Abstract

The popularity of accelerometer-based activity monitors has been associated with several analytical challenges, including how to quantify accelerometer outputs in terms of sedentary behavior, light-intensity physical activity (LPA), and moderate-to-vigorous physical activity (MVPA). Recently, machine learning (ML) approaches have been coupled with raw accelerometry to classify activities by intensity, but the generalizability of ML models outside of the development datasets remains poorly understood. Currently, the health benefits of meeting the recommended amounts of sleep and MVPA in adults are well documented, but the cardiometabolic health implications of sedentary time and LPA are still unclear. The present study reviewed studies calibrating and validating wearable accelerometers using ML approaches and preformed cross-dataset tests to evaluate the generalization performance of ML models for classifying activity intensities from raw acceleration data. Additionally, the latest follow-up in the Northern Finland Birth Cohort 1966 study (n = 5,840) at age 46 years included measurement of daily activities for two weeks with two accelerometers. This data was used to examine how the levels and patterns of accelerometer-estimated activity intensities (sedentary behavior, LPA, and MVPA) are associated with cardiometabolic health in this large sample of middle-aged adults, and to create a data-driven hierarchy predicting their activity behaviors. Based on the study, ML techniques can classify activities in terms of type, category, or intensity with acceptable accuracy irrespective of accelerometer placement. However, ML models developed with raw acceleration data for classifying activity intensities (sedentary behavior, LPA, and MVPA) are not generalizable to other populations monitored with different accelerometers, suggesting that further strategies are needed to enhance their generalizability. The study suggests that adults, in addition to MVPA, may also gain cardiometabolic health benefits through LPA, particularly when it replaces sedentary time. Finally, the data-driven hierarchy of correlates created consisted of factors of relative importance, and can potentially be used to target and tailor interventions.

Tiivistelmä

Nykyään hyvin suosittujen kiihtyvyysanturiin perustuvien aktiivisuusmittareiden keräämän datan analysointiin liittyy monia haasteita, kuten paikallaanolon, kevyen liikunnan sekä keskiraskaan ja raskaan liikunnan tarkan määrän määrittäminen. Viime aikoina on otettu käyttöön koneoppimismenetelmiä kiihtyvyysanturin tuottaman raakasignaalin analysoinnissa luokittelemaan liikettä sen intensiteetin perusteella, mutta toistaiseksi näiden menetelmien yleistettävyys on huonosti tiedossa. Nykyisin tiedetään aika hyvin ne terveyshyödyt, joita saadaan, jos noudatetaan unen sekä keskiraskaan ja raskaan liikunnan suosituksia. Paikallaanolon ja kevyen liikunnan vaikutukset sydän- ja verisuoniterveyteen ovat kuitenkin heikommin tiedossa. Tässä tutkimuksessa tehtiin systemaattinen kirjallisuuskatsaus koneoppimismenetelmien käytöstä kannettavien kiihtyvyysanturien kalibroinnissa ja validoinnissa. Työssä testattiin koneoppimismenetelmien yleistettävyyttä fyysisen aktiivisuuden intensiteetin luokitteluun kiihtyvyysanturin antaman raakadatan perusteella yhdistäen useita toisistaan riippumattomia mittausaineistoja. Pohjois-Suomen vuoden 1966 syntymäkohortin 46-vuotisaineistonkeruussa (n = 5,840) oli mitattu liikunta-aktiivisuutta kahdella kiihtyvyysanturilla. Tämän mittaustiedon avulla tutkittiin sitä, kuinka kiihtyvyysanturilla mitattu fyysisen aktiivisuuden intensiteetti (paikallaanolo, kevyt liikunta sekä keskiraskas ja raskas liikunta) ja eri intensiteetillä toteutetun aktiivisuuden jakautuminen vuorokauden sisällä ovat yhteydessä keski-ikäisten sydänterveyteen. Lisäksi luotiin aineiston perusteella hierarkinen malli ennustamaan liikuntakäyttäytymistä. Tutkimuksen perusteella koneoppimistekniikoiden avulla voidaan riittävällä tarkkuudella luokitella fyysistä aktiivisuutta liikuntamuodon, intensiteetin ja eri intensiteettien jakautumisen perusteella riippumatta kiihtyvyysanturin sijainnista. Kiihtyvyysanturin tuottamaan raakadataan perustuvat fyysisen aktiivisuuden intensiteetin luokitteluun kehitetyt koneoppimismallit eivät ole kuitenkaan yleistettävissä muihin väestöryhmiin, joissa on käytetty erilaisia kiihtyvyysantureita, vaan tarvitaan lisätutkimusta parantamaan mallien yleistettävyyttä. Tutkimuksen perusteella keskiraskaan ja raskaan liikunnan lisäksi kevytkin liikunta-aktiivisuus, erityisesti jos se korvaa paikallaan oloa, on yhteydessä aikuisten parempaan sydänterveyteen. Aineiston perusteella luotu hierarkinen malli antoi tietoa useista sydänterveyttä edistävistä tekijöistä ja sitä voidaan käyttää liikuntainterventioiden räätälöinnissä.