TERVEYS

Terveydellä tarkoitetaan tässä yhteydessä kuinka samankaltaisia käyttäjän aktiivisuusprofiilit ovat verisuonitauteja ja diabetestä sairastaviin verrattuna.

Samankaltaisuutta arvioidaan sanallisesti termeillä:

Olematon-Vähäinen-Kohtalainen-Merkittävä

Vesisuonitautiprofiiliin vaikuttavat sukupuoli, ikä ja päivittäiseen, 30 s - 10 min jaksoista koostuvaan liikkumiseen käytetty aika. Mitä enemmän liikkumista, sitä pienempi profiilien samankaltaisuus.

Diabetesprofiiliin vaikuttavat ikä, sukupuoli ja kehon painoindeksi (BMI). Naisilla siihen vaikuttavat myös seisomiseen ja liikkumiseen käytetty aika sekä pitkien iikuntajaksojen päivittäinen lukumäärä ja miehillä vastaavasti pitkien istuma- ja liikuntajaksojen päivittäinen lukumäärä.

PAIKALLAANOLO

Paikallaanololla tarkoitetaan kaikkea makaamista, istumista ja seisomista.

Exsed -palvelusta saadaan istumisen kesto ja istumasta ylösnousujen lukumäärä sekä seisoen vietetty aika.

Jos yhtäjaksoinen istuen vietetty aika ylittää 90 min, sovellus lähettää muistutuksen, jossa kehoitetaan keskeyttämään pitkittynyt istuminen ja nousemaan hetkeksi ylös.

UNI

Yöksi mittari irroitetaan vaatekiinnikkeestä ja laitetaan uniranneekkeeseen, jonka avulla pystytään erottamaan uni valveillaoloajasta.

Rannekkeeseen kiinnitettynä mittarista saadaan eroteltua unen kokonaiskesto ja unen laatu levottomaan ja rauhalliseen unenvaiheisiin luokiteltuina.

LIIKKUMINEN

Exsed-palvelu luokittelee liikkumisen MET -yksikön avulla. MET=metabolinen ekvivalentti, lepoaineenvaihdunta rauhallisesti tuolilla istuen. 1 MET vastaa hapenkulutuksena 3,5 ml/kg/min.

Liikkuminen, joka on teholtaan alle 3 MET, luokitellaan kevyeksi liikunnaksi.

Kevyellä liikkumisella tarkoitetaan kevyttä, matalatehoista liikuskelua, joka ei aiheuta hengästymistä eikä sykkeen selkeää nousua.

Liikkuminen, joka on teholtaan yli 3 MET, luokitellaan reippaaksi liikunnaksi.

Reippaalla liikkumisella tarkoitetaan reippaalla tai rasittavalla teholla tapahtuvaa liikuntaa, joka saa aikaan hengityksen kiihtymistä ja huomattavaa sykkeen nousua.

Esimerkkejä reippaasta liikunnasta ovat esim. reipas kävely, hölkkä ja juoksu.

Päivittäistä aktiivisuutta kuvataan kävely- ja juoksuaskelten lukumäärällä sekä kevyen ja reippaan liikkumisen kestoilla.

Exsed -palvelu mittaa tarkasti jalan tapahtuvan liikunnan määrää ja rasittavuutta. Myös polkupyörällä tapahtuvan liikunnan määrä tunnistetaan hyvin.

Ylävartaloon kohdistuvan liikunnan luokittelu saattaa rasituksen osalta olla epätarkkaa, koska se ei ole luonteeltaan kehon painoa kannattelevaa.

Liikkumisen ja paikallaanolon mittaamisen perusteita

Mittaamisen taustalla on yksinkertainen perusfysiikka. Jokainen liike aiheuttaa voimia, jotka voidaan mitata kehon kiinnitetyllä kiihtyvyysmittarilla sekä ilmaista ne maan vetovoiman kerrannaisina. Kiihtyvyys on yksinkertaisesti nopeuden muutos ajan suhteen. Mitä nopeammin liikkuu, sitä suurempi on kiihtyvyys. Paikallaan ollessa mittariin ei kohdistu kiihtyvyyttä, mutta sen asento voidaan tunnistaa, koska maan vetovoiman suunta on tunnettu ja mitattavissa kiihtyvyysmittarilla.

UKK-instituutti on kehittänyt ja validoinut kiihtyvyyssignaalin keskipoikkeaman (Mean Amplitude Deviation, MAD) analysointialgoritmin, jonka avulla voidaan luotettavasti määrittää liikkumisen teho ja määrä sekä niiden ajankohta. Paikallaanolon tutkimiseksi UKK-instituutti on kehittänyt ja validoinut kiihtyvyysmittarin asennon (Angle for Posture Estimation, APE) tunnistamiseen algoritmin, jonka avulla voidaan luotettavasti määrittää istuuko/makaa vai seisooko henkilö sekä milloin ja kuinka kauan. Liikkuminen eri tehotasoilla sekä paikallaanolo voidaan tunnistaa lantiolla pidettävällä kiihtyvyysmittarilla hyvällä noin 90 prosentin tarkkuudella.

MAP-APE algoritmeilla määritetyt yksityiskohtaiset tiedot liikunnasta ja paikallaanolosta mahdollistavat yksilöllisen profiilin luomisen sekä näiden tietojen esittämisen tunti tunnilta 24/7. MAD-APE –algoritmien yleispiirre on se, että ne lähtökohtaisesti soveltuvat lantiolta mitatun, käsittelemättömän kolmisuuntaisen kiihtyvyyssignaalin analysointiin kaikissa kohderyhmissä lapsista ikäihmisiin tai riippumatta käytetystä mittarimallista.

MAD-APE algoritmeilla on analysoitu mm Terveys 2011 –väestötutkimuksessa kiihtyvyysmittarilla kerätty data sekä tuoreen väestöpohjaisen KunnonKartta 2017 –tutkimuksen data. Näistä aineistosta on tehty ja tehdään analyysejä, joissa selvitetään päivittäisen liikkumisen ja paikallaanolon yhteyksiä erilaisiin terveysmuuttujiin, mm sydänsairauksiin.

Viitteet

Aittasalo M, Vähä-Ypyä H, Vasankari T, Husu P, Jussila AM, Sievänen H. Mean amplitude deviation calculated from raw acceleration data: a novel method for classifying the intensity of adolescents' physical activity irrespective of accelerometer brand. BMC Sports Sci Med Rehabil. 2015;7:18.

Husu P, Suni J, Vähä-Ypyä H, Sievänen H, Tokola K, Valkeinen H, Mäki-Opas T, Vasankari T. Objectively measured sedentary behavior and physical activity in a sample of Finnish adults: a cross-sectional study. BMC Public Health. 2016;16:920

Husu P, Vähä-Ypyä H, Vasankari T. Objectively measured sedentary behavior and physical activity of Finnish 7- to 14-year-old children- associations with perceived health status: a cross-sectional study. BMC Public Health. 2016;16:338.

Sievänen H, Kujala U. Accelerometry – Simple but challenging. Editorial. Scand J Med Sci Sports 2017;27:574-578.

Vasankari V, Husu P, Vähä-Ypyä H, Suni J, Tokola K, Halonen J, Hartikainen J, Sievänen H, Vasankari T. Association of objectively measured sedentary behaviour and physical activity with cardiovascular disease risk. Eur J Prev Cardiol. 2017;24:1311-1318.

Vähä-Ypyä H, Husu P, Suni J, Vasankari T, Sievänen H. Reliable recognition of lying, sitting and standing with a hip-worn accelerometer. Scand J Med Sci Sports. 2018;28:1092 – 1102.

Vähä-Ypyä H, Vasankari T, Husu P, Mänttäri A, Vuorimaa T, Suni J, Sievänen H. Validation of Cut-Points for Evaluating the Intensity of Physical Activity with Accelerometry-Based Mean Amplitude Deviation (MAD). PLoS One. 2015;10:e0134813.

Vähä-Ypyä H, Vasankari T, Husu P, Suni J, Sievänen H. A universal, accurate intensity-based classification of different physical activities using raw data of accelerometer. Clin Physiol Funct Imaging. 2015;35:64-70