Последствия малоподвижного поведения для здоровья и выявление неопределенных моделей поведения у взрослых

В последнее время неуверенное малоподвижное состояние человека превратилось в новую проблему для его здоровья. Бездействие в течение длительного времени является значительным фактором риска для всех взрослых возрастных групп людей, особенно чрезмерное использование транспортных средств для передвижения. Сенсоры упрощают отслеживание привычек сидения в течение всего активного периода. Тем не менее, эксперты расходятся во мнениях относительно наиболее подходящих объективных показателей для сбора совокупной информации о малоподвижном образе жизни человека в течение дня. Из-за расхождений в методах измерения и обработки данных, а также при отсутствии основных показателей результатов, таких как кумулятивный период малоподвижного образа жизни, оценка моделей малоподвижного образа жизни часто нереалистична. В работе предложен новый подход адаптивных вычислений (с мимолетной детализацией) для распознавания конкретных примеров повседневной деятельности человека. Многомерная переходная информация получена из сложных единиц (основных ячеек). Предлагаемые масштабируемые алгоритмы могут идентифицировать постоянные модели поведения с оценкой временных рамок, используя собранные широко распространенные многомерные данные (мимолетная степень детализации). Подтверждена применимость разработанного подхода с помощью дифференцирования вычислений доказательства на двух подтвержденных наборах данных. Приведена оценка отношений, точности и применимости малоподвижных факторов.

1. Biswas A., Oh P.I., Faulkner G.E., Bajaj R.R., Silver M.A., Mitchell M.S., Alter D.A. Sedentary time and its association with risk for disease incidence, mortality, and hospitalization in adults // Annals of Internal Medicine. 2015. V. 162. N 2. P. 123–132. https://doi.org/10.7326/m14-1651

2. O’Donoghue G., Perchoux C., Mensah K., Lakerveld J., van der Ploeg H., Bernaards C., Chastin S.F.M., Simon C., O’Gorman D., Nazare J.-A. A systematic review of correlates of sedentary behaviour in adults aged 18–65 years: a socio-ecological approach // BMC Public Health. 2016. V. 16. N 1. P. 163. https://doi.org/10.1186/s12889-016-2841-3

3. Young D.R., Hivert M.-F., Alhassan S., Camhi S.M., Ferguson J.F., Katzmarzyk P.T., Lewis C.E., Owen N., Perry C.K., Siddique J., Yong C.M. Sedentary behavior and cardiovascular morbidity and mortality: A science advisory from the American Heart Association // Circulation. 2016. V. 134. N 13. P. e262–e279. https://doi.org/10.1161/cir.0000000000000440

4. Kumar V.V., Raghunath K.M.K., Muthukumaran V., Joseph R.B., Beschi I.S., Uday A.K. Aspect based sentiment analysis and smart classification in uncertain feedback pool // International Journal of System Assurance Engineering and Management. 2022. V. 13. N S1. P. 252–262. https://doi.org/10.1007/s13198-021-01379-2

5. Thorp A.A., Healy G.N., Owen N., Salmon J., Ball K., Shaw J.E., Zimmet P.Z., Dunstan D.W. Deleterious associations of sitting time and television viewing time with cardiometabolic risk biomarkers: Australian diabetes, obesity and lifestyle (AusDiab) study 2004-2005 // Diabetes Care. 2010. V. 33. N 2. P. 327–334. https://doi.org/10.2337/dc09-0493

6. Warren T.Y., Barry V., Hooker S.P., Sui X., Church T.S., Blair S.N. Sedentary behaviors increase risk of cardiovascular disease mortality in men // Medicine & Science in Sports & Exercise. 2010. V. 42. N 5. P. 879–885. https://doi.org/10.1249/mss.0b013e3181c3aa7e

7. Owen N., Sugiyama T., Eakin E.E., Gardiner P.A., Tremblay M.S., Sallis J.F. Adults’ sedentary behavior // American Journal of Preventive Medicine. 2011. V. 41. N 2. P. 189–196. https://doi.org/10.1016/j.amepre.2011.05.013

8. Deliens T., Deforche B., De Bourdeaudhuij I., Clarys P. Determinants of physical activity and sedentary behaviour in university students: a qualitative study using focus group discussions // BMC Public Health. 2015. V. 15. N 1. P. 201. https://doi.org/10.1186/s12889-015-1553-4

9. Migueles J.H., Aadland E., Andersen L.B., Brønd J.C., Chastin S.F., Hansen B.H., Konstabel K., Kvalheim O.M., McGregor D.E., Rowlands A.V., Sabia S., van Hees V.T., Walmsley R., Ortega F.B. GRANADA consensus on analytical approaches to assess associations with accelerometer-determined physical behaviours (physical activity, sedentary behaviour and sleep) in epidemiological studies // British Journal of Sports Medicine. 2022. V. 56. N 7. P. 376–384. https://doi.org/10.1136/bjsports-2020-103604

10. Crouter S.E., Flynn J.I., Bassett D.R. Estimating physical activity in youth using a wrist accelerometer // Medicine & Science in Sports & Exercise. 2015. V. 47. N 5. P. 944–951. https://doi.org/10.1249/mss.0000000000000502

11. Rawassizadeh R., Momeni E., Dobbins C., Gharibshah J., Pazzani M. Scalable daily human behavioral pattern mining from multivariate temporal data // IEEE Transactions on Knowledge and Data Engineering. 2016. V. 28. N 11. P. 3098–3112. https://doi.org/10.1109/tkde.2016.2592527

12. Nath S. ACE: Exploiting correlation for energy-efficient and continuous context sensing // IEEE Transactions on Mobile Computing. 2013. V. 12. N 8. P. 1472–1486. https://doi.org/10.1109/tmc.2013.12

13. Wang X., Zhang Y. Multi-step-ahead time series prediction method with stacking LSTM neural network // Proc. of the 2020 3rd International Conference on Artificial Intelligence and Big Data (ICAIBD). 2020. P. 51–55. https://doi.org/10.1109/icaibd49809.2020.9137492

14. Banaee H., Ahmed M., Loutfi A. Data mining for wearable sensors in health monitoring systems: A review of recent trends and challenges // Sensors. 2013. V. 13. N 12. P. 17472–17500. https://doi.org/10.3390/s131217472

15. He Q., Agu E.O. A rhythm analysis-based model to predict sedentary behaviors // Proc. of the 2017 IEEE/ACM International Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE). 2017. P. 383–391. https://doi.org/10.1109/chase.2017.122

16. Rehman M., Liew C., Wah T., Shuja J., Daghighi B. Mining personal data using smartphones and wearable devices: A survey // Sensors. 2015. V. 15. N 2. P. 4430–4469. https://doi.org/10.3390/s150204430

17. Gyllensten I.C., Bonomi A. Identifying types of physical activity with a single accelerometer: Evaluating laboratory-trained algorithms in daily life // IEEE Transactions on Biomedical Engineering. 2011. V. 58. N 9. P. 2656–2663 https://doi.org/10.1109/TBME.2011.2160723

18. Chen Z., Wu M., Wu J., Ding J., Zeng Z., Surmacz K., Li X. A deep learning approach for sleep-wake detection from HRV and accelerometer data // Proc. of the 2019 IEEE EMBS International Conference on Biomedical & Health Informatics (BHI). 2019. https://doi.org/10.1109/bhi.2019.8834502

19. Li X., Zhang Y., Jiang F., Zhao H. A novel machine learning unsupervised algorithm for sleep/wake identification using actigraphy // Chronobiology International. 2020. V. 17. N 7. P. 1002–1015. https://doi.org/10.1080/07420528.2020.1754848

20. Dingli A., Fournier K.S. Financial time series forecasting — a deep learning approach // International Journal of Machine Learning and Computing. 2017. V. 7. N 5. P. 118–122. https://doi.org/10.18178/ijmlc.2017.7.5.632