Accelerometry has been increasingly used as an objective index of sleep, physical activity, and circadian rhythms in people with mood disorders. However, most prior research has focused on sleep or physical activity alone without consideration of the strong within- and cross-domain intercorrelations; and few studies have distinguished between trait and state profiles of accelerometry domains in major depressive disorder (MDD).

Objectively measured physical activity (PA) is a modifiable risk factor for mortality. Understanding the predictive performance of PA is essential to establish potential targets for early intervention to reduce mortality among older adults.

Purpose: Sedentary behavior has become a public health pandemic and has been associated with a variety of comorbidities including cardiovascular disease, type 2 diabetes, and some cancers. Previous studies have also shown that excessive amount of sedentary behavior is associated with all-cause mortality. However, no studies investigated whether patterns of sedentary and active time accumulation are associated with mortality independently of total sedentary and total active times. This study addresses this question by i) comparing several analytical ways to quantify patterns of both sedentary and active time accumulation through metrics of fragmentation of objectively-measured physical activity and ii) exploring the association of these metrics with all-cause mortality in a nationally representative US sample of elderly adults. Methods: The accelerometry data of 3400 participants aged 50 to 84 in the National Health and Nutrition Examination Survey 2003-2006 cohorts were analyzed. Ten fragmentation metrics were calculated to quantify the duration of sedentary and active bouts: average bout duration, Gini index, average hazard, between-state transition probability, and the parameter of power law distribution. The association of these fragmentation metrics with all-cause mortality followed through December 31, 2011 was assessed with survey-weighted Cox proportional hazard models. Results: In models adjusted for age, sex, race/ethnicity, education, body mass index, common comorbidities, and total sedentary/active time, four fragmentation metrics were associated with lower mortality risk: average active bout duration (HR=0.72 for 1SD increase, 95% CI = 0.59-0.88), Gini index for active bouts (HR = 0.75, 95% CI = 0.64-0.86), the parameter of power law distribution for sedentary bouts (HR = 0.75, 95% CI = 0.63-0.90), and sedentary-to-active transition probability (HR = 0.77, 95% CI = 0.61-0.96), and four fragmentation metrics were associated with higher mortality risk: the active-to-sedentary transition probability (HR = 1.40, 95% CI=1.23-1.58), the parameter of power law distribution for active bouts (HR = 1.33, 95% CI = 1.16-1.52), average hazard for durations of active bouts (HR = 1.32, 95% CI = 1.18-1.48), and average sedentary bout duration (HR =1.07, 95% CI = 1.01-1.13). After sensitivity analysis, average sedentary bout duration and sedentary-to-active transition probability became insignificant. Conclusion: Longer average duration of active bouts, a lower probability of transitioning from active to sedentary behavior, and a higher normalized variability of active bout durations were strongly negatively associated with all-cause mortality independently of total active time. A larger proportion of longer sedentary bouts were positively associated with all-cause mortality independently of total sedentary time. The results also suggested a nonlinear association of average active bout duration with mortality that corresponded to the largest risk increase in subjects with average active bout duration less than 3 minutes.

Increasingly, large, nationally representative health and behavioral surveys conducted under a multistage stratified sampling scheme collect high dimensional data with correlation structured along some domain (eg, wearable sensor data measured continuously and correlated over time, imaging data with spatiotemporal correlation) with the goal of associating these data with health outcomes. Analysis of this sort requires novel methodologic work at the intersection of survey statistics and functional data analysis. Here, we address this crucial gap in the literature by proposing an estimation and inferential framework for generalizable scalar‐on‐function regression models for data collected under a complex survey design. We propose to: (1) estimate functional regression coefficients using weighted score equations; and (2) perform inference using novel functional balanced repeated replication and survey‐weighted bootstrap for multistage survey designs. This is the first frequentist study to discuss the estimation of scalar‐on‐function regression models in the context of complex survey studies and to assess the validity of various inferential techniques based on re‐sampling methods via a comprehensive simulation study. We implement our methods to predict mortality using diurnal activity profiles measured via wearable accelerometers using the National Health and Nutrition Examination Survey 2003‐2006 data. The proposed computationally efficient methods are implemented in R software package surveySoFR.

Abstract Summary Technologies that produce spatial single-cell data have revolutionized the study of tissue microstructures and promise to advance personalized treatment of cancer by revealing new insights about the tumor microenvironment. Functional data analysis is an ideal analytic framework for connecting cell spatial relationships to patient outcomes, but can be challenging to implement. To address this need, we present mxfda, an R package for end-to-end analysis of single-cell spatial data using functional data analysis. mxfda implements a suite of methods to facilitate spatial analysis of single-cell imaging data using functional data analysis techniques. Availability and implementation The mxfda R package is freely available at https://cran.r-project.org/package=mxfda and has detailed documentation, including four vignettes, available at http://juliawrobel.com/mxfda/.

Alzheimer's disease (AD) affects over 6 million people and is the seventh-leading cause of death in the US. This study compares wrist-worn accelerometry-derived PA measures against traditional risk factors for incident AD in the UK Biobank.