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

Resumo Técnico: Avaliação de Modelos de Acelerômetros de Pulso de Código Aberto para Detecção de Tempo Sedentário

Definição do Problema
Acelerômetros de pulso são amplamente adotados em estudos epidemiológicos de larga escala e em contextos de consumo devido à sua escalabilidade e custo-benefício. No entanto, ao contrário dos dispositivos usados na coxa, que podem inferir diretamente a postura (sentado/deitado vs. em pé) e servir como um "padrão de prata" para o comportamento sedentário, os dispositivos de pulso tipicamente inferem o tempo sedentário com base na baixa intensidade de movimento. Esta limitação gera incerteza quanto à precisidade das estimativas de tempo sedentário derivadas do pulso em ambientes de vida livre. Embora estudos anteriores tenham sugerido uma equivalência ampla nos valores médios diários de tempo sedentário entre monitores de pulso e de coxa, essas descobertas frequentemente dependem de amostras pequenas. Além disso, a validade de construto dos modelos baseados no pulso em relação a características sedentárias detalhadas — como a frequência de episódios sedentários prolongados e a proporção de tempo gasto neles — permanece pouco caracterizada. Adicionalmente, o desempenho de vários modelos de reconhecimento de atividade de código aberto em diferentes subgrupos demográficos e a questão específica da classificação errônea do sono como tempo sedentário requerem investigação adicional.

Metodologia
Este estudo utilizou dados de base do estudo SMART Work & Life (SWAL), um ensaio controlado randomizado de clusters envolvendo 662 adultos em idade laboral (idade média de 45 anos; 72% mulheres) na Inglaterra. Os participantes usaram dois acelerômetros simultaneamente por até oito dias: um activPAL3 micro usado na coxa (padrão de referência) e um Axivity AX3 usado no pulso.

• Padrão de Referência: Os dados da coxa foram processados usando o software proprietário PALbatch (algoritmo CREA v1.3) para gerar classificações de 1 segundo. Para esta análise, o comportamento sedentário foi definido como épocas classificadas como decúbito secundário, sentado sedentário (não sentado em veículos) ou sentado em veículos.
• Modelos de Pulso Avaliados: Seis modelos de reconhecimento de atividade de código aberto foram aplicados aos dados do pulso:
  • Modelos de Aprendizado de Máquina (Machine Learning): OxWearables 'Accelerometer' (random forest balanceada + HMM), OxWearables 'ActiNet' (modelo de aprendizado profundo HARNet + HMM) e Actimetric 'Trost' (random forest).
  • Modelos Baseados em Cutpoints (Pontos de Corte): Três variações implementadas via pacote R 'GGIR': Default (limiar ENMO de 40mg), Bakrania (limiar ENMO de 32,8mg) e Fraysse (limiar ENMOabs de 62,5mg).
• Harmonização de Dados: Todas as saídas dos modelos foram harmonizadas para épocas de 30 segundos.
• Métricas de Avaliação:
  • Nível de Época: Acurácia, F1 score, Kappa de Cohen, sensibilidade e especificidade em relação à referência da coxa.
  • Nível de Participante: Concordância na média diária de tempo sedentário, número médio diário de episódios sedentários prolongados (≥30 minutos com ≤90s de interrupções) e a proporção de tempo sedentário em episódios prolongados. A equivalência foi determinada se a diferença média e o intervalo de confiança de 90% caíssem dentro de ±10% da média derivada da coxa.
• Análises: O desempenho foi avaliado em subgrupos (idade, sexo, IMC, estação do ano, centro de recrutamento) e em uma análise de sensibilidade restrita às horas de vigília (08:00–22:00) para mitigar a classificação errônea do sono.

Principais Resultados

• Desempenho dos Modelos: O modelo de aprendizado de máquina ActiNet demonstrou o maior desempenho geral. Ele alcançou uma acurácia média por participante de 0,87 (±0,05), um F1 score de 0,85 (±0,06) e um Kappa de Cohen de 0,73 (±0,09). Em contraste, as abordagens baseadas em cutpoints mostraram menor acurácia (aprox. 0,80), e o modelo Actimetric Trost teve o pior desempenho (acurácia 0,73).
• Concordância em Métricas Derivadas:
  • Tempo Sedentário Diário: Todos os modelos de pulso superestimaram o tempo sedentário diário em relação à referência da coxa (8,8 horas/dia). Apenas o modelo ActiNet caiu dentro da região de equivalência de ±10% para esta métrica.
  • Episódios Prolongados: Todos os seis modelos produziram estimativas para a contagem diária de episódios prolongados dentro da região de equivalência, embora o ActiNet tenha apresentado o menor erro (RMSE/MAE) e a maior correlação.
  • Proporção em Episódios Prolongados: Apenas o ActiNet produziu estimativas e intervalos de confiança que caíram inteiramente dentro dos limites de equivalência para a proporção de tempo sedentário em episódios prolongados.
• Análise de Subgrupo e Sensibilidade: A classificação dos modelos permaneceu consistente em todos os subgrupos demográficos (idade, sexo, IMC, etc.). Na análise de sensibilidade restrita às horas de vigília (08:00–22:00), o F1 score do modelo ActiNet melhorou ligeiramente para 0,88. A restrição às horas de vigília reduziu a superestimação do tempo sedentário para a maioria dos modelos, pois removeu a classificação errônea do sono como comportamento sedentário.

Significância e Alegações
Os autores afirmam que este estudo representa a maior avaliação individual de acelerômetros de pulso para comportamento sedentário até o momento e a primeira a avaliar a equivalência em métricas derivadas além do tempo diário total. A principal significância do trabalho é fornecer evidências de que os acelerômetros de pulso podem fornecer medições precisas de comportamento sedentário em ambientes de vida livre, desde que modelos de aprendizado de máquina apropriados sejam utilizados. Especificamente, o modelo ActiNet é identificado como uma alternativa viável aos dispositivos de coxa para avaliar padrões sedentários em populações de idade laboral semelhantes.

O estudo destaca que, embora o tempo sedentário total possa ser estimado com acurácia razoável por vários modelos, métricas mais complexas (como a proporção de tempo em episódios prolongados) são mais sensíveis às limitações dos modelos. Os achados sugerem que a seleção do modelo é um determinante crítico da precisão da medição, com modelos de aprendizado profundo que incorporam suavização temporal (como o ActiNet) superando as abordagens tradicionais de cutpoints ou de random forest simples. Este trabalho visa proporcionar confiança para que pesquisas epidemiológicas futuras utilizem dados de pulso para examinar padrões de comportamento sedentário e suas associações com desfechos de saúde.