在生命最初的五年里，儿童的身体活动(PA)、静坐行为(SB)和睡眠模式对其生长发育具有深远影响。然而，如何准确评估这些瞬息万变的婴幼儿行为，一直是困扰研究人员的难题。传统加速度计虽能连续记录运动数据，但缺乏情境信息且对婴幼儿特殊活动（如被动运输）识别困难；而家长代报工具又面临回忆偏差和报告不完整的挑战。荷兰阿姆斯特丹大学医学中心联合马斯特里赫特大学的研究团队在《Journal of Activity, Sedentary and Sleep Behaviors》发表创新成果，通过开发My Little Moves(MLM)应用程序并系统验证其可靠性及加速度计关联效度，为这一领域带来突破。

研究采用三项关键技术方法：1) 基于发育阶段自适应的MLM应用程序收集324名0-4岁幼儿（20.5±11.6月龄）的24小时活动日志；2) 75名受试者同步佩戴腕部和髋部Axivity AX3加速度计获取ENMO（重力校正矢量幅值）和MAD（平均振幅偏差）数据；3) 运用Spearman-Brown公式计算最小报告时长需求，并通过混合线性模型验证活动分类与加速度的预期关系。

在"最小报告时长"部分，研究揭示获取可靠数据需要：睡眠评估需2天≥20小时（92.3%参与者达标），PA需2天≥23小时（83.3%达标），SB需4天≥17小时（66.7%达标）。24小时行为组成(ilr坐标)分析显示，2天完整报告即可达到0.70信度标准。值得注意的是，周末与工作日行为存在显著差异，强调纳入周末数据的必要性。

"加速度比较"结果验证了核心假设：无论腕部或髋部数据，加速度呈现睡眠<SB<PA的梯度（p<0.001），其中髋部MAD解释方差达28%。在55项子假设中，21项获得一致支持，包括主动游戏/运输的加速度显著高于多数静坐活动（除被动运输外）。但被动运输显示出意外高加速度值，提示当前算法难以区分婴幼儿被动移动与自主活动。

研究同时发现MLM的实践局限：仅83.3%家长能完成2天完整报告，且"被动屏幕使用"等特定行为数据稀疏。加速度分析显示，静坐活动中屏幕使用时的身体运动显著少于其他类型（p<0.05），而"变换姿势"成为最常报告但难以细化的行为类别。

这项研究开创性地建立了婴幼儿数字化行为评估的标准框架，其价值体现在三方面：首先，明确了MLM应用程序的最小可行报告时长，为后续研究设计提供依据；其次，通过加速度验证揭示了现有分类体系在被动运输等场景的局限性，推动算法优化；最后，开发的发育适应性报告系统（如根据运动里程碑动态调整问题）为年龄跨度研究树立了新范式。未来研究可结合机器学习提升姿势识别精度，并将该工具应用于行为干预效果评估，最终促进全球婴幼儿健康指南的科学实施。

鎵撹祻

涓嬭浇瀹夋嵎浼︾數瀛愪功銆婇€氳繃缁嗚優浠ｈ阿鎻ず鏂扮殑鑽墿闈剁偣銆嬫帰绱㈠浣曢€氳繃浠ｈ阿鍒嗘瀽淇冭繘鎮ㄧ殑鑽墿鍙戠幇鐮旂┒

10x Genomics鏂板搧Visium HD 寮€鍚崟缁嗚優鍒嗚鲸鐜囩殑鍏ㄨ浆褰曠粍绌洪棿鍒嗘瀽锛�

娆㈣繋涓嬭浇Twist銆婁笉鏂彉鍖栫殑CRISPR绛涢€夋牸灞€銆嬬數瀛愪功

鍗曠粏鑳炴祴搴忓叆闂ㄥぇ璁插爞 - 娣卞叆浜嗚В浠庣涓€涓崟缁嗚優瀹為獙璁捐鍒版暟鎹川鎺т笌鍙鍖栬В鏋�

涓嬭浇銆婄粏鑳炲唴铔嬬櫧璐ㄤ簰浣滃垎鏋愭柟娉曠數瀛愪功銆�