Device-based measurement of lifestyle-related variables from the hip

Abstract

Physical activity epidemiology is the study of patterns, risks, and effects of physical activity within populations. It plays a crucial role in understanding how physical activity influences health outcomes, such as reducing the risk of chronic diseases like cardiovascular disease, diabetes, and obesity. An important prerequisite is the accurate measurement of physical activity, which can be assessed in various ways. A popular method due to its cheap and unobtrusive application is accelerometry. In accelerometry, small sensors are attached to the body to measure raw acceleration from which various lifestyle-related variables such as physical activity, sedentary time and sleep are estimated. However, raw acceleration patterns are highly sensitive to where the sensor is placed on the body. In this thesis, we focus on acceleration data collected from the hip. Hip placement has previously only been used during daytime with the accelerometer being removed over night. While methods for detecting sleep from other device placements have been developed, such methods are missing for hip accelerometry.

Here, we introduce the first algorithm to estimate time in bed specifically from raw hip acceleration to extend the methodology to 24 h recording. The algorithm achieves an accuracy of 94 % on the training data and 92 % on unseen data from the same population. Together with other recently developed and hip-specific algorithms we provide this algorithm in a comprehensive and publicly available software package. Our subsequent research focuses on identifying and investigating potential limitations of hip-based accelerometry in general, but also with emphasis on the 24 h methodology. We show that posthoc autocalibration leads to up to 14 % less observed moderate-to-vigorous physical activity. Autocalibration utilizes quasi-static data, e.g., from during night time, to estimate and correct the device’s calibration. Finally, we explore the impact of algorithm selection on the estimation of sedentary time. To estimate sedentary time in 24 h recordings, non-wear time and sleep have to be identified and removed. We show that estimated sedentary time varies between 3 h and 13.5 h on the same dataset between different algorithm combinations, thus severely affecting the interpretation of sedentary behavior especially between studies.

Collectively, these contributions enhance and extend the hip-based accelerometry methodology for 24 h recordings. The proposed time in bed algorithm enables the analysis of sedentary time and time in bed itself on a population level. This is of particular interest for studies currently using a 24 h hip-based protocol like the Tromsø Study or the German National Cohort Study. Additionally, this work facilitates retrospective analysis in studies which have initially collected data from hip, but are now using, for example, wrist accelerometry. However, it remains a challenge to overcome the huge variations observed in estimates resulting from different methods and method combinations.

Fysisk aktivitet spiller en avgjørende rolle for helse. For eksempel reduserer fysisk aktivitet risikoen for kroniske sykdommer som hjerte- og karsykdommer, diabetes eller fedme. For forskningen er den nøyaktige målingen av fysisk aktivitet en viktig forutsetning. En populær metode å måle fysisk aktivitet er akselerometri på grunn av sin billige og enkelte applikasjon. I akselerometri er små sensorer festet til kroppen for å måle akselerasjon som ulike livsstilsrelaterte variabler som fysisk aktivitet, inaktivitet eller søvn kan estimeres fra. Fordi akselerasjonsmønstre er svært følsomme for hvor sensoren er plassert på kroppen, trengs det ofte ulike metoder for forskjellige plasseringer. I denne avhandlingen fokuserer vi oss på akselerasjonsdata samlet inn fra hoften. Hofteplassering har tidligere kun vært brukt på dagtid med akselerometeret fjernet over natten. Mens det er utviklet metoder for å oppdage søvn fra andre plasseringer, mangler slike metoder for hofteakselerometri.

Her introduserer vi den første algoritmen for å estimere tiden i sengen fra rå hofteakselerasjon for å utvide metodikken til 24 h måling. Algoritmen oppnår en nøyaktighet på 94 % på treningsdataene og 92 % på usett data fra samme populasjon. Sammen med andre nylig utviklede og hoftespesifikke algoritmer leverer vi denne algoritmen i en omfattende og offentlig tilgjengelig programvarepakke. Vår påfølgende forskning fokuserer på å identifisere og undersøke potensielle begrensninger ved hoftebasert akselerometri generelt, men også med fokus på 24 h metodikken. Vi viser at posthoc autokalibrering fører til opptil 14 % mindre observert moderat til kraftig fysisk aktivitet. Autokalibrering bruker kvasi-statiske data, for eksempel fra natten, for å estimere og korrigere kalibreringen. Til slutt utforsker vi hvordan algoritmevalg påvirker estimeringen av fysisk inaktivitet. For å beregne inaktiv tid i 24 h opptak, må tiden hvor akselerometer var avtatt og søvn identifiseres. Vi viser at estimert fysisk inaktivitet varierer mellom 3 h og 13.5 h mellom ulike algoritmekombinasjoner på samme datasett, og dermed alvorlig påvirke interpretasjonen av fysisk inaktivitet spesielt mellom studier.

Oppsummert forbedrer og utvider disse bidragene den hoftebaserte akselerometrimetodikken for 24 h applikasjon. Den foreslåtte tid i seng algoritmen gjør det mulig å analysere fysisk inaktivitet og tid i sengen selv på populasjonsnivå. Dette er spesielt interessant for studier som allerede bruker en 24 h hoftebasert protokoll som Tromsøundersøkelsen eller tyske nasjonale kohortstudien. I tillegg letter dette arbeidet retrospektiv analyse i studier som i utgangspunktet har samlet inn data fra hoften, men som nå bruker for eksempel håndleddsakselerometri. Det forblir likevel en utfordring å forene de enorme forskjellene som finnes mellom de ulike metodene og metodekombinasjonene.

Physische Aktivität spielt eine entscheidende Rolle für die menschliche Gesundheit. Beispielsweise senkt sie nachweislich das Risiko verschiedener chronischer Krankheiten wie Herz-Kreislauf-Erkrankungen, Diabetes oder Fettleibigkeit. Eine wichtige Voraussetzung für die Erforschung dieser Effekte ist die korrekte Messung körperlicher Aktivität. Eine, auf Grund ihrer kostengünstigen und unaufdringlichen Anwendung, beliebte Methode ist die Akzelerometrie. Bei der Akzelerometrie werden kleine Sensoren, sogenannte Akzelerometer, am Körper angebracht, um die jeweilige Beschleunigung zu messen. Aus diesen Beschleunigungsdaten lassen sich dann verschiedene lebensstilbezogene Variablen wie körperliche Aktivität, Inaktivität, oder Schlaf schätzen. Die jeweiligen Beschleunigungsmuster reagieren jedoch sehr empfindlich darauf, wo am Körper der Sensor platziert ist. Dementsprechend werden für verschiedene Sensorplatzierungen häufig eigene Methoden benötigt. In dieser Arbeit konzentrieren wir uns auf Beschleunigungsdaten, welche an der Hüfte gemessen werden. Die Platzierung an der Hüfte wurde bisher vor allem tagsüber angewandt und der Akzelerometer über Nacht entfernt. Während Methoden zur Schlaferkennung für andere Sensorplatzierungen entwickelt wurden, fehlen solche Methoden für die Hüftakzelerometrie.

In dieser Arbeit stellen wir daher den ersten Algorithmus vor, der die Zeit im Bett speziell anhand der Beschleunigung der Hüfte misst. Dadurch wird die vorhandene Methodik auf 24 h Aufzeichnungen erweitert. Der Algorithmus erreicht eine Genauigkeit von 94 % auf unseren Trainingsdaten und 92 % auf bei zuvor nicht gesehenen Daten aus derselben Population. Zusammen mit anderen kürzlich entwickelten und hüftspezifischen Algorithmen stellen wir diesen Algorithmus in einem umfassenden und frei verfügbaren Softwarepaket zur Verfügung. Unsere anschließende Forschung konzentriert sich auf die Identifizierung und Untersuchung potenzieller Einschränkungen der hüftbasierten Beschleunigungsmessung im Allgemeinen und der 24 h Methodik im Speziellen. Wir zeigen, dass eine nachträgliche Autokalibrierung der Sensordaten zu bis zu 14 % weniger mäßigen bis intensiven körperlichen Aktivität führt. Diese Autokalibrierung nutzt dabei quasi-statische Daten, z. B. aus der Nacht, um die Fehler in der Kalibrierung des Sensors zu schätzen und zu korrigieren. Abschließend untersuchen wir die Auswirkungen der Algorithmenauswahl auf die Schätzung der inaktiven Zeit. Um die inaktive Zeit in 24 h Aufzeichnungen zu schätzen, müssen zunächst die Zeiten in welchen der Akzelerometer nicht getragen wurde sowie Schlaf identifiziert werden. Wir zeigen, dass die geschätzte inaktive Zeit im selben Datensatz je nach gewählten Algorithmen zwischen 3 h und 13.5 h variiert, was die Interpretation der physischen Inaktivität insbesondere zwischen Studien stark erschwert.

Zusammengefasst verbessern und erweitern diese Beiträge die hüftbasierte Akzelerometrie für 24 h Aufzeichnungen. Der vorgeschlagene Algorithmus für die Zeit im Bett ermöglicht die Analyse der physischen Inaktivität und der Zeit im Bett auf Bevölkerungsebene. Dies ist besonders für Studien wie die Tromsø Studie oder die deutsche NAKO Studie von Interesse, welche bereits ein hüftbasiertes 24 h Protokoll verwenden. Darüber hinaus ermöglicht diese Arbeit auch die retrospektive Analyse in Studien, die zunächst Daten von der Hüfte gesammelt haben, jetzt aber beispielsweise den Akzelerometer am Handgelenk platzieren. Es bleibt allerdings eine Herausforderung, die enormen Unterschiede welche zwischen den verschiedenen Methoden und Methodenkombinationen existieren, miteinander in Einklang zu bringen.