利用加速度计数据对体力活动进行分类的方法：一项范围综述

《npj Digital Medicine》：Methods for classifying physical activities using accelerometer data: a scoping review

　　

摘要

从加速度计数据中准确分类体力活动对健康研究和大规模人群研究至关重要，然而各种计算方法在实施、验证和可重复性方面存在差异。本文献综述识别并分类了用于从加速度计数据中分类体力活动的方法，重点关注这些方法在实施、简单性、验证以及适用于如“All of Us”研究计划这样的大型数据集方面的可行性。我们在PubMed、Web of Science和SPORTDiscus（2015–2025年）中搜索了利用加速度计数据来分类活动或活动水平并报告验证策略的研究。在筛选的1851篇记录中，有158篇符合纳入标准。机器学习方法最为常见（n=73），其次是深度学习（n=38）、混合模型（n=27）、基于规则的方法（n=5）以及无监督或其他新型方法（n=3）。步行（n=97）、坐着（n=79）和站立（n=68）是最常被研究的活动类型。大多数研究采用了基于实验室的协议，并使用了k折交叉验证或留一法进行验证。仅有16项研究提供了公开代码，而且只有两项研究关注了活动时间的季节性变化，这限制了研究结果的普遍适用性。分类方法和报告实践存在显著差异。开源工具和实际数据验证方面的资源仍然有限。对于像“All of Us”和英国生物银行（UK Biobank）这样的大型数据集来说，需要更加简单、经过验证且具有可重复性的分类方法。