 40mg), Bakrania (umbral ENMO 32.8mg) y Fraysse (umbral ENMOabs 62.5mg).
• Armonización de datos: Todas las salidas de los modelos se armonizaron a épocas de 30 segundos.
• Métricas de evaluación:
  • Nivel de época: Precisión (accuracy), puntuación F1, kappa de Cohen, sensibilidad y especificidad frente al referente de muslo.
  • Nivel de participante: Acuerdo en el tiempo sedentario diario medio, número diario medio de episodios prolongados de sedentarismo (≥30 minutos con ≤90s de interrupciones) y la proporción de tiempo sedentario en episodios prolongados. La equivalencia se determinó si la diferencia media y el intervalo de confianza del 90% caían dentro del ±10% de la media derivada del muslo.
• Análisis: El rendimiento se evaluó en subgrupos (edad, sexo, IMC, estación, centro de reclutamiento) y mediante un análisis de sensibilidad restringido a las horas de vigilia (08:00–22:00) para mitigar la clasificación errónea del sueño.

Resultos Clave

• Rendimiento de los modelos: El modelo de aprendizaje automático ActiNet demostró el mayor rendimiento general. Logró una precisión media por participante de 0.87 (±0.05), una puntuación F1 de 0.85 (±0.06) y un kappa de Cohen de 0.73 (±0.09). En contraste, los enfoques basados en puntos de corte mostraron una precisión menor (aprox. 0.80), y el modelo Actimetric Trost fue el de peor desempeño (precisión 0.73).
• Acuerdo en métricas derivadas:
  • Tiempo sedentario diario: Todos los modelos de muñica sobreestimaron el tiempo sedentario diario en relación con el referente de muslo (8.8 horas/día). Solo el modelo ActiNet cayó dentro de la región de equivalencia del ±10% para esta métrica.
  • Episodios prolongados: Los seis modelos produjeron estimaciones para el recuento diario de episodios prolongados dentro de la región de equivalencia, aunque ActiNet mostró el menor error (RMSE/MAE) y la mayor correlación.
  • Proporción en episodios prolongados: Solo ActiNet produjo estimaciones e intervalos de confianza que cayeron enteramente dentro de los límites de equivalencia para la proporción de tiempo sedentario en episodios prolongados.
• Análisis de subgrupos y de sensibilidad: El ranking de los modelos se mantuvo consistente en todos los subgrupos demográficos (edad, sexo, IMC, etc.). En el análisis de sensibilidad restringido a las horas de vigilia (08:00–22:00), la puntuación F1 del modelo ActiNet mejoró ligeramente a 0.88. Restringir a las horas de vigilia redujo la sobreestimación del tiempo sedentario para la mayoría de los modelos, ya que eliminó la clasificación errónea del sueño como comportamiento sedentario.

Significancia y Afirmaciones
Los autores afirman que este estudio representa la evaluación individual más grande de acelerómetros de muñeca para el comportamiento sedentario hasta la fecha, y la primera en evaluar la equivalencia en métricas derivadas más allá del tiempo diario total. La principal significancia del trabajo es proporcionar evidencia de que los acelerómetros de muñeca pueden ofrecer mediciones precisas del comportamiento sedentario en entornos de vida libre, siempre que se utilicen modelos de aprendizaje automático adecuados. Específicamente, el modelo ActiNet se identifica como una alternativa viable a los dispositivos de muslo para evaluar los patrones de sedentarismo en poblaciones similares de edad laboral.

El estudio destaca que, si bien el tiempo sedentario total puede estimarse con una precisión razonable mediante varios modelos, las métricas más complejas (como la proporción de tiempo en episodios prolongados) son más sensibles a las limitaciones de los modelos. Los hallazgos sugieren que la selección del modelo es un determinante crítico de la precisión de la medición, y que los modelos de aprendizaje profundo que incorporan suavizado temporal (como ActiNet) superan a los enfoques tradicionales de puntos de corte o de bosques aleatorios simples. Este trabajo pretende brindar confianza para que la futura investigación epidemiológica utilice datos de muñeca para examinar los patrones de comportamiento sedentario y sus asociaciones con los resultados de salud.