Un nouveau modèle informatique améliore le suivi de l'activité physique grâce à des capteurs de poignet

En bref: Des chercheurs ont conçu et testé un nouveau modèle informatique appelé ActiNet pour classifier l'intensité de l'activité physique à l'aide de données de capteurs portés au poignet. Le nouveau modèle s'est avéré plus performant qu'une méthode de référence standard dans différents groupes d'âge et de sexe.

Les capteurs d'activité physique à nos poignets recueillent des quantités massives de données de mouvement, mais transformer ces chiffres en informations de santé claires constitue un défi majeur pour les scientifiques.

Ce qui s'est passé, en mots simples

Des chercheurs dirigés notamment par A. Acquah, S. Chan et A. Doherty ont analysé les données de 151 participants au projet CAPTURE-24, âgés de 18 à 91 ans, avec une moyenne d'âge de 42 ans et 66 pour cent de femmes. Ils ont entraîné un modèle appelé ActiNet, qui utilise un réseau d'apprentissage profond autosupervisé associé à un lissage par modèle caché de Markov. Ils ont comparé ActiNet à une méthode de référence par forêt aléatoire et ont constaté qu'ActiNet obtenait de meilleurs scores de performance pour identifier l'intensité de l'activité.

Points clés

Participants à l'étude et données: La recherche a exploité jusqu'à 24 heures de données d'accéléromètre de poignet recueillies auprès de 151 participants du groupe CAPTURE-24.
Le modèle ActiNet: ActiNet se compose de HARNet, un modèle ResNet-V2 modifié à 18 couches qui utilise l'apprentissage autosupervisé, suivi d'un lissage par modèle caché de Markov.
Comparaison des performances: ActiNet a atteint un score F1 macro moyen de 0,82 et un score de kappa de Cohen moyen de 0,86, surpassant les scores du modèle de référence par forêt aléatoire qui étaient de 0,76 et 0,80.
Résultats constants: Les améliorations des performances du nouveau modèle sont restées constantes selon les différents sous-groupes définis par l'âge et le sexe.

Termes expliqués

accéléromètre — Capteur qui mesure le mouvement, l'accélération et le déplacement physique. Exemple: Le dispositif de suivi des pas porté au poignet qui comptabilise les mouvements quotidiens.
apprentissage autosupervisé — Type d'apprentissage automatique dans lequel un modèle informatique s'apprend à lui-même à comprendre des motifs à partir de données non étiquetées avant d'exécuter des tâches spécifiques. Exemple: Un étudiant qui observe des centaines de pièces de puzzle en désordre sur une table pour comprendre comment elles s'assemblent avant d'essayer de résoudre l'image complète.
modèle caché de Markov — Outil mathématique utilisé pour prédire une séquence d'événements en fonction de conditions changeantes. Exemple: Deviner s'il pleut dehors au cours de la journée en observant simplement si les gens portent un parapluie pour entrer dans un bâtiment.

Pourquoi c'est important

Des outils précis aident les chercheurs à étudier les liens entre l'activité physique et les résultats de santé dans le cadre d'études épidémiologiques à grande échelle, qui analysent les profils de santé des populations humaines.

Ce que l'on ne sait pas encore

La mesure dans laquelle ces modèles apportent des améliorations tangibles aux performances de classification et leur effet sur les compositions prédites de l'intensité de l'activité quotidienne étaient auparavant inconnus. L'étude s'appuie sur la population de CAPTURE-24, et les auteurs soulignent que ces résultats encouragent l'utilisation future du modèle sans pour autant constituer une solution définitive pour l'ensemble des populations ou des contextes médicaux.

Source : Scientific Reports. L'original est sous licence CC BY. Ce texte est une adaptation réalisée avec l'aide d'une IA (résumée, simplifiée et traduite) et peut différer de l'original.