University of Oulu

Sedentary time, physical activity and cardiometabolic health : accelerometry-based study in the Northern Finland Birth Cohort 1966

Saved in:
Author: Farrahi, Vahid1,2,3,4,5
Organizations: 1University of Oulu Graduate School
2University of Oulu, Faculty of Medicine, Medicine, Research Unit of Medical Imaging, Physics and Technology (MIPT)
3University of Oulu, Faculty of Medicine, Medicine, Medical Research Center Oulu
4Oulu University Hospital
5Oulu Deaconess Institute Foundation sr.
Format: ebook
Version: published version
Persistent link: http://urn.fi/urn:isbn:9789526229461
Language: English
Published: Oulu : University of Oulu, 2021
Publish Date: 2021-06-07
Thesis type: Doctoral Dissertation
Defence Note: Academic dissertation to be presented with the assent of the Doctoral Training Committee of Health and Biosciences of the University of Oulu for public defence in the Leena Palotie auditorium (101A) of the Faculty of Medicine (Aapistie 5 A), on 14 June 2021, at 12 noon
Tutor: Professor Timo Jämsä
Professor Raija Korpelainen
Doctor Maarit Kangas
Reviewer: Docent Timo Rantalainen
Assistant Professor Alexander Montoye
Opponent: Associate Professor Francisco B. Ortega
Description:

Abstract

The popularity of accelerometer-based activity monitors has been associated with several analytical challenges, including how to quantify accelerometer outputs in terms of sedentary behavior, light-intensity physical activity (LPA), and moderate-to-vigorous physical activity (MVPA). Recently, machine learning (ML) approaches have been coupled with raw accelerometry to classify activities by intensity, but the generalizability of ML models outside of the development datasets remains poorly understood. Currently, the health benefits of meeting the recommended amounts of sleep and MVPA in adults are well documented, but the cardiometabolic health implications of sedentary time and LPA are still unclear.

The present study reviewed studies calibrating and validating wearable accelerometers using ML approaches and preformed cross-dataset tests to evaluate the generalization performance of ML models for classifying activity intensities from raw acceleration data. Additionally, the latest follow-up in the Northern Finland Birth Cohort 1966 study (n = 5,840) at age 46 years included measurement of daily activities for two weeks with two accelerometers. This data was used to examine how the levels and patterns of accelerometer-estimated activity intensities (sedentary behavior, LPA, and MVPA) are associated with cardiometabolic health in this large sample of middle-aged adults, and to create a data-driven hierarchy predicting their activity behaviors.

Based on the study, ML techniques can classify activities in terms of type, category, or intensity with acceptable accuracy irrespective of accelerometer placement. However, ML models developed with raw acceleration data for classifying activity intensities (sedentary behavior, LPA, and MVPA) are not generalizable to other populations monitored with different accelerometers, suggesting that further strategies are needed to enhance their generalizability. The study suggests that adults, in addition to MVPA, may also gain cardiometabolic health benefits through LPA, particularly when it replaces sedentary time. Finally, the data-driven hierarchy of correlates created consisted of factors of relative importance, and can potentially be used to target and tailor interventions.

see all

Tiivistelmä

Nykyään hyvin suosittujen kiihtyvyysanturiin perustuvien aktiivisuusmittareiden keräämän datan analysointiin liittyy monia haasteita, kuten paikallaanolon, kevyen liikunnan sekä keskiraskaan ja raskaan liikunnan tarkan määrän määrittäminen. Viime aikoina on otettu käyttöön koneoppimismenetelmiä kiihtyvyysanturin tuottaman raakasignaalin analysoinnissa luokittelemaan liikettä sen intensiteetin perusteella, mutta toistaiseksi näiden menetelmien yleistettävyys on huonosti tiedossa. Nykyisin tiedetään aika hyvin ne terveyshyödyt, joita saadaan, jos noudatetaan unen sekä keskiraskaan ja raskaan liikunnan suosituksia. Paikallaanolon ja kevyen liikunnan vaikutukset sydän- ja verisuoniterveyteen ovat kuitenkin heikommin tiedossa.

Tässä tutkimuksessa tehtiin systemaattinen kirjallisuuskatsaus koneoppimismenetelmien käytöstä kannettavien kiihtyvyysanturien kalibroinnissa ja validoinnissa. Työssä testattiin koneoppimismenetelmien yleistettävyyttä fyysisen aktiivisuuden intensiteetin luokitteluun kiihtyvyysanturin antaman raakadatan perusteella yhdistäen useita toisistaan riippumattomia mittausaineistoja. Pohjois-Suomen vuoden 1966 syntymäkohortin 46-vuotisaineistonkeruussa (n = 5,840) oli mitattu liikunta-aktiivisuutta kahdella kiihtyvyysanturilla. Tämän mittaustiedon avulla tutkittiin sitä, kuinka kiihtyvyysanturilla mitattu fyysisen aktiivisuuden intensiteetti (paikallaanolo, kevyt liikunta sekä keskiraskas ja raskas liikunta) ja eri intensiteetillä toteutetun aktiivisuuden jakautuminen vuorokauden sisällä ovat yhteydessä keski-ikäisten sydänterveyteen. Lisäksi luotiin aineiston perusteella hierarkinen malli ennustamaan liikuntakäyttäytymistä.

Tutkimuksen perusteella koneoppimistekniikoiden avulla voidaan riittävällä tarkkuudella luokitella fyysistä aktiivisuutta liikuntamuodon, intensiteetin ja eri intensiteettien jakautumisen perusteella riippumatta kiihtyvyysanturin sijainnista. Kiihtyvyysanturin tuottamaan raakadataan perustuvat fyysisen aktiivisuuden intensiteetin luokitteluun kehitetyt koneoppimismallit eivät ole kuitenkaan yleistettävissä muihin väestöryhmiin, joissa on käytetty erilaisia kiihtyvyysantureita, vaan tarvitaan lisätutkimusta parantamaan mallien yleistettävyyttä. Tutkimuksen perusteella keskiraskaan ja raskaan liikunnan lisäksi kevytkin liikunta-aktiivisuus, erityisesti jos se korvaa paikallaan oloa, on yhteydessä aikuisten parempaan sydänterveyteen. Aineiston perusteella luotu hierarkinen malli antoi tietoa useista sydänterveyttä edistävistä tekijöistä ja sitä voidaan käyttää liikuntainterventioiden räätälöinnissä.

see all

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon / Original papers are not included in the electronic version of the dissertation.

  1. Farrahi, V., Niemelä, M., Kangas, M., Korpelainen, R., & Jämsä, T. (2019). Calibration and validation of accelerometer-based activity monitors: A systematic review of machine-learning approaches. Gait & Posture, 68, 285–299. https://doi.org/10.1016/j.gaitpost.2018.12.003

    Rinnakkaistallennettu versio / Self-archived version

  2. Farrahi, V., Niemelä, M., Tjurin, P., Kangas, M., Korpelainen, R., & Jämsä, T. (2020). Evaluating and Enhancing the Generalization Performance of Machine Learning Models for Physical Activity Intensity Prediction From Raw Acceleration Data. IEEE Journal of Biomedical and Health Informatics, 24(1), 27–38. https://doi.org/10.1109/jbhi.2019.2917565

    Rinnakkaistallennettu versio / Self-archived version

  3. Farrahi, V., Kangas, M., Walmsley, R., Niemelä, M., Kiviniemi, A., Puukka, K., Collings, P. J., Korpelainen, R., & Jämsä, T. (2020). Compositional Associations of Sleep and Activities within the 24-h Cycle with Cardiometabolic Health Markers in Adults. Medicine & Science in Sports & Exercise, 53(2), 324–332. https://doi.org/10.1249/mss.0000000000002481

    Rinnakkaistallennettu versio / Self-archived version

  4. Farrahi, V., Kangas, M., Kiviniemi, A., Puukka, K., Korpelainen, R., & Jämsä, T. (2021). Accumulation patterns of sedentary time and breaks and their association with cardiometabolic health markers in adults. Scandinavian Journal of Medicine & Science in Sports. https://doi.org/10.1111/sms.13958

  5. Farrahi, V., Niemelä, M., Kärmeniemi, M., Puhakka, S., Kangas, M., Korpelainen, R., & Jämsä, T. (2020). Correlates of physical activity behavior in adults: a data mining approach. International Journal of Behavioral Nutrition and Physical Activity, 17(1). https://doi.org/10.1186/s12966-020-00996-7

    Rinnakkaistallennettu versio / Self-archived version

see all

Series: Acta Universitatis Ouluensis. D, Medica
ISSN: 0355-3221
ISSN-E: 1796-2234
ISSN-L: 0355-3221
ISBN: 978-952-62-2946-1
ISBN Print: 978-952-62-2945-4
Issue: 1616
Type of Publication: G5 Doctoral dissertation (articles)
Field of Science: 217 Medical engineering
Subjects:
Funding: This study received funding from the European Union’s Horizon 2020 research and innovation program under the Marie Skłodowska–Curie grant agreement no. 713645.
EU Grant Number: (713645) BioMEP - Biomedical Engineering and Medical Physics