Abstract

The adverse health effects of sedentary behavior and prolonged sedentary bouts are well-known. However, it is still unknown how physical activity can modify adverse health impacts related to sedentary behavior. The purpose of this study was to develop signal analysis methodology for sedentary behavior and physical activity classification from raw data of a hip-worn accelerometer and to investigate associations of patterns of sedentary behavior with lipid and glucose metabolism.

A machine learning model was developed and validated using acceleration data, which included nine predefined and controlled typical daily activities ranging in intensity from sedentary to vigorous physical activity. Acceleration data was collected from 22 Finnish adults using a triaxial accelerometer attached to an elastic belt on a hip. The data were classified into five categories (lying down, sitting, and light, moderate, and vigorous physical activity). Thirty-six middle-aged Finnish adults wore an accelerometer for 14 days, and their sedentary behavior and sitting characteristics were determined. In addition, associations of sedentary behavior, sitting, and physical activity with glucose and lipid metabolism were investigated in the Northern Finland Birth Cohort 1966 46-year follow-up (n=5,832). Participants completed health and lifestyle questionnaires and attended clinical examinations and two weeks of sedentary behavior and physical activity measurements. Isotemporal substitution modeling was used for investigating time reallocations from sedentary to physical activities.

The developed machine learning model provided acceptable accuracy for sedentary behavior and physical activity classifications. The method can be used for describing characteristics of sedentary behavior and sitting separately. Patterns of SB were more consistently associated with lipid metabolism than those of sitting. Associations between sedentary behavior and cardiometabolic health depended on moderate-to-vigorous physical activity levels. Replacement of sedentary behavior and prolonged sedentary bouts by at least light physical activity improved glucose metabolism. The results of this study can be used for planning evidence-based interventions to decrease sedentary behavior in midlife.

Tiivistelmä

Runsaan paikallaanolon ja pitkien paikallaanolojaksojen haitalliset vaikutukset terveyteen ovat hyvin tiedossa, mutta edelleen puuttuu tietoa, kuinka fyysinen aktiivisuus voi muokata paikallaanolon haitallisia vaikutuksia terveyteen. Työn tarkoituksena oli kehittää signaalinkäsittelymenetelmä paikallaanolon ja fyysisen aktiivisuuden luokittelemiseksi lantiolla pidettävän aktiivisuusmittarin raakakiihtyvyyksistä sekä tutkia paikallaanolon piirteiden yhteyksiä rasva- ja sokeriaineenvaihduntaan.

Koneoppimismalli kehitettiin ja validoitiin käyttämällä kiihtyvyysdataa, joka sisälsi yhdeksän ennalta määriteltyä ja kontrolloitua tyypillistä arkiaktiviteettia, joiden intensiteetti vaihteli paikallaanolosta raskaaseen fyysiseen aktiivisuuteen. Kiihtyvyysdata kerättiin 22 suomalaisen aikuisen lantiolta elastiseen vyöhön kiinnitetyllä kolmiakselisella kiihtyvyysanturilla, jonka raakadata luokiteltiin viiteen eri luokkaan (makaaminen, istuminen sekä kevyt, keskiraskas ja raskas fyysinen aktiivisuus). Kolmekymmentäkuusi keski-ikäistä suomalaista käyttivät kiihtyvyysanturia 14 päivän ajan ja heidän paikallaanolonsa ja istumisensa piirteet määritettiin. Paikallaanolon, istumisen ja fyysisen aktiivisuuden yhteyksiä rasva- ja sokeriaineenvaihduntaan tutkittiin Pohjois-Suomen vuoden 1966 syntymäkohortin 46-vuotistutkimuksessa (n = 5832). Tutkittavat täyttivät terveys- ja elämäntapakyselyitä ja osallistuivat kliinisiin tutkimuksiin sekä kahden viikon mittaisiin paikallaanolon ja fyysisen aktiivisuuden mittauksiin. Isotemporaalisella korvausmallilla tutkittiin paikallaanoloajan korvaamista fyysisellä aktiivisuudella.

Kehitetyllä koneoppimismenetelmällä voidaan riittävällä tarkkuudella luokitella paikallaanoloa ja fyysistä aktiivisuutta. Menetelmää voidaan käyttää paikallaanolon ja istumisen piirteiden kuvailussa erikseen. Paikallaanolon piirteet olivat selvemmin yhteydessä rasva-aineenvaihduntaan kuin istumisen piirteet. Paikallaanolon yhteydet rasva-aineenvaihduntaan olivat riippuvaisia keskiraskaan ja raskaan fyysisen aktiivisuuden tasosta. Paikallaanolon ja pitkien paikallaanolojaksojen korvaamisella vähintään kevyellä fyysisellä aktiivisuudella oli suotuisia vaikutuksia sokeriaineenvaihduntaan. Tutkimuksen tuloksia voidaan hyödyntää näyttöön perustuvien keski-ikäisten paikallaanoloa vähentävien interventioiden suunnittelussa.

Osajulkaisut / Original papers

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

1. Tjurin, P., Niemelä, M., Huusko, M., Ahola, R., Kangas, M., & Jämsä, T. (2018). Classification of physical activities and sedentary behavior using raw data of 3D hip acceleration. Proceedings of IFMBE, EMBEC & NBC 2017 65, 872–875. https://doi.org/10.1007/978-981-10-5122-7_218

   Rinnakkaistallennettu versio / Self-archived version

2. Tjurin, P., Niemelä, M., Kangas, M., Vähä-Ypyä, H., Sievänen, H., Jämsä, T., & Korpelainen, R. (2019). Accelerometry-based characteristics of overall sedentary behavior and sitting in middle-aged adults. Measurement in Physical Education and Exercise Science, 23(3), 249–257. https://doi.org/10.1080/1091367X.2019.1613997

   Rinnakkaistallennettu versio / Self-archived version

3. Tjurin, P., Niemelä, M., Kangas, M., Nauha, L., Vähä-Ypyä, H., Sievänen, H., Korpelainen, R., Farrahi, V., & Jämsä, T. (2022). Cross-sectional associations of sedentary behavior and sitting with serum lipid biomarkers in midlife. Medicine & Science in Sports & Exercise, 54(8), 1261–1270. https://doi.org/10.1249/MSS.0000000000002916

   Rinnakkaistallennettu versio / Self-archived version

4. Tjurin, P., Länsitie, M., Kangas, M., Korpelainen, R., Farrahi, V., & Jämsä, T. (2023). Associations of reallocating time spent in sedentary behaviors and physical activities with glucose metabolism biomarkers in middle-aged adults. Manuscript in preparation.