開発と大規模な

Oct 26, 2023

Scientific Reports volume 12、記事番号: 16211 (2022) この記事を引用

1488 アクセス

2 引用

41 オルトメトリック

メトリクスの詳細

この記事に対する著者の訂正は 2023 年 1 月 20 日に公開されました

この記事は更新されました

デジタル歩行バイオマーカー (歩行速度を含む) は機能低下を示し、入院や死亡を予測します。 ただし、よく使用される腰または下肢のデバイスは、生涯にわたって継続的に使用できるように設計されていません。 手首デバイスは遍在しており、多くの大規模な研究リポジトリには手首センサー データが含まれていますが、手首に装着する加速度計から得られる、広く受け入れられ検証されているデジタル歩行バイオマーカーはまだ利用できません。 ここでは、手首に装着するデバイスからデジタル歩行バイオマーカーを抽出する高度な信号処理アルゴリズムの開発と、78,822 人の英国バイオバンク参加者からの 1 週間のデータを使用した検証について説明します。 当社の歩行バイオマーカーは、検査と再検査の信頼性が高く、歩行速度と自己申告のペースに関する電子歩道測定との強い一致を示し、自己申告の健康状態が悪い個人を大幅に識別します。 スマートウォッチのほぼ普遍的な普及に伴い、当社のアルゴリズムは、生涯にわたる人口レベルの歩行速度、質、量、分布を遠隔監視し、疾患の進行を評価し、有害事象のリスクを予測し、臨床試験用のデジタル歩行エンドポイントを提供する新しいアプローチを提供します。 。

テクノロジーを使用して毎日の歩行活動を定量化すると、個人と集団の健康状態の重要な指標が得られます1。 デジタル歩行バイオマーカーは、ウェアラブル デバイスのデータから得られる歩行の定量的測定値です。 歩行に焦点を当てたデジタル バイオマーカーと移動性の結果 2、3 のサブセットとして、これらは遠隔から取得でき、臨床的な歩行評価に補完的な情報を提供する可能性があります 4。 デジタル歩行バイオマーカーは、機能状態 5 および一般的な健康状態 6 に関連付けられている可能性があります。 機能低下、入院7、死亡8を予測します。

これまでの研究では、腰または下肢に配置されたウェアラブル デバイスが有効で信頼性の高いデジタル歩行バイオマーカーを提供できることが実証されています。 ただし、これらの体の領域への配置は扱いにくく、ユーザーの受け入れやすさとコンプライアンスが制限されます9、10。 対照的に、スマートウォッチを含む手首に装着するデバイスは優れた受け入れられ方をしており、ほぼ普遍的な普及に近づきつつあります。 手首に装着した加速度データは、英国 Biobank11、NHANES12、Newcastle85+ 研究 13 などの大規模な縦断的研究で取得されています。 たとえば、英国バイオバンクの健康データ リポジトリには、103,578 人の手首に装着する AX3 3 軸加速度計から取得した 1 週間の活動データが含まれています11。 身体活動レベル 11 と活動タイプ 14 の測定値は得られていますが、これらの研究からのデジタル歩行バイオマーカーの抽出はまだ行われていません。

この省略は、手首に装着するデバイスを使用してデジタル歩行バイオマーカーを抽出する際のいくつかの技術的課題によるものと考えられます。 手首に装着するデバイスは着用者の重心から遠く離れた位置にあるため、腕の動きの影響を受けやすいため、測定ノイズが増加し、結果として精度と信頼性が低下します15、16。 その結果、信号ピーク検出やゼロ速度更新と加速度の統合などの従来のデジタル歩行バイオマーカー抽出技術は、向きの大きな変化や腕の独立した動きによって妨げられる可能性があります。 実際、手首に装着するデバイスからデジタル歩行バイオマーカーを抽出することを目的としてこれまでに行われた研究は、ほとんどがトレッドミルや一定の長さの歩道での拘束された歩行に限定されていました。 結果として得られるアルゴリズムは、現実世界の環境でのより複雑な歩行活動には不適切である可能性があります 17,18。 2 つの研究では、手首に装着するセンサー (気圧計や加速度計を含む) を使用して、歩行速度とリズムを推定しました 19,20。 どちらの研究も有望な結果を報告しましたが、健康なボランティアと中程度のサンプルサイズ（参加者 n ≤ 30）のみが含まれているため、研究結果のより広範な集団への一般化が制限される可能性があります。 当然のことながら、どのデジタル歩行バイオマーカーが遠隔評価に最適であるかについては、まだコンセンサスが得られていません2。

手首に装着するデバイスから抽出できる有効で信頼性の高いデジタル歩行バイオマーカーがあれば、さまざまな健康目的にとって価値があることは明らかです。 そこで私たちは、2 段階の開発と検証研究を実施することで、このニーズを満たすことを目指しました。

第 1 段階では、101 人の参加者 (19 ～ 81 歳) が UK Biobank 手首センサーを装着し、自由生活環境で構造化された移動ルーチンを実行し、その後、研究室内の機器が設置された電子歩道を歩いたり走ったりする様子が記録されました。 我々は、(a) 同期されたビデオ録画を使用した活動分類モデルを開発し、その後、(b) 指示された歩行と走行の計測された歩道測定値をグランド トゥルースとして使用して、デジタル歩行バイオマーカー抽出アルゴリズム (歩行速度と歩調を含む) を開発しました。

第 2 段階では、英国バイオバンク コホートの 78,822 人の参加者を対象に、自己申告の歩行速度と自己評価の健康状態に関するデジタル歩行バイオマーカーの収束的妥当性と、その検査 - 再検査の信頼性が判定されました。

サポート ベクター マシン (SVM) 分類アルゴリズムは、あらゆる日常生活活動からウォーキングの発作を識別するためにトレーニングされました。 合計 11,646 回の 4 秒ウィンドウ (テスト参加者 101 名からの自由生活記録 660 分、構造化歩行 1487 回、構造化ランニング 249 回) がトレーニングおよび検証セットに含まれ、ウォーキング、ランニング、静止、または不特定の腕のアクティビティに分類されました。 。 分類器のパフォーマンスは、混同行列を使用して評価されました（図1および補足図S3）。

ステージ 1 分類の混同マトリックス。 N = 101、11,646 の 4-s ウィンドウ。 これらのマトリックスの右端にある青い列には、実際にそのカテゴリ (つまり感度) に属するすべてのウィンドウに対する、正しく識別されたウィンドウの割合が表示されます。 マトリックスの下部にある青い列は、そのカテゴリ (つまり、精度) に属すると予測されたすべてのウィンドウに対する、正しく識別されたウィンドウの割合を表します。

歩行活動クラスの感度は 92%、精度は 93% でした。 ランニングアクティビティクラスの感度は 97%、精度は 98% でした。 定常活動クラスの感度は 89%、精度は 86% でした。 また、不特定の腕の活動クラスの感度は 71%、精度は 74% でした。

ゆっくり、平均、速いペースで腕を振って歩くときの時系列関数と自己相関関数の例を図 2 に示します。 表 1 は、電子歩道測定と比較した場合のセンサーベースのステップ時間と歩行速度の精度を示します。 。 歩行条件における歩幅の平均絶対パーセント誤差 (MAPE) は 1.2% ～ 4.8% の範囲であり、歩行条件におけるセンサーベースの歩行速度の MAPE は 3.0 ～ 4.4% の範囲でした。 図 3 は、手首センサーによって測定された歩行速度と電子歩道の関係の散布図を示しています。

ゆっくり、通常の、速いペースで腕を振って歩く場合の加速度ベクトルと自己相関関数の静的ノイズが除去されたバンドパス フィルター処理されたユークリッド ノルムの時系列の例。

手首センサーと電子歩道測定の歩行速度の関係。 N = 101、1487 四球。 個々のドットはそれぞれ個々のデータ ポイントを表します。 6 つの歩行条件からのデータを組み合わせたもの。

表 2 は、ゆっくりした、一定の、または早歩きのペースで日常的に歩いていると報告した英国バイオバンク参加者間の最大歩行速度の比較を示しています。 最大歩行速度は、通常ゆっくりとしたペースで歩く参加者（中央値：1.39 ms1、四分位範囲：1.38 ～ 1.42 ms1）と一定のペースで歩く参加者（中央値：1.42 ms1、四分位範囲：1.40 ～ 1.46 ms1）の間で大きく異なりました。 、および活発なペース（中央値：1.45 ms1、四分位範囲：1.42 ～ 1.48 ms1）、（図 4）。 抽出されたすべてのデジタル歩行バイオマーカーも、自己申告された健康レベルが異なる個人間で大きく異なりました（表3、図5）グループ間の事後比較を補足表S3に示します。 最後に、最長歩行時間と歩幅の規則性 (それぞれ ICC 0.66 と 0.68) を除く、抽出されたデジタル歩行バイオマーカーのほとんどは、良好な検査 - 再検査の信頼性 (ICC の範囲は 0.71 ～ 0.89) を示しました。

ゆっくり、安定した、または早足の歩行ペースを報告した人の最大歩行速度。 N = 78,822。 上限と下限の個々の点、生データの外れ値。 ヴァイオリンのプロットの幅、ケメル密度。 バイオリンのプロットの上部と下部、1 パーセンタイルと 99 パーセンタイル。 狭いボックスの上部と下部、平均 ± 標準偏差。 ワイドボックスの上部と下部、第 1 四分位と第 3 四分位。 より広いボックスのノッチ、母集団中央値の 95% 信頼区間。 ボックスの中央の黒い線、グループ中央値。 ボックスの中央にあるアスタリスクは、グループを意味します。

健康状態が悪く、正常で、健康状態が良好であると報告した人の最大歩行速度。 N = 78,822。 上限と下限の個々の点、生データの外れ値。 ヴァイオリンのプロットの幅、ケメル密度。 バイオリンのプロットの上部と下部、1 パーセンタイルと 99 パーセンタイル。 狭いボックスの上部と下部、平均 ± 標準偏差。 ワイドボックスの上部と下部、第 1 四分位と第 3 四分位。 より広いボックスのノッチ、母集団中央値の 95% 信頼区間。 ボックスの中央の黒い線、グループ中央値。 ボックスの中央にあるアスタリスクは、グループを意味します。 ms−1 メートル毎秒。

この研究の主な目的は、実験室で評価されたデータと現実世界のデータの両方を使用して、手首に装着するデバイスから得られるデジタル歩行バイオマーカーを開発および検証することでした。 当社のデジタル歩行バイオマーカーは、検査と再検査で良好な信頼性を示し、歩行速度と自己申告のペースに関する電子歩道測定と強く一致し、自己申告の健康状態が悪い人と良い人を有意に区別できることがわかりました。 このアルゴリズムは、これらの対策の有用性を示す 7 日間の手首センサー データを収集した大規模な英国バイオバンク データベースに容易に適用されました。

この論文で紹介する Watch Walk 法を使用すると、歩行速度、歩行の質、歩行パターン、日常生活における歩行測定値の統計的分布を要約したデジタル歩行バイオマーカーの検索が可能になります。 これらのデジタル歩行バイオマーカーは、通常、不便な取り付け部位 (足首や腰など) に配置されたセンサーを通じて評価され、健康被害を正確に予測することが証明されており 21,22、医薬品試験の代替エンドポイントとして使用されています 23。 Watch Walk は、手首に装着する加速度計の測定値から得られる測定値の範囲と深度を進化させています。この測定値は、主に歩数 24、身体活動強度 11 の代用としてのベクトルの大きさ、および睡眠、身体活動、座位行動 14 に費やした時間に特徴があります。 ウォッチウォークは、手首に装着するセンサーを使用して歩行速度とケイデンスを推定するこれまでの進歩に基づいており、一般化性の強化と大規模な活動モニタリングにおける新しいアプリケーションを通じて 19,20 ます。 手首に装着する加速度計が、市販のスマートウォッチに組み込まれたり、大規模な縦断的研究の測定ツールに組み込まれたりして、広く入手可能であることを考慮すると、私たちの新しい手法は、6 番目に重要と考えられているモビリティの複数の側面を遠隔監視するための実用的なツールを提供します。信頼性が高く、有効かつコスト効率の高い方法で、sign6 を実行します。

私たちの研究結果は、この分野で行われた以前の研究にいくつかの方法で基づいています。 まず、日常生活の歩行パラメータは日ごとに異なります25にもかかわらず、7 日間にわたる毎日の平均として計算されたデジタル歩行バイオマーカーのほとんどは、テストと再テストの信頼性が高いことがわかりました。 これは、高齢者9のコンプライアンスが高く、身体活動の研究で一般的に使用されている7日間手首に装着する加速度計の継続使用をサポートします26。 第 2 に、歩行活動の分類精度は 91% 以上であり、英国バイオバンク データセットに対して提案された以前の活動分類アルゴリズム (CAPTURE24 研究では 70%) と比べて遜色ありません 14。 おそらく、日常生活で行われる短い歩行運動をよりよく反映する 4-s ウィンドウ フレームを使用したため、精度が高くなったと考えられます27。 第三に、手首に装着した加速度計を使用して歩行速度/距離を推定した以前の研究17,18と比較して、私たちの開発および技術検証研究には、大幅に多くのサンプル（参加者101人）、より幅広い年齢層（19～81歳）の参加者、およびより多様な歩行活動と歩行中のさまざまな手の位置が含まれます。 すべての要因は、外部の一般化可能性を高め、過剰摂取のバイアスを軽減します。 最後に、Watch Walk メソッドはハードウェアに依存しないアプローチで開発され、必要なデータ形式 (7 日間 100 Hz の 3 軸手首加速度) が広く利用されています。 したがって、英国のバイオバンク データセットだけでなく、NHANES などの他の医療データベースや、市販のスマートウォッチを使用した将来の研究にも適用できます。

また、一定の制限があることも認めます。 まず、センサーベースの歩行速度の測定は、実験室環境で電子歩道を使用して検証され、日常生活活動の分類は、実際の日常生活の活動ではなく、シミュレートされた日常活動に基づいていました。 第 2 に、時間枠が短く、アクティビティのキャプチャ ウィンドウが広範囲に分散しているため、実生活でのアクティビティ分類スキーマを検証するためにボディカメラの記録を使用することは現実的ではありませんでした。 第三に、デジタル歩行バイオマーカーは、歩行補助具を使用している参加者では検証されていないため、そのような歩行は見逃されている可能性があります。 最後に、0.7 ms-1 より遅い歩行と 1.8 ms-1 より速い歩行、つまり高齢者の平均歩行速度の 2 標準偏差を超える歩行では、歩行速度の精度が低くなりました 28。 これらの極限での歩行速度推定を改良するには、さらなる研究が必要です。

今後の研究では、これらの新しいデジタル歩行バイオマーカーの臨床的妥当性を以下の方法で調査する必要があります。(1) 臨床集団における運動障害を特定するための参照ベースを提供する基準値を開発する。 (2) 転倒や転倒に関連した傷害、虚弱、認知障害、死亡などの重要な臨床転帰に関する予測能力を評価する。 (3) 慢性疾患の進行を監視し、介入の有効性を評価するためにそれらを使用します。 日常生活の移動パフォーマンスに関するこれらの実用的で客観的な測定値の使用は、移動能力の低下の早期発見にも役立ち、健康と幸福を最大化するための早期介入を可能にする可能性があります。

2020年から2021年にかけて、19～81歳（平均47±18(SD)）の参加者101名（女性67％）がボランティアデータベース（HC190949）とオンライン広告を通じて2つの研究施設から募集された。そのうち51名はオーストラリアのシドニーで、51名はオーストラリアのシドニーで、中国の香港では50人。 参加者の平均身長は 1.67 m (± 0.1 m)、平均体重は 66 kg (± 14 kg) でした。 この方法は、関連するガイドラインおよび規制に従って実行され、ニューサウスウェールズ大学 (HC200839) およびカリタス高等教育研究所 (HRE210124) の人間研究倫理委員会によって承認されました。

すべての参加者は、参加前に書面によるインフォームドコンセントを受け取りました。

参加者は、英国バイオバンクのデータ収集プロトコルに従って設定されたAX3データロガー（Axtivity Limited、英国ニューカッスル・アポン・タイン）を利き腕に装着し、一連の移動作業を行っている間ビデオ録画されました。 AX3 データロガーは、重さ 11 g のコンパクトなデバイス (23 × 33 × 8 mm) で、3 軸ロギング加速度センサーを内蔵しています。 加速度データは、± 8 重力加速度単位 (g) の範囲で 100 Hz でサンプリングされました。

参加者はまず、5.7 m の電子歩道 (GAITRite、CIR Systems Inc.、ニュージャージー州フランクリン) を 3 つのペース (通常、通常より遅い、通常より速い) で 7 つの条件 (腕を振りながら歩く、手をつないで歩く) で歩き、走りました。ポケットに入れて歩く、メールを送りながら歩く、携帯電話を耳に当てて歩く、カバンを肩に掛けて歩く、ブリーフケースを持ちながら歩く、ジョギングする）。 歩行速度（メートル/秒）、歩幅（秒）、歩幅（メートル）、および歩幅の標準偏差（SD）は、GAITrite ソフトウェアを使用して抽出されました。

次に、参加者は、他の人々と頻繁に遭遇するエリアで、一連の半構造化された日常生活活動を一定の順序で実行しました。 タスクの実行方法については、具体的な指示はありませんでした。これには、椅子に座ったり、椅子から立ち上がったりすることが含まれます。 マットレスに横になって起き上がる。 廊下を歩いている。 エレベーターに乗る。 階段を上り下りする。 座ったまま字を書いたり、タイピングしたり、本を読んだり、靴ひもを結んだりすること。 立ったまま手を洗い、シンクでカップをすすぐ。 ウェアラブルセンサーデータはビデオデータと同期され、訓練を受けた運動生理学者によって手動で注釈が付けられました（腕振りによる歩行の開始点と終了点のマークなど）。

x/y/z 軸加速度ベクトルからサンプル レベルのユークリッド ノルムが取得されました 29。 その後、得られたユークリッドノルムから 60 秒間の平均信号振幅を減算することで静的ノイズが除去されました 29。 機械ノイズを除去するために、カットオフ周波数 20 Hz の 5 次バターワース ローパス フィルターが適用されました。 加速度信号のピーク検出を容易にするために、周波数通過帯域 0.25 および 2.5 Hz のローパス フィルターもユークリッド ノルムに適用されました 30。 その後、非着用エピソードと睡眠期間の時間枠が削除されました。 非摩耗エピソードは、標準偏差が 13 ミリ重力単位以下で 50 分を超える連続した静止エピソードとして定義されました 11。 睡眠期間の時間枠は、van Hees らによって提案された方法を使用して特定されました 31。 加速度ベクトルは、重複しない 4 秒ウィンドウに分割されました (このウィンドウ サイズの根拠は補足資料に記載されています)。 54 次元の特徴のベクトルは、特徴重要度の後方選択を通じて 99 の特徴から抽出されました (補足表 S1 および補足図 S2)。 これには、加速度信号の静的ブロックを除去した粗ユークリッド ノルムの平均、標準偏差、25、50、75 パーセンタイルがそれぞれ含まれます。 また、ローカルの x、y、z 加速度の間の相関係数と正規化された自己相関係数、1 次と 2 次および 1 次と 3 次の自己相関値の間の比、およびタイムラグも含まれます。

アクティビティ分類アルゴリズムは、Matlab Statistics and Machine Learning Toolbox バージョン 11.6 を使用してトレーニングおよび検証されました。 サポート ベクター マシン (SVM) は、アクティビティ認識において高精度かつ堅牢であることが実証されているため、アクティビティのマルチクラス分類に使用されました 32。 最初に、6 つの活動カテゴリーがトレーニングされました。(1) 腕を振りながら歩く。 (2) その他の複雑な歩行。 (3) ランニング。 (4) 静止（車両での移動を撮影したウィンドウを含む）。 (5) 立ったり座ったりしているときの不特定の腕の活動。 (6) 歩行中の不特定の腕の動き。 2 番目の洗練された分類では、「その他の複雑な歩行」の下のウィンドウが注釈付きの 5 つのサブカテゴリに分割されました。 (a) ポケットに手を入れて歩く。 (b) テキストメッセージを送信しながら歩く。 (c) 携帯電話を耳に当てて歩く。 d) バッグを肩に担いで歩く。 (e) ブリーフケース/買い物袋を持ちながら歩く。 アクティビティ分類は、個人レベルでのデータ分割による 10 分割相互検証でトレーニングされました。 これは、クラス内相関による予測精度の過大評価を避けるために配置されています。 活動カテゴリーは補足表 S2 に記載されています。

歩行として分類された期間では、バンドパス フィルター処理された加速度の極大値と極小値によって歩数が検出されました。 極大値と極小値が交互に存在し、自己相関で推定されたステップ時間と一致し、それぞれ適応閾値より高い/低いことを確認するためにチェックされました29。 歩数検出プロセスの詳細を図 6 にまとめます。総歩数は 1 日あたりに検出された歩数の総数として定義され、最長歩行試合は連続する最大数の歩行ウィンドウの継続時間として定義されました。 すべての歩行形態の合計時間に対する腕振り歩行の時間の割合を抽出しました。 歩行回数と歩行あたりの歩数の間の分布は、対数対数変換されたデータに線形モデルを当てはめることによって得られました。 より急な傾き (β1) は、より多くの短い歩行が実行され、より少ない長い歩行が実行されたことを表します。 歩行量も、歩行時間の累積曝露を通じて定量化されました（以下の式）33。

デジタル歩行バイオマーカー抽出の階層的フレームワーク (ステージ 1)。

(1) 7 秒未満および (2) 60 秒未満の歩行の割合が抽出されました。 1 日あたりのランニングの合計分数は、アクティビティ分類プロセスを通じて取得されました。

各 4 秒ウィンドウにおける平均歩行速度は、(1) 参加者の身長 34、(2) 四分位範囲、および (3) 静的ブロックの中央値を使用して中ガウス SVM 回帰モデル (10 倍検証) をフィッティングすることによって推定されました。削除された加速度信号のユークリッド ノルム、(4) 加速度信号の粗ユークリッド ノルムの平均、(5) ウィンドウ内の平均ステップ時間、および (6) x-/y- 軸と (7) x- 軸の加速度信号間の相関係数。 /z- 軸。 24 時間の歩行速度の中央値、95 パーセンタイル、四分位範囲が抽出されました。 歩行速度の中央値は、日常生活における通常の歩行速度を表します。 歩行速度の 95 パーセンタイルは、外れ値を除いた日常生活での最大歩行速度を表しており、中間値よりも個人の最適な歩行パフォーマンスを反映しています 35。

散歩はさらに 8 ステップのエピソードに再グループ化されました。 カットオフよりも長い歩行は、小さな部分に分割されました。 たとえば、18 歩の歩行を 1 歩目から 8 歩目、9 歩目から 16 歩目までに分割し、17 歩目と 18 歩目は切り捨てました。 ケイデンスは、8 ステップのエピソードに必要な時間を測定することで取得されました。 ステップ時間の標準偏差を使用して、ステップ時間の変動を定量化しました。 対数正規モデルを分布に当てはめてモードを抽出しました (以下の方程式)。

8 ステップの高調波比は、高速フーリエ変換で実装された不完全なパターン (不安定な谷) に対するユークリッド ノルム加速度 (安定する山) の繰り返しパターンとして定義されました 36。 8 ステップ高調波比は、テストと再テストの信頼性が高く (ICC = 0.72)、従来の (2 ステップ) 高調波比と比較して転倒リスクの特定に優れていることが実証されています。 ステップとストライクの規則性は自己相関によって抽出されました。 自己相関値の 1 番目と 2 番目のピークは、それぞれステップ間とストライド間の相関を示し、その後、時間差ゼロでの自己相関値で除算することで正規化されました。 したがって、結果のパラメーターは - 1 から + 1 までのみ変化します。

歩行品質バイオマーカーのさらなる詳細は、ペンダント デバイスを使用した遠隔モニタリングに関する研究で Brodie らによって報告されています 33。

前処理、アルゴリズム開発、パラメーター抽出は MATLAB バージョン R2019b で完了しました。 抽出プロセスの階層的フレームワークを図 6 に示します。活動分類アルゴリズムの精度は、電子歩道での歩行およびランニングの試行の注釈付きクラス、半構造化された日次テストを使用して、10 倍の検証で検査されました。地上真実の活動としての生活活動ルーチンと車両乗客のエピソード。 各クラスの感度と精度が混同行列とともに示されました。 Walk Watch のステップ時間と歩行速度のバイオマーカーの基準の妥当性が、電子歩道からの対応する測定値に対してテストされ、平均絶対パーセント誤差 (MAPE) として報告されました。

ステージ 2 の参加者は、英国バイオバンクからの 78,822 人の参加者で構成されました。 参加者は、2013 年に 7 日間、利き手首に AX3 データ ロガーを装着するよう指示されました。参加者の年齢は 46 ～ 77 歳 (中央値 64、IQR 57 ～ 69) (56% が女性) でした。 UKBiobank のデータ転送と分析に対する倫理的承認は、NHS National Research Ethics Service (Ref 11/NW/0382) から得られました。 参加者のフローは補足図S1に示されています。

加速度計データは、以下の理由により英国バイオバンク加速度計作業グループによって品質が低いとみなされた場合には除外されました。(1) データが不十分に校正された加速度計を使用して収集された。 (2) 加速度測定データのサイズが異常でした。 および/または (3) データ収集期間に夏時間への移行が含まれていた。 さらに、24 時間センサーを装着し、少なくとも 1 回のウォーキングを 5 日以上続け、完全に自己申告の歩行ペースと自己評価の健康データを記録した参加者のデータのみを使用しました。

Watch Walk デジタル歩行バイオマーカーのテストと再テストの信頼性を、クラス内相関係数 (2 元ランダム効果、絶対一致、複数の測定値の平均) を使用して連続 7 日間検査しました。 Watch Walk デジタル歩行バイオマーカーは、クラスカル・ウォリス検定とノンパラメトリックな連続スケーリングデータのダン事後検定を使用して健康状態を自己評価した参加者間で対比されました。 パラメトリックな連続スケーリング データの ANOVA および Tukey ポストホック テスト。 カテゴリデータの分割表のカイ二乗検定。 最高歩行速度は、遅い、平均的な、および早足の歩行ペースを報告した参加者間でクラスカル・ウォリス検定を用いて比較され、事後比較はダン事後検定を用いて行われました。

英国バイオバンク データからの公開データは、http://www.ukbiobank.ac.uk/using-the-resource/ で説明されている手順を通じて入手できます。 デジタル歩行バイオマーカー データは、この論文の出版後 6 か月以内に英国バイオバンクに返還されます。

この論文の訂正が公開されました: https://doi.org/10.1038/s41598-023-28191-1

Althoff、T. et al. 大規模な身体活動データにより、世界的な活動の不平等が明らかになりました。 ネイチャー 547、336–339​​ (2017)。

記事 ADS CAS Google Scholar

ロチェスター、L.ら。 デジタル モビリティの成果の開発、検証、承認を知らせるロードマップ: Mobise-D アプローチ。 デジタルバイオマーク。 4(補足 1)、13 ～ 27 (2020)。

記事 Google Scholar

Piau, A.、Wild, K.、Mattek, N.、Kaye, J. 軽度認知障害から軽度アルツハイマー病までの認知機能を自宅で実際にモニタリングするためのデジタル バイオマーカー技術の現状と臨床ケアへの影響： 系統的レビュー。 J.Med. インターネット解像度 21、e12785 (2019)。

記事 Google Scholar

マサチューセッツ州ブロディら。 新しいウェーブレットベースの方法を使用したウェアラブルペンダントデバイスのモニタリングは、日常生活と研究室の歩行が異なることを示します。 医学。 バイオル。 工学コンプ。 54、663–674 (2016)。

記事 Google Scholar

Young, Y.、Boyd, CM、Guralnik, JM & Fried, LP 自己報告された機能は、機能障害の客観的な尺度に対応していますか? 混雑する。 医学。 監督准教授 11、645–653 (2010)。

記事 Google Scholar

Fritz, S. & Lusardi, M. ホワイトペーパー: 「歩行速度: 第 6 のバイタルサイン」。 J. Geriatr. 物理学。 それで。 32、2–5 (2009)。

記事 Google Scholar

Fisher, SR、Graham, JE、Ottenbacher, KJ、Deer, R. & Ostir, GV 高齢者の再入院を予測するための入院患者の歩行活動。 アーチ。 物理学。 医学。 リハビリ。 97、S226-231 (2016)。

記事 Google Scholar

Paluch、A.E. et al. 若年成人における冠動脈リスクの発現における中年成人の1日当たりの歩数と全死因死亡率の研究。 自工会ネットワーク。 4、e2124516–e2124516 (2021) を開きます。

記事 Google Scholar

Keogh, A.、Dorn, JF、Walsh, L.、Calvo, F. & Caulfield, B. 実世界の状況におけるアイルランドの高齢者におけるウェアラブル センサーの使いやすさと受け入れやすさの比較: 観察研究。 JMIR Mhealth Uhealth 8、e15704 (2020)。

記事 Google Scholar

Huberty, J.、Ehlers, DK、Kurka, J.、Ainsworth, B. & Buman, M. 中年女性の 24 時間モニタリングのための 3 つのウェアラブル センサーの実現可能性。 BMC ウィメンズ ヘルス 15、55 (2015)。

記事 Google Scholar

ドハーティ、A.ら。 手首に装着する加速度計を使用した身体活動の大規模集団評価: 英国バイオバンク研究。 PLoS ONE 12、e0169649 (2017)。

記事 Google Scholar

ルルー、A.ら。 NHANESでの活動データの整理と分析。 統計生物科学。 11、262–287 (2019)。

記事 Google Scholar

インナード、P. et al. ニューカッスル 85+ 研究による身体活動の主観的測定値と客観的測定値の比較。 年齢 44 歳、691–694 (2015)。

記事 Google Scholar

Willetts, M.、Hollowell, S.、Aslett, L.、Holmes, C. & Doherty, A. 96,220 人の英国バイオバンク参加者のセンサー データからの睡眠と身体活動の表現型の統計的機械学習。 科学。 議員番号 8、7961 (2018)。

記事 ADS Google Scholar

Chu、AHら。 自由生活をしている成人の歩数を測定するための、手首に装着する Fitbit Flex と腰に装着する ActiGraph の比較。 PLoS ONE 12、e0172535 (2017)。

記事 Google Scholar

Tudor-Locke, C.、Barreira, TV & Schuna, JM Jr. 腰と手首の加速度計取り付け部位のステップ出力の比較。 医学。 科学。 スポーツ運動。 47、839–842 (2015)。

記事 Google Scholar

Trong Bui, D.、Nguyen, ND、Jeong, G.-M. スマートバンドを使用した日常の手首のアクティビティ認識に基づく堅牢な歩数検出アルゴリズムと歩行距離の推定。 センサー 18、2034 (2018)。

Bertschi、M.、他。 手首の慣性データを使用して、歩行および走行速度を正確に推定します。 IEEE Engineering in Medicine and Biology Societyの年次国際会議。 IEEE 医学生物学学会。 2015 年年次国際会議、8083–8086 (2015)。

Fasel、B.ら。 日常生活の歩行における瞬間的な歩行リズムと速度を決定する手首センサーとアルゴリズム。 医学。 バイオル。 工学コンプ。 55、1773–1785 (2017)。

記事 Google Scholar

Soltani, A.、Dejnabadi, H.、Savary, M.、Aminian, K. 手首センサーを使用した現実世界の歩行速度推定: パーソナライズされたアプローチ。 IEEE J. Biomed. 健康情報。 24、658–668 (2020)。

記事 Google Scholar

Chan, LLY, van Schooten, KS, Lord, SR, Delbaere, K. & Brodie, M. 日常生活での短い歩行運動と自己申告による健康状態の悪化は、地域在住の高齢者のうつ病の発症を予測する: 2 年縦断的コホート研究。 混雑する。 医学。 直接。 准教授 （2022年）。

van Schooten, KS et al. 歩行時の転倒リスク評価: 日常生活の歩行の量と質によって、高齢者の転倒が予測されます。 J.ジェロントール。 サー。 A 70、608–615 (2015)。

記事 Google Scholar

ヘンダーソン、EJ et al. パーキンソン病患者の歩行安定のためのリバスチグミン (ReSPonD): 無作為化、二重盲検、プラセボ対照、第 2 相試験。 ランセットニューロール。 15、249–258 (2016)。

記事 CAS Google Scholar

Saint-Maurice, PF et al. 米国成人における毎日の歩数と歩数の強度と死亡率との関連性。 JAMA 323、1151–1160 (2020)。

記事 Google Scholar

Lord, S.、Howe, T.、Greenland, J.、Simpson, L. & Rochester, L. 高齢者の歩行変動: 検査プロトコルと臨床特性の構造化レビュー。 歩行姿勢 34、443–450 (2011)。

記事 Google Scholar

Arvidsson, D.、Fridolfsson, J.、Börjesson, M. 加速度計を使用した臨床現場での身体活動の測定。 J.インターン。 医学。 286、137–153 (2019)。

CAS Google スカラー

Mannini, A.、Intille, SS、Rosenberger, M.、Sabatini, AM、Haskell, W. 手首または足首に配置された単一の加速度計を使用した活動認識。 医学。 科学。 スポーツ運動。 45、2193–2203 (2013)。

記事 Google Scholar

Kasović, M.、Štefan, L. & Štefan, A. 60 歳以上の男性および女性における歩行速度と身長標準速度の標準データ。 クリン。 介入 16歳、225〜230歳（2021年）。

記事 Google Scholar

Cho, Y.、Cho, H. & Kyung, C. 手首装着型デバイス用の実用的な歩数検出アルゴリズムの設計と実装。 IEEE Sens. J. 16、7720–7730 (2016)。

Google スカラー

Trong Bui, D.、Nguyen, ND、Jeong, G.-M. スマートバンドを使用した日常の手首のアクティビティ認識に基づく堅牢な歩数検出アルゴリズムと歩行距離の推定。 センサー (バーゼル) 18、2034 (2018)。

ヴァン・ヒーズ、VT 他。 睡眠日記を使用せずに加速度計を使用して睡眠パラメータを推定します。 科学。 議員第 8 号、12975 (2018)。

記事 ADS Google Scholar

Nguyen, ND、Truong, PH & Jeong, GM スマートバンドを使用した毎日の手首のアクティビティ分類。 生理。 測定。 38、L10-l16 (2017)。

記事 Google Scholar

Brodie, MA、Lord, SR、Coppens, MJ、Annegarn, J. & Delbaere, K. 自由に装着したデバイスを使用した 8 週間の遠隔監視により、高齢の転倒者の不安定な歩行パターンが明らかになりました。 IEEEトランス。 バイオメッド。 工学 62、2588–2594 (2015)。

Google スカラー

Tian, Q.、Salcic, Z.、Wang, KI & Pan, Y. スマートフォンを使用した歩行者追跡のためのマルチモード推測航法システム。 IEEE Sens. J. 16、2079–2093 (2016)。

記事 ADS Google Scholar

Rispens、SM et al. 日常生活の歩行特性の極端な値は、中央値よりも転倒リスクについてより多くの情報を提供しますか? JMIR 研究所プロトコル 4、e4 (2015)。

記事 Google Scholar

Brodie, MA、Menz, HB、Smith, ST、Delbaere, K. & Lord, SR 高齢者の転倒リスクを低くするには、適切な歩行速度と組み合わされた良好な横方向調和安定性が必要です。 老年学 61、69–78 (2015)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、申請番号 56109 の英国バイオバンク リソースを使用して実施されました。この研究には、UNSW シドニーの Research Technology Services によってサポートされている計算クラスター Katana を使用した計算が含まれています。 この研究は、オーストラリア政府研究訓練プログラム (RTP) 奨学金によって支援されました。

Falls、Balance and Injury Research Centre、Neuroscience Research Australia、139 Baker Street、Randwick、NSW、2031、オーストラリア

ロイド・リー・チャン、スティーブン・R・ロード、マシュー・A・ブロディ

ニューサウスウェールズ大学人口保健学部、ケンジントン、ニューサウスウェールズ州、オーストラリア

ロイド・リー・チャン & スティーブン・R・ロード

保健科学部、カリタス高等教育研究所、2 Chui Ling Lane、New Territories、Tseung Kwan O、香港、中国

ティファニーCMチョイ

ニューサウスウェールズ大学生体医工学大学院、サミュエルズビル (F25)、ケンジントンキャンパス、ケンジントン、シドニー、ニューサウスウェールズ州、2052、オーストラリア

マシュー・A・ブロディ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

LC は研究を考案、設計し、データを収集し、分析を実行して論文を執筆しました。 TC はデータを収集し、分析ツールを提供し、執筆に貢献しました。 SL は研究を考案、設計し、分析ツールを提供し、論文を執筆しました。 MB は研究を考案、設計し、分析ツールを提供し、分析を実行して論文を執筆しました。

スティーブン・R・ロードへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

この記事の元のオンライン版は改訂されました。この記事の元のバージョンには、表 3 に誤りが含まれていました。ここで、「歩行の質」の「歩幅変動のモード」と「8 段階の HR (腕の振り)」の値が記載されていました。 "は間違っていました。 行われた修正に関する完全な情報は、この記事の修正を参照してください。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Chan、LLY、Choi、TCM、Lord、SR 他 Watch Walk 手首に装着するデジタル歩行バイオマーカーの開発と大規模検証。 Sci Rep 12、16211 (2022)。 https://doi.org/10.1038/s41598-022-20327-z

引用をダウンロード

受信日: 2022 年 5 月 28 日

受理日: 2022 年 9 月 12 日

公開日: 2022 年 10 月 10 日

DOI: https://doi.org/10.1038/s41598-022-20327-z

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。