摘要这项研究旨在开发和验证机器学习模型，以预测不同加速度计量的品牌和位置范围内囊性纤维化（CF）的儿童和青少年的强度。患有CF（11.6±2.8岁； 15个女孩）和28名健康青年（12.2±2.7岁； 16岁的女孩）的三十五名儿童和青少年进行了六项活动，而佩戴了基因作用（手腕）和Actigraphs GT9X（手腕和腰围）。使用三个监督的学习分类器（K-Nearest邻居，随机森林和极端梯度增强的决策树）来识别每种PA类型和强度的输入信号模式，并使用10倍的交叉验证来评估分类器的性能。Actigraph GT9X在主要手腕上，腰部和遗传性手腕上的遗传性无法预测剧烈的强度PA活性。所有其他用于活动类型和强度的模型都超过97％的精度，敏感性和特异性大于95％，而不论加速度计品牌，位置或健康状况如何。