Simple Science

La science de pointe expliquée simplement

# Sciences de la santé# Santé publique et mondiale

Évaluer les wearables pour le suivi d'activité

Une étude évalue la précision des trackers de fitness populaires pour mesurer le mouvement.

― 7 min lire


Précision des braceletsPrécision des braceletsde fitness connectésmanière fiable.populaires mesurent le mouvement deUne étude montre que les appareils
Table des matières

Ces 20 dernières années, les moyens de mesurer notre activité physique se sont beaucoup améliorés. Un gros changement, c'est l'arrivée des appareils portables comme les trackers de fitness et les montres connectées. Ces dispositifs utilisent des capteurs appelés Accéléromètres pour suivre les mouvements et peuvent donner des données plus précises que les méthodes traditionnelles basées sur l'auto-évaluation. Les données auto-reportées peuvent être influencées par la mémoire et la façon dont une personne veut être perçue, ce qui les rend moins fiables.

Appareils Portables

Les appareils portables populaires comme l'Apple Watch, Fitbit et les montres Garmin ont facilité le suivi de l’activité physique. Ces montres sont non seulement équipées d'accéléromètres pour surveiller les mouvements, mais elles sont aussi conçues pour le confort et le style, ce qui les rend faciles à porter tous les jours. Souvent abordables, rechargeables et étanches, certains modèles sont même faits pour les enfants. De plus, ces appareils ont une meilleure durée de vie de la batterie qu'avant, pouvant durer jusqu'à 54 jours sur une seule charge. Ça a poussé de nombreux chercheurs à étudier la précision de ces dispositifs pour mesurer l'activité physique.

Limites des Études Actuelles

Bien que de nombreuses études aient vérifié l’efficacité des appareils de consommation pour mesurer les mouvements, il y a encore des limites. La plupart de ces études s'appuient sur des algorithmes spécifiques créés par les entreprises qui fabriquent ces dispositifs. Le problème, c'est que les chercheurs ne peuvent pas voir ou tester ces algorithmes, donc c'est difficile de savoir à quel point ils sont fiables. Comme les entreprises peuvent changer ces algorithmes quand elles veulent, les résultats d'un même appareil peuvent varier au fil du temps, même si le niveau d'activité d'une personne reste le même.

Une Nouvelle Approche

Pour résoudre ces problèmes, les chercheurs envisagent une nouvelle méthode. Cette méthode utilise un moyen commun de traiter les données de différents appareils, permettant des comparaisons entre diverses marques. Beaucoup de wearables de consommation donnent maintenant accès aux données brutes de leurs accéléromètres. Ça facilite la comparaison des mesures d'activité physique d'appareils différents au fil du temps.

Avant d'utiliser cette nouvelle méthode, il est crucial de mener des études qui vérifient la Fiabilité et la précision des données brutes de ces appareils. Ça signifie les tester dans des conditions contrôlées pour voir à quel point ils sont performants pour mesurer les mouvements.

L'Étude

Dans cette étude, les chercheurs ont examiné les données de quatre types d'appareils différents : l'ActiGraph (un accéléromètre de recherche), l'Apple Watch Series 7, la Garmin Vivoactive 4S et le Fitbit Sense. Ils ont comparé les données provenant de ces dispositifs avec des données collectées à partir d'une table de secouage mécanique, qui crée des mouvements contrôlés à différentes vitesses.

L'étude a utilisé un total de 40 appareils, avec dix de chaque type. Chaque appareil était solidement fixé à la table de secouage, qui se déplaçait à divers rythmes. Les chercheurs ont collecté les données des appareils, s'assurant qu'ils enregistraient les informations de manière standardisée.

Processus de Test

Pour le test de fiabilité, les appareils étaient testés côte à côte en paires. Chaque appareil a subi plusieurs essais de deux minutes à différentes vitesses pour voir à quel point ils mesuraient l'accélération. Un processus similaire a été suivi pour le test de Validité, où les dispositifs mesuraient un ensemble de mouvements pendant une période prolongée.

Collecte de Données

Les appareils ont collecté des données brutes d'accélération, qui ont ensuite été traitées pour analyser les niveaux de mouvement. Les chercheurs ont utilisé deux méthodes pour calculer les données - une valeur moyenne et une valeur quadratique moyenne (RMS). Ça leur a permis de comparer facilement les résultats entre les appareils.

Résultats sur la Fiabilité

L'étude a trouvé une bonne à excellente fiabilité parmi les appareils. Par exemple, l'Apple Watch a presque atteint une fiabilité parfaite, tandis que les autres appareils ont aussi bien performé. Ça suggère que ces wearables de consommation peuvent mesurer le mouvement de manière précise par rapport aux appareils de recherche.

Résultats sur la Validité

En regardant à quel point ces appareils mesurent précisément le mouvement, les chercheurs ont trouvé de fortes corrélations positives entre les données de tous les appareils et la table de secouage. L'ActiGraph, l'Apple Watch, et le Fitbit ont fourni des estimations similaires, tandis que Garmin a montré plus de divergences. Cette inconsistance est préoccupante, car cela pourrait mener à des estimations moins précises de l'activité physique en utilisant des appareils Garmin.

Malgré les lacunes de Garmin, l'étude a suggéré qu'Apple et Fitbit pourraient estimer de manière fiable l'activité physique. Les différences de performance pourraient venir des variations dans la technologie et le design de chaque appareil.

Limites

Même avec ces résultats prometteurs, il y a des limites à considérer. Par exemple, les appareils peuvent avoir du mal à catégoriser avec précision les faibles niveaux d'activité, ce qui est essentiel pour comprendre le mouvement global. De nombreuses études ont montré que les erreurs de mesure peuvent mener à de la confusion entre les activités légères et sédentaires.

Forces de l'Étude

Une des principales forces de cette étude était l'utilisation d'une table de secouage mécanique pour fournir des tests contrôlés et répétables. Ça a permis aux chercheurs de comparer tous les appareils directement selon les mêmes critères. De plus, examiner les données brutes d'accélération a offert des aperçus sur la façon dont différents appareils mesurent le mouvement sans dépendre d'un traitement logiciel compliqué.

Implications Futures

Les résultats indiquent que les wearables de consommation, en particulier l'Apple Watch et le Fitbit, sont des outils fiables pour estimer l'activité physique. À l'avenir, combiner les données de ces appareils avec d'autres métriques, comme la fréquence cardiaque, pourrait améliorer notre compréhension des niveaux d'activité physique.

Les chercheurs espèrent explorer davantage cette approche indépendante des dispositifs, en testant les appareils dans des environnements réels plutôt que contrôlés. Ça pourrait fournir une image plus claire de la performance de ces wearables de consommation pendant les activités quotidiennes.

Conclusion

En résumé, les appareils portables ont transformé notre façon de mesurer l'activité physique. Bien que de nombreux appareils de consommation montrent des résultats prometteurs, il reste des défis pour garantir que leurs estimations soient précises, surtout pour les niveaux de mouvement plus faibles. L'étude a démontré que les données brutes d'accélération des appareils comme l'Apple Watch et le Fitbit sont similaires à celles des appareils de recherche, permettant ainsi aux consommateurs et aux chercheurs d'avoir confiance dans leurs mesures. Une recherche continue est nécessaire pour explorer pleinement les capacités et les limites de ces appareils afin d'exploiter leur potentiel pour améliorer la santé et la forme physique.

Source originale

Titre: Comparison of raw accelerometry data from ActiGraph, Apple Watch, Garmin, and Fitbit using a mechanical shaker table

Résumé: The purpose of this study was to evaluate the reliability and validity of the raw accelerometry output from research-grade and consumer wearable devices compared to accelerations produced by a mechanical shaker table. Raw accelerometry data from a total of 40 devices (i.e., n=10 ActiGraph wGT3X-BT, n=10 Apple Watch Series 7, n=10 Garmin Vivoactive 4S, and n=10 Fitbit Sense) were compared to the criterion accelerations produced by an orbital shaker table at speeds ranging from 0.6 Hz (4.4 milligravity-mg) to 3.2 Hz (124.7mg). For reliability testing, identical devices were oscillated at 0.6 and 3.2 Hz for 5 trials that lasted 2 minutes each. For validity testing, devices were oscillated for 1 trial across 7 speeds that lasted 2 minutes each. The intraclass correlation coefficient (ICC) was calculated to test inter-device reliability. Pearson product moment, Lins concordance correlation coefficient (CCC), absolute error, and mean bias were calculated to assess the validity between the raw estimates from the devices and the criterion metric. Estimates produced by the raw accelerometry data from Apple and ActiGraph were more reliable ICCs=0.99 and 0.97 than Garmin and Fitbit ICCs=0.88 and 0.88, respectively. Estimates from ActiGraph, Apple, and Fitbit devices exhibited excellent concordance with the criterion CCCs=0.88, 0.83, and 0.85, respectively, while estimates from Garmin exhibited moderate concordance CCC=0.59 based on the mean aggregation method. ActiGraph, Apple, and Fitbit produced similar absolute errors=16.9mg, 21.6mg, and 22.0mg, respectively, while Garmin produced higher absolute error=32.5mg compared to the criterion based on the mean aggregation method. ActiGraph produced the lowest mean bias 0.0mg (95%CI=-40.0, 41.0) based on the mean aggregation method. Raw accelerometry data collected from Apple and Fitbit are comparable to ActiGraph. However, raw accelerometry data from Garmin appears to be different. Future studies may be able to develop algorithms using device-agnostic methods for estimating physical activity from consumer wearables.

Auteurs: James W. White III, J. W. White, O. Finnegan, N. Tindall, S. Nelakuditi, D. E. Brown, R. R. Pate, G. J. Welk, M. de Zambotti, R. Ghosal, Y. Wang, S. Burkart, E. L. Adams, M. Chandrashekhar, B. Armstrong, M. W. Beets, R. G. Weaver

Dernière mise à jour: 2023-06-04 00:00:00

Langue: English

Source URL: https://www.medrxiv.org/content/10.1101/2023.05.25.23290556

Source PDF: https://www.medrxiv.org/content/10.1101/2023.05.25.23290556.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires