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

Sintesi Tecnica: Valutazione di modelli open-source di accelerometri da polso per la rilevazione del tempo sedentario

Definizione del problema
Gli accelerometri da polso sono ampiamente adottati in studi epidemiologici su larga scala e in contesti di consumo grazie alla loro scalabilità e al rapporto costo-efficacia. Tuttavia, a differenza dei dispositivi indossati alla coscia, che possono inferire direttamente la postura (seduta/sdraiata rispetto a in piedi) e fungere da "gold standard" per il comportamento sedentario, i dispositivi da polso tipicamente inferiscono il tempo sedentario basandosi sulla bassa intensità del movimento. Questa limitazione genera incertezza riguardo l'accuratezza delle stime della sedentarietà derivate dal polso in ambienti di vita libera. Sebbene studi precedenti abbiano suggerito una generale equivalenza nel tempo sedentario medio giornaliero tra i monitor da polso e da coscia, tali risultati si basano spesso su campioni ridotti. Inoltre, la validità di costrutto dei modelli basati sul polso riguardo alle caratteristiche dettagliate della sedentarietà — come la frequenza di episodi prolungati di sedentarietà e la proporzione di tempo trascorso in essi — rimane scarsamente caratterizzata. Inoltre, è necessaria un'ulteriore investigazione sulla performance di vari modelli di riconoscimento dell'attività open-source attraverso diversi sottogruppi demografici e sul problema specifico della classificazione errata del sonno come tempo sedentario.

Metodologia
Questo studio ha utilizzato i dati di base dello studio SMART Work & Life (SWAL), un trial controllato randomizzato a cluster che ha coinvolto 662 adulti in età lavorativa (età media 45 anni; 72% donne) in Inghilterra. I partecipanti hanno indossato due accelerometri simultaneamente per un massimo di otto giorni: un activPAL3 micro indossato alla coscia (standard di riferimento) e un Axivity AX3 indossato al polso.

• Standard di riferimento: I dati della coscia sono stati elaborati utilizzando il software proprietario PALbatch (algoritmo CREA v1.3) per generare classificazioni a 1 secondo. Per questa analisi, il comportamento sedentario è stato definito come epoche classificate come posizione supina secondaria, sedentaria (seduta non in veicolo) o seduta in veicolo.
• Modelli da polso valutati: Sei modelli open-source di riconoscimento dell'attività sono stati applicati ai dati del polso:
  • Modelli di Machine Learning: OxWearables 'Accelerometer' (random forest bilanciata + HMM), OxWearables 'ActiNet' (modello di deep learning HARNet + HMM) e Actimetric 'Trost' (random forest).
  • Modelli basati su Cutpoint: Tre variazioni implementate tramite il pacchetto R 'GGIR': Default (soglia ENMO 40mg), Bakrania (soglia ENMO 32.8mg) e Fraysse (soglia ENMOabs 62.5mg).
• Armonizzazione dei dati: Tutti gli output dei modelli sono stati armonizzati a epoche di 30 secondi.
• Metriche di valutazione:
  • Livello di epoca: Accuratezza, punteggio F1, Kappa di Cohen, sensibilità e specificità rispetto al riferimento della coscia.
  • Livello del partecipante: Accordo nel tempo sedentario medio giornaliero, numero medio giornaliero di episodi sedentari prolungati (≥30 minuti con ≤90s di interruzioni) e la proporzione di tempo sedentario in episodi prolungati. L'equivalenza è stata determinata se la differenza media e l'intervallo di confidenza al 90% rientravano entro il ±10% della media derivata dalla coscia.
• Analisi: La performance è stata valutata tra sottogruppi (età, sesso, BMI, stagione, centro di reclutamento) e una sensitivity analysis è stata condotta limitando l'analisi alle ore di veglia (08:00–22:00) per mitigare l'errore di classificazione del sonno.

Risultati Chiave

• Performance dei modelli: Il modello di machine learning ActiNet ha dimostrato la performance complessiva più elevata. Ha raggiunto un'accuratezza media per partecipante di 0,87 (±0,05), un punteggio F1 di 0,85 (±0,06) e un Kappa di Cohen di 0,73 (±0,09). Al contrario, gli approcci basati su cutpoint hanno mostrato un'accuratezza inferiore (circa 0,80), e il modello Actimetric Trost ha ottenuto la performance peggiore (accuratezza 0,73).
• Accordo sulle metriche derivate:
  • Tempo sedentario giornaliero: Tutti i modelli da polso hanno sovrastimato il tempo sedentario giornaliero rispetto al riferimento della coscia (8,8 ore/giorno). Solo il modello ActiNet è rientrato nella regione di equivalenza del ±10% per questa metrica.
    za Episodi prolungati: Tutti i sei modelli hanno prodotto stime per il conteggio giornaliero degli episodi prolungati all'interno della regione di equivalenza, sebbene ActiNet abbia mostrato l'errore più basso (RMSE/MAE) e la correlazione più alta.
  • Proporzione in episodi prolungati: Solo ActiNet ha prodotto stime e intervalli di confidenza che rientravano interamente nei limiti di equivalenza per la proporzione di tempo sedentario in episodi prolungati.
• Analisi dei sottogruppi e di sensibilità: La classifica dei modelli è rimasta coerente in tutti i sottogruppi demografici (età, sesso, BMI, ecc.). Nella sensitivity analysis limitata alle ore di veglia (08:00–22:00), il punteggio F1 del modello ActiNet è migliorato leggermente a 0,88. Limitare l'analisi alle ore di veglia ha ridotto la sovrastima del tempo sedentario per la maggior parte dei modelli, poiché ha eliminato la classificazione errata del sonno come comportamento sedentario.

Significatività e rivendicazioni
Gli autori affermano che questo studio rappresenta la più grande valutazione singola di accelerometri da polso per il comportamento sedentario ad oggi e la prima a valutare l'equivalenza nelle metriche derivate oltre il tempo giornaliero totale. La principale significatività del lavoro è fornire la prova che gli accelerometri da polso possono fornire misurazioni accurate del comportamento sedentario in contesti di vita libera, a condizione che vengano utilizzati modelli di machine learning appropriati. Nello specifico, il modello ActiNet è identificato come un'alternativa valida ai dispositivi da coscia per la valutazione dei pattern sedentari in popolazioni simili in età lavorativa.

Lo studio evidenzia che, mentre il tempo sedentario totale può essere stimato con ragionaria accuratezza da diversi modelli, le metriche più complesse (come la proporzione di tempo in episodi prolungati) sono più sensibili ai limiti del modello. Le conclusioni suggeriscono che la selezione del modello è un determinante critico dell'accuratezza della misurazione, con i modelli di deep learning che incorporano lo smoothing temporale (come ActiNet) che superano gli approcci tradizionali basati su cutpoint o i più semplici modelli random forest. Questo lavoro mira a fornire fiducia alla ricerca epidemiologica futura nell'utilizzo di dati da polso per esaminare i pattern del comportamento sedentario e le loro associazioni con gli esiti di salute.