Entwicklung und groß

Oct 26, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 16211 (2022) Diesen Artikel zitieren

1488 Zugriffe

2 Zitate

41 Altmetrisch

Details zu den Metriken

Eine Autorenkorrektur zu diesem Artikel wurde am 20. Januar 2023 veröffentlicht

Dieser Artikel wurde aktualisiert

Digitale Gangbiomarker (einschließlich Gehgeschwindigkeit) zeigen einen Funktionsverlust an und sagen Krankenhausaufenthalte und Mortalität voraus. Allerdings sind die häufig verwendeten Hüft- oder Unterschenkelgeräte nicht für den lebenslangen Dauergebrauch ausgelegt. Während Handgelenkgeräte allgegenwärtig sind und viele große Forschungsrepositorien Handgelenksensordaten umfassen, sind weithin akzeptierte und validierte digitale Gangbiomarker, die von am Handgelenk getragenen Beschleunigungsmessern abgeleitet werden, noch nicht verfügbar. Hier beschreiben wir die Entwicklung fortschrittlicher Signalverarbeitungsalgorithmen, die digitale Gangbiomarker aus am Handgelenk getragenen Geräten extrahieren, und die Validierung anhand von einwöchigen Daten von 78.822 britischen Biobank-Teilnehmern. Unsere Gang-Biomarker zeigen eine gute Test-Retest-Zuverlässigkeit, eine starke Übereinstimmung mit elektronischen Gehwegmessungen der Ganggeschwindigkeit und des selbstberichteten Tempos und diskriminieren Personen mit schlechtem, selbstberichtetem Gesundheitszustand erheblich. Mit der nahezu allgemeinen Verbreitung von Smartwatches bieten unsere Algorithmen einen neuen Ansatz zur lebenslangen Fernüberwachung der Gehgeschwindigkeit, -qualität, -quantität und -verteilung auf Bevölkerungsebene, zur Bewertung des Krankheitsverlaufs, zur Vorhersage des Risikos unerwünschter Ereignisse und zur Bereitstellung digitaler Gangendpunkte für klinische Studien .

Der Einsatz von Technologie zur Quantifizierung der täglichen Gehaktivität kann wichtige Indikatoren für die Gesundheit von Einzelpersonen und der Bevölkerung liefern1. Digitale Gangbiomarker sind quantitative Gangmessungen, die aus Daten tragbarer Geräte abgeleitet werden. Als eine auf den Gang fokussierte Teilmenge digitaler Biomarker und Mobilitätsergebnisse2,3 können sie aus der Ferne erfasst werden und ergänzende Informationen zu klinischen Gangbeurteilungen liefern4. Digitale Gangbiomarker können mit dem Funktionsstatus5 und dem allgemeinen Gesundheitszustand6 verbunden sein; und sind prädiktiv für Funktionsverlust, Krankenhausaufenthalt7 und Mortalität8.

Frühere Studien haben gezeigt, dass tragbare Geräte, die am unteren Rücken oder an den unteren Gliedmaßen positioniert werden, gültige und zuverlässige digitale Gangbiomarker liefern können. Ihre Platzierung an diesen Körperregionen ist jedoch umständlich, was die Akzeptanz und Compliance durch den Benutzer einschränkt9,10. Im Gegensatz dazu erfreuen sich am Handgelenk getragene Geräte, einschließlich Smartwatches, einer überlegenen Akzeptanz und nähern sich einer nahezu universellen Verbreitung. Beschleunigungsdaten für am Handgelenk getragene Geräte wurden in großen Längsschnittstudien erfasst, darunter in den Studien UK Biobank11, NHANES12 und Newcastle85+13. Beispielsweise nimmt die britische Biobank 1-wöchige Aktivitätsdaten auf, die mit dem am Handgelenk getragenen dreiachsigen Beschleunigungsmesser AX3 von 103.578 Personen in ihrem Repository für Gesundheitsdaten erfasst wurden11. Während Messungen des körperlichen Aktivitätsniveaus11 und der Aktivitätsarten14 durchgeführt wurden, wurde die Extraktion digitaler Gangbiomarker aus diesen Studien noch nicht durchgeführt.

Dieses Versäumnis ist wahrscheinlich auf mehrere technische Herausforderungen bei der Extraktion digitaler Gangbiomarker mithilfe eines am Handgelenk getragenen Geräts zurückzuführen. Am Handgelenk getragene Geräte befinden sich weit entfernt vom Massenschwerpunkt des Trägers und unterliegen Armbewegungen, die das Messrauschen erhöhen und zu einer geringeren Präzision und Zuverlässigkeit führen15,16. Infolgedessen können herkömmliche digitale Gangbiomarker-Extraktionstechniken wie die Signalspitzenerkennung und die Integration der Beschleunigung mit Nullgeschwindigkeitsaktualisierungen durch große Orientierungsänderungen und unabhängige Bewegungen der Arme behindert werden. Tatsächlich beschränkten sich die bisher durchgeführten Forschungsarbeiten zur Gewinnung digitaler Gangbiomarker aus am Handgelenk getragenen Geräten größtenteils auf eingeschränkte Spaziergänge auf Laufbändern und Laufbändern mit festgelegter Länge; Die daraus resultierenden Algorithmen sind für komplexere Gehaktivitäten in realen Umgebungen wahrscheinlich ungeeignet17,18. In zwei Studien wurden am Handgelenk getragene Sensoren (einschließlich Barometer und Beschleunigungsmesser) verwendet, um Gehgeschwindigkeit und Trittfrequenz zu schätzen19,20. Während beide Studien vielversprechende Ergebnisse lieferten, könnte die Einbeziehung nur gesunder Freiwilliger und moderater Stichprobengrößen (n ≤ 30 Teilnehmer) die Generalisierbarkeit ihrer Ergebnisse auf breitere Bevölkerungsgruppen einschränken. Es überrascht nicht, dass noch kein Konsens darüber erzielt werden kann, welche digitalen Gangbiomarker für Fernbeurteilungen am besten geeignet sind2.

Offensichtlich wären gültige und zuverlässige digitale Gangbiomarker, die aus einem am Handgelenk getragenen Gerät extrahiert werden können, für eine Reihe von Gesundheitszielen wertvoll. Unser Ziel war es daher, diesen Bedarf durch die Durchführung einer zweistufigen Entwicklungs- und Validierungsstudie zu decken.

In der ersten Phase trugen 101 Teilnehmer (im Alter von 19–81 Jahren) den UK Biobank-Handgelenkssensor und wurden aufgezeichnet, während sie in frei lebenden Umgebungen eine strukturierte Mobilitätsroutine durchführten und anschließend in unseren Labors über einen instrumentierten elektronischen Gehweg gingen und liefen. Wir entwickelten (a) die Aktivitätsklassifizierungsmodelle unter Verwendung der synchronisierten Videoaufzeichnungen und anschließend (b) die Algorithmen zur Extraktion digitaler Gangbiomarker (einschließlich Gehgeschwindigkeit und Trittfrequenz) unter Verwendung der instrumentierten Gehwegmessungen der angewiesenen Spaziergänge und Läufe als Grundwahrheit.

In Stufe zwei wurde die konvergente Validität der digitalen Gangbiomarker in Bezug auf die selbstberichtete Gehgeschwindigkeit und den selbstbewerteten Gesundheitszustand sowie ihre Test-Retest-Zuverlässigkeit bei 78.822 Teilnehmern aus der britischen Biobank-Kohorte bestimmt.

Ein SVM-Klassifizierungsalgorithmus (Support Vector Machine) wurde trainiert, um Gehstrecken aus allen Aktivitäten des täglichen Lebens zu identifizieren. Insgesamt 11.646 4-Sekunden-Fenster (660 Minuten Freilebensaufzeichnung, 1487 strukturierte Spaziergänge und 249 strukturierte Läufe von 101 Testteilnehmern) wurden in die Trainings- und Validierungssätze einbezogen und in Gehen, Laufen, stationäre oder nicht spezifizierte Armaktivitäten eingeteilt . Die Leistung des Klassifikators wurde anhand einer Verwirrungsmatrix bewertet (Abb. 1 und ergänzende Abb. S3).

Verwirrungsmatrix der Klassifizierung der Stufe 1. N = 101 mit 11.646 4-s-Fenstern. Die blaue Spalte ganz rechts in diesen Matrizen zeigt den Prozentsatz der korrekt identifizierten Fenster im Vergleich zu allen Fenstern an, die tatsächlich zu dieser Kategorie gehören (dh Empfindlichkeit). Die blaue Spalte am unteren Rand der Matrizen stellt den Prozentsatz der korrekt identifizierten Fenster im Vergleich zu allen Fenstern dar, von denen vorhergesagt wurde, dass sie dieser Kategorie angehören (dh Präzision).

Die Gehaktivitätsklasse hatte eine Sensitivität von 92 % und eine Präzision von 93 %; die Laufaktivitätsklasse hatte eine Sensitivität von 97 % und eine Präzision von 98 %; die stationäre Aktivitätsklasse hatte eine Sensitivität von 89 % und eine Präzision von 86 %; und die nicht spezifizierte Armaktivitätsklasse hatte eine Sensitivität von 71 % und eine Präzision von 74 %.

Beispiele für die Zeitreihen- und Autokorrelationsfunktion für das Gehen mit Armschwung bei langsamen, durchschnittlichen und schnellen Schritten sind in Abb. 2 dargestellt. Tabelle 1 zeigt die Genauigkeit der sensorbasierten Schrittzeit und Gehgeschwindigkeit im Vergleich zu den elektronischen Gehwegmessungen . Der mittlere absolute prozentuale Fehler (MAPE) der Schrittzeit für die Gehbedingungen lag zwischen 1,2 % und 4,8 %, und der MAPE der sensorbasierten Gehgeschwindigkeit für die Gehbedingungen lag zwischen 3,0 und 4,4 %. Abbildung 3 zeigt das Streudiagramm für die Beziehung zwischen der vom Handgelenksensor gemessenen Gehgeschwindigkeit und dem elektronischen Gehweg.

Ein Beispiel für die Zeitreihe der bandpassgefilterten euklidischen Norm der Beschleunigungsvektoren und Autokorrelationsfunktionen für das Gehen mit Armschwung bei langsamer, normaler und schneller Geschwindigkeit.

Zusammenhang zwischen Handgelenksensor und gemessener Gehgeschwindigkeit des elektronischen Gehwegs. N = 101 mit 1487 Spaziergängen. Jeder einzelne Punkt repräsentiert einen einzelnen Datenpunkt. Kombinierte Daten von sechs Gehbedingungen.

Tabelle 2 zeigt den Vergleich der maximalen Gehgeschwindigkeit zwischen Teilnehmern der britischen Biobank, die angaben, regelmäßig langsam, gleichmäßig oder zügig zu gehen. Die maximale Gehgeschwindigkeit unterschied sich deutlich zwischen den Teilnehmern, die normalerweise langsam (Median: 1,39 ms1, Interquartilbereich: 1,38–1,42 ms1) und gleichmäßig (Median: 1,42 ms1, Interquartilbereich: 1,40–1,46 ms1) gingen. und zügiges Tempo (Median: 1,45 ms1, Interquartilbereich: 1,42–1,48 ms1) (Abb. 4). Alle extrahierten digitalen Gangbiomarker unterschieden sich auch signifikant zwischen Personen mit unterschiedlichen selbstberichteten Gesundheitszuständen (Tabelle 3, Abb. 5). Post-hoc-Vergleiche zwischen Gruppen sind in der Ergänzungstabelle S3 dargestellt. Schließlich zeigten die meisten extrahierten digitalen Gangbiomarker, mit Ausnahme der längsten Gehdauer und der Schrittregelmäßigkeit (ICC 0,66 bzw. 0,68), eine gute Test-Retest-Zuverlässigkeit (ICCs im Bereich von 0,71 bis 0,89).

Maximale Gehgeschwindigkeit für Personen, die über langsame, gleichmäßige und zügige Gehgeschwindigkeiten berichten. N = 78.822. Einzelne Punkte am oberen und unteren Extrem, Ausreißer der Rohdaten. Breiten der Violinplots, Kemeldichten; Oben und unten in den Geigendiagrammen, 1. und 99. Perzentil; Ober- und Unterseite der schmaleren Kästchen, Mittelwert ± Standardabweichung; Oben und unten in der Widerbox, 1. und 3. Quartil; Kerben der breiteren Box, 95 %-Konfidenzintervalle des Bevölkerungsmedians; Schwarze Linien in der Mitte der Kästchen, Gruppenmediane; Die Sternchen in der Mitte der Kästchen bedeuten Gruppe.

Maximale Gehgeschwindigkeit für Personen, die über einen schlechten, mittelmäßigen, guten und ausgezeichneten Gesundheitszustand berichten. N = 78.822. Einzelne Punkte am oberen und unteren Extrem, Ausreißer der Rohdaten. Breiten der Violinplots, Kemeldichten; Oben und unten in den Geigendiagrammen, 1. und 99. Perzentil; Ober- und Unterseite der schmaleren Kästchen, Mittelwert ± Standardabweichung; Oben und unten in der Widerbox, 1. und 3. Quartil; Kerben der breiteren Box, 95 %-Konfidenzintervalle des Bevölkerungsmedians; Schwarze Linien in der Mitte der Kästchen, Gruppenmediane; Die Sternchen in der Mitte der Kästchen bedeuten Gruppe. ms−1 Meter pro Sekunde.

Die Hauptziele dieser Studie waren die Entwicklung und Validierung digitaler Gang-Biomarker, die von einem am Handgelenk getragenen Gerät abgeleitet wurden, und zwar unter Verwendung sowohl im Labor bewerteter als auch realer Daten. Wir fanden heraus, dass unsere digitalen Gang-Biomarker eine gute Test-Retest-Zuverlässigkeit zeigten, stark mit den elektronischen Gehwegmessungen der Ganggeschwindigkeit und des selbstberichteten Tempos übereinstimmten und deutlich zwischen Personen mit schlechtem und gutem selbstberichtetem Gesundheitszustand unterschieden. Die Algorithmen konnten problemlos in der großen britischen Biobank-Datenbank angewendet werden, die 7-Tage-Daten von Handgelenkssensoren sammelte, was auf den guten Nutzen dieser Maßnahmen hinweist.

Die in diesem Artikel vorgestellte Watch Walk-Methode ermöglicht die Ermittlung digitaler Gangbiomarker, die die Gehgeschwindigkeit, die Gangqualität, die Gangmuster und die statistischen Verteilungen der Gangmaße im täglichen Leben zusammenfassen. Diese digitalen Gangbiomarker, die üblicherweise durch Sensoren an ungünstigen Befestigungsstellen (z. B. Knöchel und unterer Rücken) beurteilt werden, können nachweislich gesundheitsschädliche Ereignisse genau vorhersagen21,22 und werden als Ersatzendpunkte in pharmazeutischen Studien23 verwendet. Watch Walk erweitert den Umfang und die Tiefe der Messungen, die mit am Handgelenk getragenen Beschleunigungsmessern erzielt werden. Diese messen hauptsächlich die Schrittzahl24, die Vektorgröße als Indikator für die Intensität körperlicher Aktivität11 und die im Schlaf verbrachte Zeit, körperliche Aktivität und Bewegungsmangel14. Watch Walk baut auf früheren Fortschritten auf, bei denen am Handgelenk getragene Sensoren zur Schätzung von Gehgeschwindigkeit und Trittfrequenz19,20 verwendet werden, und zwar durch verbesserte Generalisierbarkeit und neue Anwendungen bei der groß angelegten Aktivitätsüberwachung. In Anbetracht der Tatsache, dass am Handgelenk getragene Beschleunigungsmesser weit verbreitet sind und entweder in handelsübliche Smartwatches integriert sind oder Messinstrumente in großen Längsschnittstudien verwenden, bietet unsere neue Methode ein praktisches Werkzeug zur Fernüberwachung mehrerer Aspekte der Mobilität, die als sechster wichtiger Aspekt gelten sign6, auf zuverlässige, gültige und kostengünstige Weise.

Unsere Studienergebnisse bauen in mehrfacher Hinsicht auf früheren Arbeiten auf diesem Gebiet auf. Erstens zeigten unsere Ergebnisse, dass die meisten digitalen Gang-Biomarker, die als tägliche Durchschnittswerte über sieben Tage berechnet wurden, eine gute Test-Retest-Zuverlässigkeit aufweisen, obwohl die Gangparameter im täglichen Leben von Tag zu Tag schwanken25. Dies unterstützt die fortgesetzte Verwendung siebentägiger, am Handgelenk getragener Beschleunigungsmessungen, die bei älteren Erwachsenen eine hohe Compliance aufweisen9 und häufig in der Forschung zu körperlicher Aktivität26 eingesetzt werden. Zweitens lag unsere Klassifizierungsgenauigkeit für Gehaktivitäten bei über 91 %, was im Vergleich zu einem früheren Aktivitätsklassifizierungsalgorithmus, der für den UK-Biobank-Datensatz vorgeschlagen wurde, günstig ist (70 % in der CAPTURE24-Studie)14. Es ist wahrscheinlich, dass unsere höhere Genauigkeit auf die Verwendung von 4-s-Fensterrahmen zurückzuführen ist, die die kurzen Gehstrecken im täglichen Leben besser widerspiegeln27. Drittens umfasste unsere Entwicklungs- und technische Validierungsstudie im Vergleich zu früheren Studien, die die Gehgeschwindigkeit/-strecke mit am Handgelenk getragenen Beschleunigungsmessern schätzten17,18, eine wesentlich größere Stichprobe (101 Teilnehmer), eine breitere Altersspanne der Teilnehmer (19–81 Jahre) und umfassten vielfältigere Gehaktivitäten und unterschiedliche Handpositionen beim Gehen; Alles Faktoren, die für eine größere externe Generalisierbarkeit sorgen und die Tendenz zur Überfütterung verringern. Schließlich wurde die Watch Walk-Methode mit einem hardwareunabhängigen Ansatz entwickelt und das erforderliche Datenformat (siebentägige dreiachsige Handgelenksbeschleunigung mit 100 Hz) wurde weithin genutzt. Daher ist es nicht nur auf den Datensatz der britischen Biobank anwendbar, sondern auch auf andere Gesundheitsdatenbanken wie NHANES sowie auf zukünftige Studien mit im Handel erhältlichen Smartwatches.

Wir erkennen auch bestimmte Einschränkungen an. Zunächst wurde unsere Messung der sensorbasierten Gehgeschwindigkeit mit einem elektronischen Gehweg in einer Laborumgebung validiert und die Klassifizierung der Alltagsaktivitäten basierte auf simulierten Alltagsaktivitäten und nicht auf realen Alltagsaktivitäten. Zweitens war es aufgrund der kurzen Zeitrahmen und der großen Streuung der Aktivitätserfassungsfenster nicht praktikabel, Körperkameraaufzeichnungen zur Validierung unseres Aktivitätsklassifizierungsschemas im wirklichen Leben zu verwenden. Drittens wurden die digitalen Gangbiomarker bei Teilnehmern, die Gehhilfen verwenden, nicht validiert, sodass solche Spaziergänge möglicherweise übersehen wurden. Schließlich war die Genauigkeit der Gehgeschwindigkeit bei Spaziergängen, die langsamer als 0,7 ms−1 und schneller als 1,8 ms−1 waren, geringer, d. h. mehr als 2 Standardabweichungen der mittleren Ganggeschwindigkeit älterer Erwachsener28. Weitere Studien sind erforderlich, um die Schätzungen der Gehgeschwindigkeit bei diesen Extremen zu verfeinern.

Zukünftige Studien sollten die klinische Gültigkeit dieser neuen digitalen Gangbiomarker untersuchen, indem sie (1) normative Werte entwickeln, um eine Referenzbasis für die Identifizierung von Mobilitätsbeeinträchtigungen in klinischen Populationen bereitzustellen; (2) Bewertung ihrer Vorhersagefähigkeiten im Hinblick auf wichtige klinische Ergebnisse wie Stürze und sturzbedingte Verletzungen, Gebrechlichkeit, kognitive Beeinträchtigung und Mortalität; und (3) sie zur Überwachung des Fortschreitens chronischer Erkrankungen und zur Bewertung der Wirksamkeit von Interventionen zu verwenden. Die Verwendung dieser praktischen und objektiven Messungen der Mobilitätsleistung im täglichen Leben kann auch dazu beitragen, einen Mobilitätsrückgang frühzeitig zu erkennen, um frühzeitige Interventionen zur Maximierung von Gesundheit und Wohlbefinden zu ermöglichen.

Einhundertein Teilnehmer im Alter von 19–81 Jahren (Mittelwert 47 ± 18 (SD)) (67 % weiblich) wurden von 2020 bis 2021 über Freiwilligendatenbanken (HC190949) und Online-Werbung an zwei Studienorten rekrutiert: 51 in Sydney, Australien und 50 in Hongkong, China. Die mittlere Körpergröße der Teilnehmer betrug 1,67 m (± 0,1 m) und ihr Durchschnittsgewicht betrug 66 kg (± 14 kg). Die Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt und von den Human Research Ethics Committees der University of New South Wales (HC200839) und des Caritas Institute of Higher Education (HRE210124) genehmigt.

Alle Teilnehmer gaben vor der Aufnahme eine schriftliche Einverständniserklärung ab.

Die Teilnehmer trugen einen AX3-Datenlogger (Axtivity Limited, Newcastle upon Tyne, Großbritannien) an ihrem dominanten Handgelenk, der gemäß dem Datenerfassungsprotokoll der UK Biobank konfiguriert war, und wurden per Video aufgezeichnet, während sie eine Reihe von Mobilitätsaufgaben durchführten. Der AX3-Datenlogger ist ein kompaktes Gerät (23 × 33 × 8 mm) mit einem Gewicht von 11 g, das einen dreiachsigen Beschleunigungsmesser für die Protokollierung enthält. Beschleunigungsdaten wurden bei 100 Hz mit einem Bereich von ± 8 Erdbeschleunigungseinheiten (g) erfasst.

Die Teilnehmer gingen und liefen zunächst auf einem 5,7 m langen elektronischen Gehweg (GAITRite, CIR Systems Inc. Franklin NJ, USA) in drei Schritten (üblich, langsamer als gewöhnlich und schneller als gewöhnlich) und unter sieben Bedingungen (Gehen mit Armschwung, Gehen mit ausgestreckten Händen). Taschen, Gehen beim SMS-Schreiben, Gehen mit einem Mobiltelefon am Ohr, Gehen mit einer Tasche über der Schulter, Gehen mit einer Aktentasche und Joggen). Ganggeschwindigkeit (Meter pro Sekunde), Schrittzeit (Sekunden), Schrittlänge (Meter) und die Standardabweichung (SD) der Schrittzeiten wurden mit der GAITrite-Software extrahiert.

Anschließend führten die Teilnehmer eine Reihe halbstrukturierter Alltagsaktivitäten in einer festgelegten Reihenfolge in Bereichen durch, in denen sie häufig anderen Menschen begegneten. Es wurden keine spezifischen Anweisungen zur Durchführung der Aufgaben gegeben, zu denen Folgendes gehörte: Hinsetzen und Aufstehen von einem Stuhl; Hinlegen und Aufstehen von einer Matratze; einen Korridor entlanggehen; mit dem Aufzug fahren; Treppen rauf und runter gehen; im Sitzen schreiben, tippen, ein Buch lesen und Schnürsenkel binden; und Händewaschen und Spülen einer Tasse im Waschbecken im Stehen. Die Daten der tragbaren Sensoren wurden mit den Videodaten synchronisiert und von einem ausgebildeten Sportphysiologen manuell mit Anmerkungen versehen (z. B. durch Markieren der Start- und Endpunkte eines Spaziergangs mit Armschwung).

Aus den Beschleunigungsvektoren der x-, y- und z-Achsen wurde eine euklidische Norm auf Stichprobenebene ermittelt29. Statisches Rauschen wurde anschließend durch Subtrahieren der durchschnittlichen Signalamplitude über 60 s von der resultierenden euklidischen Norm29 entfernt. Zur Entfernung von Maschinengeräuschen wurde ein Butterworth-Tiefpassfilter fünfter Ordnung mit einer Grenzfrequenz von 20 Hz eingesetzt. Ein Tiefpassfilter mit einem Frequenzdurchlassbereich von 0,25 und 2,5 Hz wurde auch auf die euklidische Norm angewendet, um die Erkennung von Beschleunigungssignalspitzen zu erleichtern30. Anschließend wurden Nicht-Trage-Episoden und Zeitfenster für Schlafperioden entfernt. Episoden ohne Tragen wurden als aufeinanderfolgende stationäre Episoden definiert, die länger als 50 Minuten dauerten und eine Standardabweichung von 13 Milligravitationseinheiten oder weniger aufwiesen11. Zeitfenster für die Schlafperiode wurden mithilfe der von van Hees und Kollegen vorgeschlagenen Methode identifiziert31. Beschleunigungsvektoren wurden in nicht überlappende 4-s-Fenster aufgeteilt (Begründung für diese Fenstergröße finden Sie im Zusatzmaterial). Aus 99 Merkmalen wurde durch Rückwärtsauswahl der Merkmalsbedeutung ein Vektor mit 54-dimensionalen Merkmalen extrahiert (Ergänzungstabelle S1 und Ergänzungsabbildung S2). Dazu gehörten der Mittelwert, die Standardabweichung, das 25., 50. und 75. Perzentil der statischen Blockentfernung bzw. die grobe euklidische Norm des Beschleunigungssignals. Es umfasste auch die Korrelationskoeffizienten zwischen den lokalen x-, y- und z-Beschleunigungen und den normalisierten Autokorrelationskoeffizienten, das Verhältnis zwischen dem 1.-2. und dem 1.-3. Autokorrelationswert und die Zeitverzögerung.

Die Aktivitätsklassifizierungsalgorithmen wurden mit der Matlab Statistics and Machine Learning Toolbox Version 11.6 trainiert und validiert. Support-Vektor-Maschinen (SVMs) wurden für eine Klassifizierung von Aktivitäten in mehreren Klassen verwendet, da sie sich bei der Aktivitätserkennung als äußerst genau und robust erwiesen haben32. Zunächst wurden sechs Aktivitätskategorien trainiert: (1) Gehen mit Armschwung; (2) anderes komplexes Gehen; (3) Laufen; (4) stationär (einschließlich Fenster, die das Fahren in Fahrzeugen erfasst haben); (5) nicht näher bezeichnete Armaktivitäten im Stehen/Sitzen; und (6) nicht näher bezeichnete Armaktivitäten beim Gehen. Die zweite verfeinerte Klassifizierung unterteilte die Fenster unter „Sonstiges komplexes Gehen“ in die fünf kommentierten Unterkategorien: (a) Gehen mit Händen in den Taschen; (b) Gehen während des SMS-Schreibens; (c) Gehen mit einem Mobiltelefon ans Ohr; d) Gehen, während man eine Tasche über der Schulter trägt; und (e) Gehen mit einer Aktentasche/Einkaufstasche. Die Aktivitätsklassifizierung wurde durch zehnfache Kreuzvalidierung mit Datenpartitionierung auf individueller Ebene trainiert. Dadurch soll eine Überschätzung der Vorhersagegenauigkeit aufgrund der klasseninternen Korrelation vermieden werden. Die Aktivitätskategorien sind in der Ergänzungstabelle S2 beschrieben.

In als Gehen klassifizierten Zeiträumen wurden Schritte mit bandpassgefilterten lokalen Beschleunigungsmaxima und lokalen Minima erkannt. Lokale Maxima und lokale Minima wurden überprüft, um sicherzustellen, dass sie alternierten, mit der durch Autokorrelation geschätzten Schrittzeit übereinstimmten und jeweils höher/niedriger als die adaptiven Schwellenwerte waren29. Einzelheiten zum Schritterkennungsprozess sind in Abb. 6 zusammengefasst. Die Gesamtschrittzahl wurde als die Gesamtzahl der pro Tag erkannten Schritte definiert, und die längste Gehzeit wurde als die Dauer der größten Anzahl aufeinanderfolgender Gehfenster definiert. Es wurde der Anteil der Dauer beim Gehen mit Armschwingen an der Gesamtdauer aller Gehformen ermittelt. Die Verteilung zwischen der Anzahl der Spaziergänge und den Schritten pro Spaziergang wurde durch Anpassen eines linearen Modells an die logarithmisch transformierten Daten ermittelt. Eine steilere Steigung (β1) bedeutet, dass mehr kurze Spaziergänge und weniger längere Spaziergänge durchgeführt wurden. Die Gangmenge wurde auch durch die kumulative Exposition der Gehdauern quantifiziert (Gleichung unten)33.

Hierarchischer Rahmen der digitalen Gang-Biomarker-Extraktion (Stufe 1).

Der Prozentsatz der Spaziergänge von weniger als (1) 7 Sekunden und (2) 60 Sekunden wurde extrahiert. Die Gesamtzahl der Laufminuten pro Tag wurde durch den Aktivitätsklassifizierungsprozess ermittelt.

Die durchschnittliche Gehgeschwindigkeit in jedem 4-s-Fenster wurde durch Anpassen eines mittleren Gaußschen SVM-Regressionsmodells (10-fache Validierung) mit (1) der Größe des Teilnehmers34, (2) dem Interquartilbereich und (3) dem Median des Static-Block-Werts geschätzt. entfernte euklidische Norm des Beschleunigungssignals, (4) Mittelwert der rohen euklidischen Norm des Beschleunigungssignals, (5) mittlere Schrittzeit innerhalb des Fensters und Korrelationskoeffizienten zwischen Beschleunigungssignal in (6) x-/y-Achsen und (7) x- /z-Achsen. Der Median, das 95. Perzentil und der Interquartilbereich der Gehgeschwindigkeit in einem Zeitraum von 24 Stunden wurden extrahiert. Die mittlere Gehgeschwindigkeit stellt die übliche Gehgeschwindigkeit im täglichen Leben dar. Das 95. Perzentil der Gehgeschwindigkeit stellt die maximale Gehgeschwindigkeit im täglichen Leben ohne Ausreißer dar, was die optimale Gangleistung einer Person besser widerspiegelt als mittlere Werte35.

Die Spaziergänge wurden weiter in Episoden mit 8 Schritten gruppiert. Spaziergänge, die länger als der Grenzwert waren, wurden in kleinere Abschnitte aufgeteilt. Beispielsweise wurde ein Spaziergang mit 18 Schritten in den 1. bis 8. Schritt, den 9. bis 16. Schritt unterteilt und der 17. und 18. Schritt gekürzt. Die Trittfrequenz wurde durch Messung der für eine 8-Schritte-Episode benötigten Zeit ermittelt. Die Standardabweichung der Schrittzeiten wurde zur Quantifizierung der Schrittzeitvariabilität verwendet. Ein logarithmisches Normalmodell wurde an die Verteilung angepasst, um den Modus zu extrahieren (Gleichung unten).

Achtstufige harmonische Verhältnisse wurden als sich wiederholende Muster in der Beschleunigung der euklidischen Norm (stabilisierende Spitzen) über den unvollständigen Mustern (destabilisierende Täler) definiert, die mit einer schnellen Fourier-Transformation implementiert wurden36. Das 8-stufige harmonische Verhältnis hat eine gute Test-Retest-Zuverlässigkeit (ICC = 0,72) gezeigt und weist im Vergleich zum herkömmlichen (2-stufigen) harmonischen Verhältnis eine bessere Leistung bei der Identifizierung des Sturzrisikos auf. Schritt- und Schlagregelmäßigkeiten wurden durch Autokorrelation extrahiert. Der erste und zweite Peak der Autokorrelationswerte zeigen die Korrelation zwischen Schritten bzw. Schritten an und wurden anschließend durch Division durch den Autokorrelationswert bei einer Zeitverzögerung von Null normalisiert. Daher variieren die resultierenden Parameter nur von − 1 bis + 1.

Weitere Einzelheiten zu den Biomarkern für die Gangqualität wurden von Brodie et al.33 in ihrer Studie zur Fernüberwachung mit hängenden Geräten berichtet.

Vorverarbeitung, Algorithmusentwicklung und Parameterextraktion wurden in MATLAB, Version R2019b, abgeschlossen. Der hierarchische Rahmen des Extraktionsprozesses ist in Abb. 6 dargestellt. Die Genauigkeit der Aktivitätsklassifizierungsalgorithmen wurde mit zehnfacher Validierung untersucht, wobei die annotierte Klasse der Geh- und Laufversuche auf dem elektronischen Gehweg, die halbstrukturierte tägliche Lebensaktivitätsroutine und Fahrzeuginsassen-Episoden als Basisaktivitäten. Empfindlichkeit und Präzision jeder Klasse wurden zusammen mit Verwirrungsmatrizen dargestellt. Die Kriteriumsvalidität der Walk Watch-Biomarker für Schrittzeit und Gehgeschwindigkeit wurde anhand der entsprechenden Messungen des elektronischen Gehwegs getestet und als mittlerer absoluter prozentualer Fehler (MAPE) angegeben.

Zu den Teilnehmern der zweiten Stufe gehörten 78.822 Teilnehmer der britischen Biobank. Die Teilnehmer wurden angewiesen, im Jahr 2013 sieben Tage lang einen AX3-Datenlogger über ihrem dominanten Handgelenk zu tragen. Sie waren 46–77 Jahre alt (Median 64, IQR 57–69) (56 % weiblich). Die ethische Genehmigung für die Datenübertragung und -analyse der UKBiobank wurde vom NHS National Research Ethics Service (Ref. 11/NW/0382) eingeholt. Der Teilnehmerfluss ist in der ergänzenden Abbildung S1 dargestellt.

Akzelerometriedaten wurden ausgeschlossen, wenn sie von der britischen Biobank-Beschleunigungsmesser-Arbeitsgruppe als qualitativ minderwertig eingestuft wurden, und zwar aus folgenden Gründen: (1) Die Daten wurden mit schlecht kalibrierten Beschleunigungsmessern erfasst; (2) die Beschleunigungsdaten hatten eine ungewöhnliche Größe; und/oder (3) der Datenerfassungszeitraum beinhaltete eine Umstellung auf Sommerzeit. Darüber hinaus haben wir nur Teilnehmerdaten mit einer 24-Stunden-Tragezeit des Sensors über fünf oder mehr Tage mit mindestens einer Gehrunde und vollständiger selbstberichteter Gehgeschwindigkeit und selbstbewerteten Gesundheitsdaten verwendet.

Die Test-Retest-Zuverlässigkeit der digitalen Gangbiomarker von Watch Walk wurde mit klasseninternen Korrelationskoeffizienten (2-Wege-Zufallseffekte, absolute Übereinstimmung, Mittelwert mehrerer Messungen) an sieben aufeinanderfolgenden Tagen untersucht. Die digitalen Gangbiomarker von Watch Walk wurden anhand des Kruskal-Wallis-Tests und des Dunn-Post-hoc-Tests für nichtparametrische, kontinuierlich skalierte Daten mit dem selbstbewerteten Gesundheitszustand der Teilnehmer verglichen. ANOVA- und Tukey-Post-hoc-Test für parametrische kontinuierlich skalierte Daten; und Chi-Quadrat-Test für Kontingenztabellen für kategoriale Daten. Die maximale Gehgeschwindigkeit wurde mit dem Kruskal-Wallis-Test unter Teilnehmern verglichen, die über langsame, durchschnittliche und flotte Gehgeschwindigkeiten berichteten, wobei Post-hoc-Vergleiche mit dem Dunn-Post-hoc-Test durchgeführt wurden.

Öffentlich verfügbare Daten aus den Daten der britischen Biobank sind über die unter http://www.ukbiobank.ac.uk/using-the-resource/ beschriebenen Verfahren verfügbar. Die Daten zu digitalen Gangbiomarkern werden innerhalb von 6 Monaten nach Veröffentlichung dieses Artikels an die UK Biobank zurückgesendet.

Eine Korrektur zu diesem Artikel wurde veröffentlicht: https://doi.org/10.1038/s41598-023-28191-1

Althoff, T. et al. Umfangreiche Daten zur körperlichen Aktivität offenbaren weltweite Aktivitätsungleichheit. Natur 547, 336–339 ​​(2017).

Artikel ADS CAS Google Scholar

Rochester, L. et al. Eine Roadmap zur Information über die Entwicklung, Validierung und Genehmigung digitaler Mobilitätsergebnisse: Der Mobilise-D-Ansatz. Digitaler Biomark. 4 (Ergänzung 1), 13–27 (2020).

Artikel Google Scholar

Piau, A., Wild, K., Mattek, N. & Kaye, J. Aktueller Stand der digitalen Biomarker-Technologien für die reale, häusliche Überwachung der kognitiven Funktion bei leichter kognitiver Beeinträchtigung bis hin zur leichten Alzheimer-Krankheit und Auswirkungen auf die klinische Versorgung : Systematische Überprüfung. J. Med. Internet Res. 21, e12785 (2019).

Artikel Google Scholar

Brodie, MA et al. Die Überwachung tragbarer Anhängergeräte mit neuen Wavelet-basierten Methoden zeigt, dass das tägliche Leben und die Gangarten im Labor unterschiedlich sind. Med. Biol. Ing. Compu. 54, 663–674 (2016).

Artikel Google Scholar

Young, Y., Boyd, CM, Guralnik, JM & Fried, LP Entspricht die selbstberichtete Funktion den objektiven Maßen der Funktionsbeeinträchtigung? Marmelade. Med. Dir. Assoc. 11, 645–653 (2010).

Artikel Google Scholar

Fritz, S. & Lusardi, M. Whitepaper: „Gehgeschwindigkeit: Das sechste Lebenszeichen“. J. Geriatr. Physik. Dort. 32, 2–5 (2009).

Artikel Google Scholar

Fisher, SR, Graham, JE, Ottenbacher, KJ, Deer, R. & Ostir, GV Stationäre Gehaktivität zur Vorhersage einer Wiedereinweisung bei älteren Erwachsenen. Bogen. Physik. Med. Rehabilitation. 97, S226-231 (2016).

Artikel Google Scholar

Paluch, AE et al. Studie zu Schritten pro Tag und Gesamtmortalität bei Erwachsenen mittleren Alters in der Koronararterien-Risikoentwicklung bei jungen Erwachsenen. JAMA Netw. Offen 4, e2124516–e2124516 (2021).

Artikel Google Scholar

Keogh, A., Dorn, JF, Walsh, L., Calvo, F. & Caulfield, B. Vergleich der Benutzerfreundlichkeit und Akzeptanz tragbarer Sensoren bei älteren irischen Erwachsenen in einem realen Kontext: Beobachtungsstudie. JMIR Mhealth Uhealth 8, e15704 (2020).

Artikel Google Scholar

Huberty, J., Ehlers, DK, Kurka, J., Ainsworth, B. & Buman, M. Machbarkeit von drei tragbaren Sensoren für die 24-Stunden-Überwachung bei Frauen mittleren Alters. BMC Womens Health 15, 55 (2015).

Artikel Google Scholar

Doherty, A. et al. Umfangreiche Bevölkerungsbewertung der körperlichen Aktivität mithilfe von am Handgelenk getragenen Beschleunigungsmessern: Die britische Biobank-Studie. PLoS ONE 12, e0169649 (2017).

Artikel Google Scholar

Leroux, A. et al. Organisieren und Analysieren der Aktivitätsdaten in NHANES. Stat. Biowissenschaften. 11, 262–287 (2019).

Artikel Google Scholar

Innerd, P. et al. Ein Vergleich subjektiver und objektiver Messwerte körperlicher Aktivität aus der Newcastle 85+-Studie. Age Aging 44, 691–694 (2015).

Artikel Google Scholar

Willetts, M., Hollowell, S., Aslett, L., Holmes, C. & Doherty, A. Statistisches maschinelles Lernen von Schlaf- und körperlichen Aktivitätsphänotypen aus Sensordaten bei 96.220 britischen Biobank-Teilnehmern. Wissenschaft. Rep. 8, 7961 (2018).

Artikel ADS Google Scholar

Chu, AH et al. Vergleich des am Handgelenk getragenen Fitbit Flex und des an der Taille getragenen ActiGraph zur Schrittmessung bei frei lebenden Erwachsenen. PLoS ONE 12, e0172535 (2017).

Artikel Google Scholar

Tudor-Locke, C., Barreira, TV & Schuna, JM Jr. Vergleich der Schrittausgänge für die Befestigungsstellen des Taillen- und Handgelenksbeschleunigungsmessers. Med. Wissenschaft. Sportübung. 47, 839–842 (2015).

Artikel Google Scholar

Trong Bui, D., Nguyen, ND & Jeong, G.-M. Ein robuster Algorithmus zur Schritterkennung und Schätzung der Gehstrecke basierend auf der täglichen Erkennung der Handgelenksaktivität mithilfe eines Smartbands. Sensoren 18, 2034 (2018).

Bertschi, M., et al. Genaue Schätzung der Geh- und Laufgeschwindigkeit anhand der Trägheitsdaten des Handgelenks. Jährliche internationale Konferenz der IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Jährliche Internationale Konferenz 2015, 8083–8086 (2015).

Fasel, B. et al. Ein Handgelenksensor und Algorithmus zur Bestimmung der momentanen Gehfrequenz und -geschwindigkeit beim täglichen Gehen. Med. Biol. Ing. Compu. 55, 1773–1785 (2017).

Artikel Google Scholar

Soltani, A., Dejnabadi, H., Savary, M. & Aminian, K. Schätzung der Ganggeschwindigkeit in der Praxis mithilfe eines Handgelenksensors: Ein personalisierter Ansatz. IEEE J. Biomed. Gesundheitsinformationen. 24, 658–668 (2020).

Artikel Google Scholar

Chan, LLY, van Schooten, KS, Lord, SR, Delbaere, K. & Brodie, M. Kurze Spaziergänge im Alltag und ein schlechter Gesundheitszustand prognostizieren den Beginn einer Depression bei in Wohngemeinschaften lebenden älteren Menschen: Ein 2-Jahres-Plan Längsschnitt-Kohortenstudie. Marmelade. Med. Direkte. Assoc. (2022).

van Schooten, KS et al. Ambulante Sturzrisikobewertung: Ausmaß und Qualität des Alltagsgangs prognostizieren Stürze bei älteren Erwachsenen. J. Gerontol. Ser. A 70, 608–615 (2015).

Artikel Google Scholar

Henderson, EJ et al. Rivastigmin zur Gangstabilität bei Patienten mit Parkinson-Krankheit (ReSPonD): Eine randomisierte, doppelblinde, placebokontrollierte Phase-2-Studie. Lancet Neurol. 15, 249–258 (2016).

Artikel CAS Google Scholar

Saint-Maurice, PF et al. Zusammenhang zwischen der täglichen Schrittzahl und Schrittintensität und der Sterblichkeit bei Erwachsenen in den USA. JAMA 323, 1151–1160 (2020).

Artikel Google Scholar

Lord, S., Howe, T., Greenland, J., Simpson, L. & Rochester, L. Gangvariabilität bei älteren Erwachsenen: Eine strukturierte Überprüfung des Testprotokolls und der klinimetrischen Eigenschaften. Ganghaltung 34, 443–450 (2011).

Artikel Google Scholar

Arvidsson, D., Fridolfsson, J. & Börjesson, M. Messung körperlicher Aktivität in der klinischen Praxis mithilfe von Beschleunigungsmessern. J. Intern. Med. 286, 137–153 (2019).

CAS Google Scholar

Mannini, A., Intille, SS, Rosenberger, M., Sabatini, AM & Haskell, W. Aktivitätserkennung mithilfe eines einzelnen Beschleunigungsmessers, der am Handgelenk oder Knöchel angebracht ist. Med. Wissenschaft. Sportübung. 45, 2193–2203 (2013).

Artikel Google Scholar

Kasović, M., Štefan, L. & Štefan, A. Normative Daten für Ganggeschwindigkeit und Höhennormgeschwindigkeit bei ≥ 60-jährigen Männern und Frauen. Klin. Interv. Alter 16, 225–230 (2021).

Artikel Google Scholar

Cho, Y., Cho, H. & Kyung, C. Entwurf und Implementierung eines praktischen Schritterkennungsalgorithmus für am Handgelenk getragene Geräte. IEEE Sens. J. 16, 7720–7730 (2016).

Google Scholar

Trong Bui, D., Nguyen, ND & Jeong, G.-M. Ein robuster Algorithmus zur Schritterkennung und Schätzung der Gehstrecke basierend auf der täglichen Erkennung der Handgelenksaktivität mithilfe eines Smartbands. Sensoren (Basel) 18, 2034 (2018).

van Hees, VT et al. Schätzung der Schlafparameter mithilfe eines Beschleunigungsmessers ohne Schlaftagebuch. Wissenschaft. Rep. 8, 12975 (2018).

Artikel ADS Google Scholar

Nguyen, ND, Truong, PH & Jeong, GM Tägliche Klassifizierung der Handgelenksaktivität mit einem Smartband. Physiol. Mess. 38, L10-l16 (2017).

Artikel Google Scholar

Brodie, MA, Lord, SR, Coppens, MJ, Annegarn, J. & Delbaere, K. Eine achtwöchige Fernüberwachung mit einem frei getragenen Gerät zeigt instabile Gangmuster bei älteren Stürzen. IEEE Trans. Biomed. Ing. 62, 2588–2594 (2015).

Google Scholar

Tian, ​​Q., Salcic, Z., Wang, KI & Pan, Y. Ein Multi-Mode-Koppelnavigationssystem für die Fußgängerverfolgung mithilfe von Smartphones. IEEE Sens. J. 16, 2079–2093 (2016).

Artikel ADS Google Scholar

Rispens, SM et al. Bieten Extremwerte alltäglicher Gangmerkmale mehr Informationen über das Sturzrisiko als Mittelwerte? JMIR Res. Protokolle 4, e4 (2015).

Artikel Google Scholar

Brodie, MA, Menz, HB, Smith, ST, Delbaere, K. & Lord, SR Für ein geringes Sturzrisiko bei älteren Menschen ist eine gute laterale harmonische Stabilität in Kombination mit einer angemessenen Ganggeschwindigkeit erforderlich. Gerontologie 61, 69–78 (2015).

Artikel Google Scholar

Referenzen herunterladen

Diese Studie wurde unter Verwendung der UK Biobank Resource unter der Antragsnummer 56109 durchgeführt. Diese Forschung umfasst Berechnungen mit dem Computercluster Katana, der von Research Technology Services an der UNSW Sydney unterstützt wird. Diese Arbeit wurde durch ein Stipendium des Australian Government Research Training Program (RTP) unterstützt.

Falls, Balance and Injury Research Centre, Neuroscience Research Australia, 139 Baker Street, Randwick, NSW, 2031, Australien

Lloyd LY Chan, Stephen R. Lord und Matthew A. Brodie

School of Population Health, University of New South Wales, Kensington, NSW, Australien

Lloyd LY Chan & Stephen R. Lord

School of Health Sciences, Caritas Institute of Higher Education, 2 Chui Ling Lane, New Territories, Tseung Kwan O, Hongkong, China

Tiffany CM Choi

Graduate School of Biomedical Engineering, University of New South Wales, Samuels Building (F25), Kensington Campus, Kensington, Sydney, NSW, 2052, Australien

Matthew A. Brodie

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

LC konzipierte und gestaltete die Studie, sammelte die Daten, führte die Analyse durch und verfasste die Arbeit. TC sammelte die Daten, steuerte Analysetools bei und trug zum Schreiben bei. SL konzipierte und gestaltete die Studie, steuerte Analysetools bei und verfasste die Arbeit. MB konzipierte und gestaltete die Studie, steuerte Analysetools bei, führte die Analyse durch und verfasste die Arbeit.

Korrespondenz mit Stephen R. Lord.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Die ursprüngliche Online-Version dieses Artikels wurde überarbeitet: Die ursprüngliche Version dieses Artikels enthielt Fehler in Tabelle 3, wo die Werte für „Modus der Schrittzeitvariabilität“ und „8-Schritt-HF (Armschwung)“ unter „Gangqualität“ aufgeführt waren "waren falsch. Ausführliche Informationen zu den vorgenommenen Korrekturen finden Sie in der Korrektur zu diesem Artikel.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Chan, LLY, Choi, TCM, Lord, SR et al. Entwicklung und groß angelegte Validierung der am Handgelenk getragenen digitalen Gangbiomarker Watch Walk. Sci Rep 12, 16211 (2022). https://doi.org/10.1038/s41598-022-20327-z

Zitat herunterladen

Eingegangen: 28. Mai 2022

Angenommen: 12. September 2022

Veröffentlicht: 10. Oktober 2022

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.