La recherche vise à valider leur précision des montres intelligentes de fitness à faible coût en comparant leurs données avec les mesures de référence utilisées en milieu clinique. Ce protocole évalue la précision et la fiabilité des montres connectées de fitness, en comblant les lacunes dans la compréhension de leurs performances réelles à mesure que leur popularité augmente. Nos résultats fourniront des informations précieuses sur l’exactitude et la fiabilité des données des montres intelligentes de fitness, ce qui est crucial pour les chercheurs et les professionnels de la santé qui utilisent ces appareils dans le cadre d’études ou de cliniques.
Pour commencer, demandez aux participants de porter la smartwatch de fitness sur leur poignet non dominant. Attachez les participants à l’appareil de polysomnographie ou de l’appareil PSG. Avec la smartwatch de fitness, prenez deux mesures du niveau de saturation en oxygène du sang pendant que le participant est en position couchée.
Assurez-vous que le participant dort pendant un maximum de six heures. Une fois que le participant s’est réveillé, utilisez la montre intelligente de fitness pour prendre deux mesures supplémentaires du niveau de saturation en oxygène dans le sang pendant qu’il reste en position couchée. Exportez les tendances de sommeil de la machine PSG et de la smartwatch de fitness dans un fichier csv.
Incluez des données sur la durée du sommeil profond, la durée du sommeil léger, le temps de mouvement oculaire rapide, la durée totale du sommeil, la fréquence cardiaque et les niveaux de saturation en oxygène du sang. Pour valider les mesures de pas de la montre intelligente de fitness, demandez d’abord aux participants de porter la montre intelligente de fitness sur leur poignet non dominant et de tenir un smartphone dans leur autre main à des fins d’enregistrement vidéo de pas. Réglez le nombre de pas sur la smartwatch de fitness sur zéro, puis démarrez l’enregistrement du smartphone et demandez au participant d’effectuer le test de pas.
Enregistrez le nombre de pas mesuré par la smartwatch de fitness. Pour le test de marche de trois minutes ou 3-M WT, demandez au participant de marcher à un rythme normal et régulier pendant trois minutes sur une surface plane. Pour la montée d’escaliers ou le test SC, demandez au participant d’emprunter deux volées d’escaliers dans l’ordre ascendant et descendant à un rythme normal et régulier.
Calculez manuellement le nombre d’étapes observées dans l’enregistrement vidéo. Enregistrez ces données dans un fichier csv, puis exportez le nombre de pas de la smartwatch de fitness dans le même fichier. Importez les packages requis dans l’espace de travail de Python, puis importez les données de mesure dans l’espace de travail de Python.
Remplacez le nom de fichier measurement_data. CSV avec le nom de fichier de votre choix. Utilisez la fonction drop in a pour supprimer toutes les valeurs vides pour chaque donnée de mesure.
Effectuez le test de normalité Shapiro-Wilk pour déterminer si les données ont une distribution normale à l’aide du package SciPy stats Shapiro en Python. Maintenant, effectuez un exemple de test T apparié à l’aide du package SciPy stats T-test TestRail en Python si les données ont une distribution normale. Si ce n’est pas le cas, effectuez le test de Mann-Whitney Wilcoxon à l’aide du package SciPy stats Wilcoxon.
Remplacez measure1_toolA et measure1_toolB par les noms de colonne respectifs de votre choix dans le code. Utilisez ensuite les méthodes co et d pour mesurer l’amplitude de la différence entre les instruments. Utilisation de l’analyse de Bland-Altman pour évaluer la concordance entre deux instruments, y compris la différence moyenne, l’écart-type et l’intervalle de confiance à 95 % du biais.
Tracez l’analyse de Bland-Altman pour la visualisation à l’aide du package de diagrammes circulaires Matplotlib en Python. Le temps de sommeil peu profond a montré un biais important de 27,77 minutes avec de larges limites de concordance, indiquant une variabilité significative des mesures par la smartwatch par rapport au PSG. Le temps total de sommeil a été surestimé de 41,5 minutes, avec des limites de concordance plus larges, indiquant des incohérences occasionnelles dans le suivi de la durée du sommeil.
Le temps REM a montré un biais et un écart-type minimes, suggérant une bonne interchangeabilité entre la smartwatch et le PSG pour ce paramètre. Le temps de réveil a été surestimé par la smartwatch, avec un regroupement clair et une tendance à la hausse des différences, indiquant un biais de mesure. La fréquence cardiaque moyenne présentait un biais minimal et un bon regroupement près de la ligne de biais, indiquant une forte concordance.
La fréquence cardiaque minimale présentait quelques valeurs aberrantes, suggérant une difficulté à détecter des fréquences cardiaques basses, bien que l’accord général soit raisonnable. La fréquence cardiaque maximale a montré une dispersion notable, reflétant la variabilité du suivi des valeurs de pointe par la smartwatch. La saturation en oxygène du sang a montré un biais minimal et des limites étroites de concordance, reflétant une forte concordance entre les dispositifs.
La smartwatch a considérablement sous-estimé les pas de la 3-M WT de 31,33 pas en moyenne et ceux de la SC de 11 pas.
