Continuous Triangular Model: ondersteuning bij analyses van lichamelijke activiteit bij ouderen door visualisatie van accelerometer data

FACULTEIT WETENSCHAPPEN

Opleiding Geografie en Geomatica Master in de Geografie

Continuous Triangular Model: ondersteuning bij analyses van lichamelijke activiteit bij ouderen door visualisatie van accelerometer data

Sander Buyse

Aantal woorden in tekst: 17 418 Aantal tabellen in tekst: 4 Aantal figuren in tekst: 54

Prof. dr. Nico Van de Weghe vakgroep Geografie

Academiejaar 2014 – 2015 Masterproef ingediend tot het behalen van de graad van Master in de Geografie

VOORWOORD Vijf jaar geleden begon ik aan iets nieuws, iets spannend: de universiteit. Het is een heuse rollercoaster geweest, de tijd is voorbij gevlogen. Ik heb een hele hoop mooie herinneringen overgehouden aan mijn studietijd. Nu is er echter tijd voor iets nieuws. Dit werk vormt de laatste paragraaf van het hoofdstuk 'de universiteit'. Ondanks dat het me vaak bloed, zweet en tranen heeft gekost om deze thesis tot een goed einde te brengen, ben ik tevreden dat ik deze weg heb afgelegd.

Door de

samenwerking met de Bewegingswetenschappen, universiteit Gent heb ik mezelf in onderwerpen moeten verdiepen, waarin ik een echte leek ben. Dit zorgde ervoor dat ik de thesis steeds interessant bleef vinden.

Deze thesis ging echter nooit tot stand gekomen zijn zonder de hulp van mijn promotor professor dr. Nico Van de Weghe en assistent Bart Dewulf. Zij hebben steeds geduld gehad met mij en stonden altijd klaar voor vragen en opbouwende kritiek.

Verder zou ik mijn vriendin, ouders en vrienden willen bedanken om mij te steunen in de thesisdagen. Zij waren steeds mijn steun en toeverlaat.

Tot slot wil ik mijn klasgenoten bedanken voor de vijf mooie jaren die ik samen met hun heb mogen beleven.

Sander Buyse Augustus, 2015

I

INHOUDSTAFEL 1.

INLEIDING ....................................................................................................................... 1 1.1

Situering van het onderzoek ........................................................................................ 1

1.2

Doelstelling en onderzoeksvragen ............................................................................... 3

1.2.1

Verschil in omgeving, geslacht, werkstatus ......................................................... 3

1.2.2

PA-niveaus ........................................................................................................... 3

1.2.3

Weer ..................................................................................................................... 4

1.3

Structuur van de thesis ................................................................................................. 4

1.4

Belangrijkste resultaten en conclusies ......................................................................... 5

2.

TECHNISCH KADER ....................................................................................................... 6 2.1

Bewegingswetenschappen ........................................................................................... 6

2.1.1

Aerobic ................................................................................................................. 8

2.1.2

Spier versterkend .................................................................................................. 8

2.2

Continuous Triangular Model ..................................................................................... 9

2.2.1

Historiek ............................................................................................................... 9

2.2.2

Het interval ......................................................................................................... 12

2.2.3

Klassiek lijndiagram ........................................................................................... 13

2.2.4

Triangular Model ................................................................................................ 14

2.2.4.1 2.2.5

Continuous Triangulair Model ........................................................................... 17

2.2.5.1

Map algebra ................................................................................................ 18

2.2.5.2

Kleuren ........................................................................................................ 18

2.2.6 3.

Allen relaties ............................................................................................... 15

Illustrerend voorbeeld ........................................................................................ 18

METHODEN, MATERIALEN EN STUDIEGEBIED ................................................... 21 3.1

Selectie studiegebied en participanten ....................................................................... 21

3.2

Opstelling van het experiment ................................................................................... 22

3.3

Verwerken van de data .............................................................................................. 23

4. 4.1

RESULTATEN ................................................................................................................ 28 Vergelijken van CTM-diagrammen ............................................................................. 28 4.1.1

Woonlocatie ....................................................................................................... 28

4.1.1.1

Binnenstad................................................................................................... 29

4.1.1.2

Buitenstad ................................................................................................... 31

4.1.1.3

Vergelijking ................................................................................................ 33

4.1.2

Werkstatus .......................................................................................................... 35

4.1.2.1

Gepensioneerd en niet gepensioneerd ......................................................... 35 II

4.1.2.2 4.1.3

Geslacht .............................................................................................................. 40

4.1.3.1

Man ............................................................................................................. 41

4.1.3.2

Vrouw ......................................................................................................... 43

4.1.3.3

Vergelijking ................................................................................................ 44

4.2

PA niveaus ................................................................................................................. 45

4.3

Weer........................................................................................................................... 50

4.3.1

5.

Vergelijking ................................................................................................ 39

Periode 12 – 21 maart......................................................................................... 53

4.3.1.1

Woonlocatie ................................................................................................ 54

4.3.1.2

Geslacht ....................................................................................................... 56

DISCUSSIE ...................................................................................................................... 58 5.1

Evaluatie methode en technieken .............................................................................. 58

5.2

Evaluatie steekproef en testpersonen ......................................................................... 60

5.3

Evaluatie studiegebied ............................................................................................... 60

5.4

Toepassing van het onderzoek ................................................................................... 61

5.5

Verder onderzoek ...................................................................................................... 63

6.

BESLUIT ......................................................................................................................... 65

7.

REFERENTIELIJST ........................................................................................................ 68

III

LIJSTEN Lijst van figuren Figuur 1: A chart of biography ................................................................................................. 10 Figuur 2: Frontispice met multivariabele lijndiagram .............................................................. 11 Figuur 3: Overzicht van de Franse inval in Rusland van 1812-1813 ....................................... 11 Figuur 4: Pooldiagram van het aantal sterfgevallen van het Britse leger ................................. 12 Figuur 5: Overgang van een klassiek lijndiagram naar een triangular model .......................... 15 Figuur 6: Overgang Allen relaties van klassiek lijndiagram naar TM ..................................... 16 Figuur 7: Dertien Allen relaties in het TM ............................................................................... 17 Figuur 8: Omzetting TM naar CTM ......................................................................................... 17 Figuur 9: CTM diagram van Belgische filelengtes .................................................................. 20 Figuur 10: Omzetten van verschillende CTM (a) m.b.v. map algebra naar 1 CTM (b) .......... 20 Figuur 11: Studiegebied met gedefinieerde 'binnenstad' .......................................................... 22 Figuur 12: Wekelijkse PA bewoners binnenstad ..................................................................... 29 Figuur 13: PA-waarden van maandag bij inwoners van de binnenstad ................................... 30 Figuur 14: PA-waarden van zondag bij inwoners van de binnenstad ...................................... 31 Figuur 15: Wekelijkse PA-waarden bij inwoners van de buitenstad ....................................... 31 Figuur 16: PA-waarden van maandag bij inwoners van de buitenstad .................................... 32 Figuur 17: PA-waarden van zondag bij inwoners van de buitenstad ....................................... 33 Figuur 18: Verschil tussen de wekelijkse PA-waarden van bewoners van de binnen –en buitenstad ................................................................................................................................. 34 Figuur 19: Verschil tussen PA-waarden van maandag van bewoners van de binnen –en buitenstad ................................................................................................................................. 34 Figuur 20: Verschil tussen PA-waarden van zondag van bewoners van de binnen –en buitenstad ................................................................................................................................. 35 Figuur 21: Wekelijkse PA-waarden gepensioneerden ............................................................. 36 Figuur 22: Wekelijkse PA-waarden niet-gepensioneerden ...................................................... 36

IV

Figuur 23: PA-waarden van maandag bij niet-gepensioneerden.............................................. 37 Figuur 24: PA-waarden van zondag bij niet-gepensioneerden ................................................ 37 Figuur 25: PA-waarden van maandag bij gepensioneerden ..................................................... 38 Figuur 26: PA-waarden van zondag bij gepensioneerden ........................................................ 38 Figuur 27: Verschil van PA-waarden van maandag bij gepensioneerde en werkende ouderen .................................................................................................................................................. 40 Figuur 28: Verschil van PA-waarden van zondag bij gepensioneerde en werkende ouderen . 40 Figuur 29: Wekelijkse PA-waarden bij mannen ...................................................................... 41 Figuur 30: Wekelijkse PA-waarden bij vrouwen ..................................................................... 41 Figuur 31: PA-waarden van maandag bij mannen ................................................................... 42 Figuur 32: PA-waarden van zondag bij mannen ...................................................................... 42 Figuur 33: PA-waarden van maandag bij vrouwen .................................................................. 43 Figuur 34: PA-waarden van zondag bij vrouwen ..................................................................... 43 Figuur 35: Verschil van maandag tussen mannen en vrouwen ................................................ 44 Figuur 36: Verschil van zondag tussen mannen en vrouwen ................................................... 44 Figuur 37: PA niveaus persoon 1 ............................................................................................. 47 Figuur 38: PA niveaus persoon 2 ............................................................................................. 47 Figuur 39: PA niveaus persoon 3 ............................................................................................. 48 Figuur 40: PA niveaus persoon 4 ............................................................................................. 48 Figuur 41: PA niveaus persoon 5 ............................................................................................. 48 Figuur 42: PA niveaus persoon 6 ............................................................................................. 49 Figuur 43: PA niveaus persoon 7 ............................................................................................. 49 Figuur 44: PA niveaus persoon 8 ............................................................................................. 50 Figuur 45: Omzetting temperatuur en windsnelheid naar gevoelstemperatuur ....................... 51 Figuur 46: Gevoelstemperatuur tussen 1 en 23 maart 2013 ..................................................... 51 Figuur 47: PA-waarden tussen 1 en 23 maart 2013 ................................................................. 52 Figuur 48: Gemiddelde PA tussen 12 en 22 maart................................................................... 53 Figuur 49: Overzicht interval dat verder onderzocht wordt ..................................................... 54 V

Figuur 50: Gevoelstemperatuur tussen 12 en 22 maart 2013 ................................................... 54 Figuur 51: PA-waarden van bewoners van de binnenstad tussen 12 en 22 maart 2013 .......... 55 Figuur 52: PA-waarden van bewoners uit de buitenstad tussen 12 en 22 maart 2013 ............. 56 Figuur 53: PA-waarden van mannen tussen 12 en 22 maart 2013 ........................................... 56 Figuur 54: PA-waarden van vrouwen tussen 12 en 22 maart 2013 ......................................... 57

Lijst van tabellen Tabel 1: Dertien Allen relaties ................................................................................................. 16 Tabel 2: Cut points lichamelijke activiteit ............................................................................... 45 Tabel 3: Categorieën testpersonen PA niveaus ........................................................................ 46 Tabel 4: Gemiddeldes en totaal aantal PA van alle onderverdelingen ..................................... 66

VI

1.

INLEIDING

1.1

Situering van het onderzoek

De vergrijzing, het blijft een hot topic in ons land. Al sinds 2013 blijkt dat wij, de Belgen, het hardst getroffen worden in vergelijking met andere Europese landen. Volgens het onderzoek van de studiecommissie voor de vergrijzing (Studiecommissie voor de vergrijzing, 2015) zal in 2060 de pensioenkost en de kost van de gezondheidszorg oplopen tot respectievelijk 14,4 procent en 11,7 procent van het BBP indien men geen maatregelen treft. Samen met de politieke vraag naar een hogere pensioenleeftijd zorgen ze voor zowel een economische als sociale spanning. Het is niet enkel België dat met het grijze probleem te kampen heeft. De babyboom in de eerste helft van de 20e eeuw zorgde voor een globaal stijgende proportie van mensen die de ouderdom bereiken. Een oudere leeftijd wordt vaak in verband gebracht met fysieke kwetsbaarheden en beperkingen. Om de economische verliezen te beperken is het zeker aan te raden om goed te zorgen voor de oudere bevolking. Hoe langer ze actief kunnen blijven, hoe meer ze kunnen bijdragen aan de maatschappij. Uit onderzoek blijkt dat de lichamelijke activiteit (Physical Activity, PA) samenhangt met de status van de gezondheid. Hoe actiever een persoon is, hoe positiever dit zijn gezondheid beïnvloedt. Echter, 60 procent van de volwassenen haalt de aanbevolen lichamelijke activiteit niet (U.S. Department of Health and Human Services, 2008). De richtlijnen (U.S. Department of Health and Human Services, 2008) stellen namelijk dat volwassenen minstens 150 minuten per week een moderate lichamelijke activiteit moeten hebben. Het is dus noodzakelijk dat de oudere bevolking wordt aangemoedigd om actief te zijn.

Doorheen de jaren zijn er al veel onderzoeken gedaan naar het verband tussen lichamelijke activiteit en de gezondheid. Het staat als een paal boven water dat de activiteit een cruciale rol speelt op de gezondheid van zowel mens als maatschappij. Elk mens is uniek en daarom is het interessant om te zoeken naar factoren die de lichamelijke activiteit eventueel kan beïnvloeden. Experimenten bekeken zowel persoonlijke, sociologische als fysieke variabelen om zo tot een beter beeld te komen hoe de lichamelijke activiteit verschilt. Echter, resultaten van onderzoek uit Amerika komen niet altijd overeen met deze uit Europa. Daarom is het aangeraden om meer onderzoek te plegen, zodat men een vertaling krijgt voor de hele wereld.

1

Het verhaal stopt echter niet bij het vinden van de belangrijkste factoren die de lichamelijke activiteit beïnvloeden, integendeel. Daarna kan men werken aan methoden en manieren om activiteit te promoten bij ouderen. Deze studie staat nog in zijn kinderschoenen (King, 2001), maar is zeer belangrijk voor de preventie van een sedentaire levenswijze bij ouderen.

Er moet getracht worden om een goed inzicht te creëren in het leven van ouderen. Dit wordt tegenwoordig voornamelijk gedaan door statistische testen waarbij de waarden, verkregen door subjectieve en/of objectieve gegevens, te vergelijken. Cijfers alleen zijn vaak genoeg om significante veranderingen aan te duiden, maar ze verliezen wel de patronen in de dataset. Vaak bestaan de datasets uit temporele gegevens waar elk interval een waarde heeft dat de lichamelijke activiteit aanduidt van een testpersoon. Bij klassieke statistiek zou men de gehele dataset kunnen optellen of uitmiddelen, maar hierdoor verliest men de informatie vervat in elk interval. In deze thesis wordt er een recente visualisatietechniek gebruikt die schittert met temporele data: het Continuous Temporal Model (CTM). Dit innovatief model laat toe om intervallen voor te stellen in een tweedimensionale ruimte. Zo kan men de patronen, verscholen in de datasets, op een intuïtieve manier visualiseren. Dit kan een interessante aanvulling zijn om meer inzicht te verschaffen in het dagelijkse leven van ouderen.

2

1.2

Doelstelling en onderzoeksvragen

Het promoten van meer beweging bij ouderen is noodzakelijk voor de maatschappij. Er wordt steeds meer onderzoek gedaan naar de lichamelijke activiteit (PA) van mensen uit deze leeftijdscategorie. Men kan correlaties zoeken tussen de activiteit en hun geslacht, werkstatus, leefomgeving,… Vaak worden deze resultaten bekeken per week, terwijl de objectieve PA meting gegevens bevat over kleinere intervallen. Daarom kan het nuttig zijn om andere analyses toe te passen in samenwerking met statistische methoden. De algemene doelstelling van deze scriptie is dan ook om al dan niet aan te tonen dat het Continuous Triangular Model (CTM) een interessante aanvulling kan zijn op deze klassieke analyses. Specifiek wordt er in deze casestudy gewerkt met gegevens van ouderen, maar indien blijkt dat het een meerwaarde biedt aan het onderzoek, kan het CTM algemeen worden toegepast in de studie van de bewegingswetenschappen.

Om de algemene doelstelling aan te tonen, worden er drie grote onderzoeksvragen opgesteld. Indien blijkt dat het CTM interessante en aanvullende informatie kan opleveren bij de analyses, is het doel behaald. De resultaten uit deze scriptie proberen een antwoord te geven op de onderzoeksvragen die hieronder kort worden toegelicht. Deze worden onderverdeeld in drie delen.

1.2.1 Verschil in omgeving, geslacht, werkstatus

Is er een verandering in het patroon van PA wanneer de testpersonen worden opgesplitst op basis van woonomgeving? Is er een verandering in het patroon van PA wanneer de testpersonen worden opgesplitst op basis van werkstatus? Is er een verandering in het patroon van PA wanneer de testpersonen worden opgesplitst op basis van geslacht?

1.2.2 PA-niveaus

Moeten de standaard PA-niveaus worden herzien, of zijn de grenzen nog steeds optimaal?

3

1.2.3 Weer

Vaak wordt het weer niet in rekening gebracht bij de analyses, maar is er dan geen verband tussen de gevoelstemperatuur en de activiteit van de ouderen?

Voor de onderzoeken wordt gebruik gemaakt van het CTM. Deze laat toe om eenvoudig alle intervallen in één beeld weer te geven. Zo kunnen patronen ontdekt worden dat via gewone statistische analyses niet duidelijk naar voren komen. Deze patronen kunnen dan gebruikt worden bij het stimuleren van de activiteit bij ouderen.

1.3

Structuur van de thesis

De onderzoeksvragen kunnen niet opgelost worden vooraleer men een inzicht verwerft in de nodige begrippen, technieken en methoden die nodig zijn om dit onderzoek tot een goed einde te brengen. In hoofdstuk 2 wordt een technisch kader opgesteld over de informatie die essentieel is om de thesis te begrijpen. Dit hoofdstuk bestaat uit twee grote delen: informatie over de lichamelijke activiteit (1) en informatie over het CTM (2). In het eerste deel wordt er toegespitst op de gezondheid van ouderen. Eerst wordt toegelicht waarom het nu zo belangrijk is voor ouderen om voldoende te bewegen. Dit wordt geïllustreerd door werken die mijlpalen zijn in het onderzoek ervan. Het tweede deel verdiept zich in de theorie om temporele data te visualiseren. Daarin wordt er eerst een korte historie gegeven waarbij de belangrijkste methoden worden toegelicht die een grote invloed uitoefenden op het Continuous Triangular Model. Om het CTM uit te leggen wordt eerst het Triangular Model (TM) toegelicht, waarbij men daarna de overstap maakt naar het CTM. Om de abstractie weg te werken, wordt er vervolgens een illustrerend voorbeeld gegeven. Nu men voldoende kennis heeft om de resultaten te interpreteren, wordt er in hoofdstuk 3 de gebruikte methoden en materialen opgesomd. Het eerste deel bespreekt het gekozen studiegebied samen met de keuze van de participanten. Vervolgens wordt de opstelling van het experiment besproken en tenslotte wordt er in het derde deel de verwerking van de data toegelicht. Hoofdstuk 4 toont alle CTM diagrammen met de bijhorende resultaten. Dit hoofdstuk telt drie luiken, waarbij elk luik overeenkomt met een doelstelling. Hoofdstuk 5 brengt een kritische blik op het onderzoek. Eerst worden de methoden en materialen onder de loep genomen, waarna de resultaten worden gekoppeld aan eerder uitgevoerd onderzoek. Tenslotte bespreekt men in het laatste deel van het hoofdstuk hoe de thesis een aanzet kan geven tot verder onderzoek. 4

Als afsluiter wordt er in hoofdstuk 6 een samenvatting gegeven van de thesis met de bijhorende conclusie dat men uit de resultaten kan halen. Hierin worden ook de doelstellingen beantwoord. 1.4

Belangrijkste resultaten en conclusies

Het experiment heeft als algemene doelstelling het aantonen dat het gebruik van CTM diagrammen een nuttige aanvulling is bij 'klassiek' statistisch onderzoek. De analyses tonen aan dat de fysische omgeving inderdaad een invloed uitoefent op de lichamelijke activiteit en op de wekelijkse en dagelijkse activiteiten. Tijdens een weekdag is de testgroep in de binnenstad het meest actief tijdens de middaguren en tijdens de vroege avonduren. Terwijl degene uit de buitenstad meer in de namiddag actief zijn. In het weekend is er minder verschil te vinden in het patroon. Niet gepensioneerden zijn doorheen een weekdag vrijwel altijd actief zonder opmerkelijke dippen of pieken, terwijl de gepensioneerden een meer gestructureerd dagverloop hebben. Rond de middag en de namiddag zijn deze meer actief. Hetzelfde verhaal bij mannen en vrouwen. De mannen zijn actiever tijdens de middag en vroege avond, terwijl vrouwen actiever zijn in de namiddag. Tijdens het weekend zijn mannen opmerkelijk zeer actief tijdens de middaguren.

Bij het analyseren van de standaard grenzen voor MVPA werden er geen veranderingen gezien in het patroon wanneer de grenzen aangepast werden. De analyses kunnen niet aantonen of de huidige grens nog steeds geldig is, maar ze tonen wel aan dat de grens geen uitschieter is. Indien dit wel het geval was zou het patroon moeten wijzigen bij lagere grenswaarden.

Tenslotte werd de invloed van de weersomstandigheden op de lichamelijke activiteit bekeken. De weersomstandigheden worden gerepresenteerd door de gevoelstemperatuur. De beste overeenkomst is bij de testgroep van de mensen uit de binnenstad. Bij warme temperaturen worden er hogere activiteiten gemeten en bij koudere is er minder activiteit. Bij een kleine koude periode echter is er dan geen afname waargenomen. Hieruit kan er geconcludeerd worden dat het geen eenduidige relatie is, maar er nog andere criteria invloed uitoefenen.

5

2.

TECHNISCH KADER

Het onderzoek dat in deze thesis wordt uitgevoerd is interdisciplinair. Er wordt namelijk gewerkt met de kennis van de geografische informatie wetenschap om een aanvullende informatiebron te zijn bij de studie van de bewegingswetenschappen. Hierdoor kan het technisch kader opgedeeld worden in twee delen. In het eerste deel worden de essentiële begrippen toegelicht in verband met de bewegingswetenschappen. Het tweede deel spitst zich toe op de geografische informatie wetenschap. Zo wordt het belang en de technieken om tijdsdata te visualiseren dieper uitgelegd. Samen heeft men dan voldoende kennis om de resultaten van het onderzoek te kunnen interpreteren en discussiëren.

2.1

Bewegingswetenschappen

Lichamelijke activiteit en gezondheid houden verband met elkaar en is daarom interessant om aandacht aan te besteden. Een van de eerste papers dat dit verband uitvoerig beschreef was een report van de Surgeon's General, genaamd "Physical Activity and Health" (U.S. Departement of Health and Human Services, 1996). Dit werk beschrijft uitvoerig welke voordelen dat een toename in lichamelijke activiteit heeft op de gezondheid. De paper is gebaseerd op de gezondheid van Amerikanen. Het grootste doel van dit werk is een overzicht te geven van de bestaande (tot in 1994) literatuur over de rol van de lichamelijke activiteit met betrekking tot de preventie van ziektes (1) en over de interventies om de lichamelijke activiteit te vermeerderen (2).

Het werk concludeert acht grote conclusies: 1. Mensen van alle leeftijden, zowel man als vrouw, genieten van voordelen bij reguliere lichamelijke activiteiten. 2. Er worden al significante verbeteringen van de gezondheid getoond bij een niet al te lange tijd van lichamelijke activiteit. Bijvoorbeeld een stevige wandeling van een half uur zorgt al voor positieve gevolgen. 3. Indien het aantal en de lengte van de lichamelijke activiteit toeneemt, zijn de voordelen voor de gezondheid ook groter. 4. Lichamelijke activiteit vermindert het risico op vroege sterfte, hartziektes, hoge bloeddruk, darmkanker en diabetes. Eveneens verbetert lichamelijke activiteit de

6

mentale gezondheid en is het goed voor de gezondheid van de beenderen en gewrichten. 5. 60% van de volwassen Amerikanen zijn niet actief op een vaste basis en 25% zijn zelfs nooit actief. 6. Bijna 50% van de Amerikaanse jongeren tussen 12 en 21 jaar zijn te weinig actief. Indien men rekening houdt dat de lichamelijke activiteit vermindert naarmate men ouder wordt, is dit een alarmerend gegeven. 7. De Amerikaanse studenten participeren veel minder in de lessen lichamelijke opvoeding. Van 42% in 1991 tot 25% in 1995. 8. Interventies op scholen over lichamelijke activiteit en gezondheid bleken zeer succesvol te zijn.

Ondanks dat het werk al van enige tijd geleden is, blijkt dat het verval in lichamelijke activiteit geen fabel is. Het toont ook aan hoe belangrijk beweging is voor de gezondheid van het menselijk lichaam, zowel fysiek als mentaal. Het was tot 2008 dat er geen echte richtlijnen waren gepubliceerd. Het is de U.S. Department of Health and Human Services (HHS) die in navolging van de eerder besproken paper een nieuw werk bracht (U.S. Department of Health and Human Services, 2008). De paper, "2008 Physical Activity Guidelines for Americans", geeft wetenschappelijk onderbouwde richtlijnen voor Amerikanen van alle leeftijden zodat ze hun gezondheid kunnen verbeteren door hun lichamelijke activiteit aan te pakken. Net zoals de paper van de Surgeon's General worden ook hier grote conclusies gemaakt. Deze komen echter sterk overeen met deze van hun voorganger dus wordt er hier geen opsomming weergegeven. Wat wel nieuw is en zeer belangrijk voor dit onderzoek, is dat de richtlijnen een onderscheid maken op basis van leeftijd. Omdat dit onderzoek voornamelijk gaat over de lichamelijke activiteit van ouderen, wordt er meer aandacht besteed aan de richtlijnen voor deze leeftijdsgroep.

De "2008 Physical Activity Guidelines for Americans" stelt dat regelmatige lichamelijke activiteit zeer voordelig kan zijn voor ouderen vanaf 65 jaar oud. Deze leeftijdsgroep is immers het minst actief van alle leeftijden. De activiteit wordt opgedeeld in twee klassen: aerobic en spier versterkende activiteit.

7

2.1.1 Aerobic

Dit zijn activiteiten die zich focussen op uithouding, zoals joggen, stevig wandelen, dansen, zwemmen, etc. De ouderen bewegen zo veel spieren op een regelmatige manier voor een lange tijd. Hierdoor verhoogt het hartritme. De richtlijnen voor deze soort van activiteiten bij ouderen zijn: 1. Als ouderen geen 150 minuten aan moderate intensiteit van aerobische activiteit kunnen volhouden door chronische condities, moeten ze streven om zo fysiek mogelijk actief te zijn naar hun kunnen. 2. Als ouderen risico lopen op vallen of struikelen, moeten ze activiteiten doen dat focust op balans. 3. Ouderen moeten hun inspanningen bij hun lichamelijke activiteit zien relatief ten opzichte van hun fysieke toestand (hoe fit ze zijn). 4. Ouderen met chronische beperkingen moeten inzien hoe hun condities de mogelijkheid beperken om veilig aan lichamelijke activiteit te doen. De belangrijkste richtlijn dat we in dit onderzoek gebruiken is de eerste. Ouderen zouden 150 minuten aan lichamelijke activiteit moeten doen met een moderate intensiteit. De paper stelt dat als ouderen minstens drie maal per week aan aerobic activiteit doen ze er gezondheidsvoordeel uit halen. Maar wat is die moderate intensiteit dan?

Vaak wordt het ook de moderate-to-vigorous intensity (MVPA) genoemd. Men kan de grenzen zien als een schaal van 0 tot 10. Als 0 zitten betekent en 10 het uiterste geven is, dan is moderate intensiteit rond de 5 à 6 en vigorous rond de 7 à 8.

2.1.2 Spier versterkend

Ouderen zouden ook twee maal per week oefeningen moeten doen die hun spieren versterken, zoals push-ups, sit-ups,… Hier gaat het niet echt om een bepaalde tijd dat de oefeningen moeten duren, maar eerder om het aantal herhalingen. Omdat deze soort oefeningen niet in rekening wordt gebracht in dit onderzoek, wordt hier weinig aandacht aan besteed.

8

2.2

Continuous Triangular Model

Deze masterproef draait rond een visualisatietechniek van temporele data. Het weergeven van tijdsdata is zeer belangrijk, aangezien deze interessante patronen kan weergeven. In deze sectie gaat men eerst doorheen de tijd met een kleine historiek van bekende visualisatietechnieken van temporele gegevens. Tot slot wordt er een uitgebreide technische uitleg gegeven hoe het Continuous Triangular Model (CTM) tot stand komt en wordt geïnterpreteerd.

2.2.1 Historiek

Sinds de oudheid is tijd een zeer belangrijk deel in het menselijk leven. De eerste mensen ervoeren tijd waarschijnlijk op een andere manier als wij nu. Toen ging het meer om gebeurtenissen en natuurlijke cycli, zoals dag en nacht, zomer en winter, volle en nieuwe maan, … Sinds de uitvindingen van zandlopers en klokken, ervaren we tijd meer op een lineaire wijze, ondanks dat de natuurlijke cycli nog steeds belangrijk zijn. Maar één ding blijft steeds hetzelfde, tijd is nodig om het leven te organiseren. Omdat tijd zo complex is en onzichtbaar, is er geen standaard manier om tijd te visualiseren. Dit zorgt voor een diversiteit aan visualisatietechnieken.

In 1765 creëerde Joseph Priestley "A chart of biography" (Priestley 1765), een soort van diagram waarbij levenslopen van mensen worden voorgesteld als lineaire segmenten (figuur 1). Even later, in 1769, publiceerde hij eveneens "A new chart of history" (Priestley 1769). Hierin stelde hij de levenslopen van verschillende rijken voor op een eenzelfde lineaire manier. Een citaat van Priestley vat het nut van het diagram goed samen: "trace out distinctly the dependence of events to distribute them into such periods and divisions as shall lay the whole claim of past transactions in a just and orderly manner" (Sheps, 1999, p 141-142).

9

Figuur 1: A chart of biography Bron: Priestley, 1765

Een andere trendsetter om tijdsgegevens voor te stellen was William Playfair. In 1786 vond hij het lijndiagram – geïnspireerd op het werk van Priestley – uit zoals we het nu kennen (Playfair, 1786). Op dit lijndiagram stelt hij de economische handelsbalans voor. Hij volgt hierbij het lineair karakter van de tijd. De gegevens zelf worden voorgesteld als curven met variërende hoogtes. Zo gaf Playfair vorm aan abstracte ideeën, wat volgens hem toelaat om snelle en accurate schattingen te maken. In 1805 publiceerde hij een boek met op de frontispice een lijndiagram (Playfair, 1805). Dit diagram was toen nieuw omdat hij meerdere variabelen visualiseerde op één diagram. Zo gaf hij commerciële statistieken weer van meerdere gebieden op een lineaire tijdsschaal. Net hierdoor is er een zeer groot voordeel van deze soort diagrammen: in één oogopslag kan men vergelijkingen maken tussen verschillende variabelen.

10

Figuur 2: Frontispice met multivariabele lijndiagram Bron: Playfair, 1805

Misschien wel het meest bekende lijndiagram is dat van Charles Joseph Minard. De Franse civiele ingenieur maakte in 1869 een diagram over de desastreuze - voor de Fransen althans inval in Rusland van 1812-1813 (geciteerd in Tufte, 2001). Het lijndiagram toont een overzicht van het traject naar Rusland en de terugtrekking ervan. De dikte van de lijn stelt het aantal manschappen voor dat het leger heeft of overhoudt. Op dit diagram zijn verschillende variabelen weergegeven, waardoor men ze eenvoudig kan vergelijken.

Figuur 3: Overzicht van de Franse inval in Rusland van 1812-1813 Bron: Tufte, 2001

11

Buiten de lineaire voorstellingen zijn er ook diagrammen met een cyclische voorstelling van de tijd. Een bekend voorbeeld hiervan is het pooldiagram (1858) van Florence Nightingale (geciteerd in Funkhauser, 1937). Elke wig van het diagram heeft eenzelfde hoek en stelt een maand van het jaar voor. De grootte van de wig staat in verhouding met het aantal sterfgevallen van het Britse leger. De verschillende kleuren staan elk voor een verschillende doodsoorzaak. Op dit pooldiagram kan men eenvoudig zien dat de meeste sterfgevallen veroorzaakt zijn door de Mitigable Zymotic ziekte.

Figuur 4: Pooldiagram van het aantal sterfgevallen van het Britse leger Bron: Funkhauser, 1937

Het grootste nadeel van de lijndiagrammen is dat wanneer er veel variabelen of lijnen worden weergegeven het zeer onordelijk wordt. Hierdoor kan men niet meer vergelijken en doet men het grote voordeel van zo'n diagrammen teniet. Met de komst van de computer heeft men steeds meer mogelijkheden om tijdsgegevens te visualiseren.

2.2.2 Het interval

Deze scriptie draait volledig rond tijdsintervallen. Om de duidelijkheid te bewaren wordt er een schematische voorstelling gebruikt doorheen het werk.

12

Een tijdsinterval kan beschreven worden als een verzameling van tijdstippen tussen een begin –en eindtijdstip. De gebruikte symbolisatie voor een interval is I. Zo kan men een interval I weergeven als I = [I-, I+], waarbij I- en I+ respectievelijk het begin –en eindtijdstip zijn. Er geldt wel dat men de logica moet volgen zodat het eindpunt na het begintijdstip moet vallen, dus I+ ≥ I-. Het is dus wel mogelijk dat I- en I+ gelijk zijn, wat resulteert in één enkel tijdstip. De lengte van een interval kan dan berekend worden door volgende formule: |I| = I+ - I-.

2.2.3 Klassiek lijndiagram

Vaak worden tijdsintervallen voorgesteld via een lijndiagram. De x-as van dit diagram stelt het lineaire tijdsverloop voor dat men wil tonen. Deze bevat uiteraard alle tijdstippen van de tijdsintervallen die gevisualiseerd moeten worden. Vaak wordt dit in gelijke delen opgesplitst om duidelijkheid te scheppen, maar dit is niet genoodzaakt. De y-as duidt louter het aantal verschillende intervallen aan dat men weergeeft. Na de opbouw van de assen van het diagram kunnen nu alle intervallen geplot worden. Een interval begint en eindigt op eenzelfde hoogte van de y-as. Zijn begin –en eindtijdstip komen overeen met de waardes op de tijdsas (de x-as). Het maakt niet uit in welke volgorde de lijnen geplot worden. Er kan eventueel wel een ordening gebeuren om alles duidelijker weer te geven.

Het voordeel van dit diagram is dat men op een eenvoudige manier intervallen kan voorstellen en vergelijken. Helaas zijn er ook enkele nadelen aan verbonden. Het vergelijken van de intervallen begint zijn functionaliteit te verliezen wanneer er zeer veel lijnstukken moeten geplot worden. In dit onderzoek wordt er gebruik gemaakt van gegevens van 100 personen. Indien we bijvoorbeeld voor elk persoon een interval zouden moeten weergeven op het lijndiagram, zou het zeer onoverzichtelijk worden. Het is soms ook interessant om een andere variabele toe te kennen aan intervallen. Zo zou bijvoorbeeld de lengte van het interval evenredig kunnen zijn met een andere variabele. Via het klassieke diagram is dit niet eenvoudig te visualiseren, zonder zijn overzichtelijkheid te verliezen. Men verwacht eveneens bij lijngrafieken dat de begin –en eindtijdstippen concreet afgebakend zijn. Dit is echter vaak niet het geval bij temporele data. Er was dus nood aan een nieuwe manier om tijdsgegevens voor te stellen.

13

2.2.4 Triangular Model

Dikwijls wordt temporele data gezien met een concreet start -en eindpunt. In de werkelijkheid is het soms niet duidelijk wanneer bijvoorbeeld een tijdsinterval precies start of eindigt, of beide. De klassieke lijngrafieken kunnen deze imperfecte tijdsintervallen niet weergeven op dezelfde manier als de begrensde lijnintervallen. Er werd dus gezocht naar een manier om beide, zowel begrensde als imperfecte tijdsintervallen, voor te stellen op een eenduidige manier. Er werd vaak van het klassieke lijndiagram vertrokken, waarbij intervallen als lijnen worden weergegeven. Kulpa (Kulpa, 1997) ontwikkelde een manier om begrensde tijdsintervallen voor te stellen als punten in een tweedimensionale ruimte. Geïnspireerd door dit werk introduceerde Van de Weghe (Van de Weghe, 2007) een nieuwe techniek, het Triangular Model (TM). Deze visualisatie techniek laat toe om zowel begrensde als imperfecte temporele data weer te geven in een tweedimensionale ruimte. Begrensde intervallen worden voorgesteld als punten, terwijl imperfecte tijdsdata worden voorgesteld als lijnen en/of polygonen. In dit onderzoek wordt enkel gebruik gemaakt van begrensde tijdsintervallen en daarom wordt er weinig aandacht besteed aan de imperfecte data.

Ondanks dat het lijndiagram zo dikwijls gebruikt wordt in het dagelijkse leven om tijdsdata voor te stellen, brengt het toch enkele nadelen met zich mee. Een daarvan is dat de dimensie van de y-as enkel gebruikt wordt om het aantal voorgestelde intervallen weer te geven. Het belangrijkste element is de x-as dat de lengte, start en eind weergeeft van het interval. Zoals eerder besproken wordt een tijdsinterval voorgesteld als I. Omdat we hier met begrensde intervallen werken kunnen we stellen dat I = [I-,I+], met I- en I+ hun respectievelijk begin –en eindpunt. Bij de opstelling van het Triangular Model worden intervallen voorgesteld als punten in plaats van de klassieke lijnen. Bij de opbouw van het TM wordt er eveneens gebruik gemaakt van een tijdsas, die ook hier de x-as is. Op deze as staan alle tijdstippen waartussen de voor te stellen intervallen liggen. Voor elk interval worden er twee rechte lijnen getrokken: door het starttijdpunt I- wordt lijn L1 geconstrueerd en door het eindtijdpunt I+ lijn L2. De hoeken tussen de geconstrueerde lijnen en de horizontale x-as zijn zeer belangrijk. Stel dat α1 de hoek is tussen L1 en de x-as en α2 de hoek is tussen L2 en de x-as. Dan hoort het dat α1 = -α2 = α. Het snijpunt tussen de twee rechte lijnen, noemt het intervalpunt. Dit punt is dan representatief voor het interval I. Dit model heeft de naam Triangular Model gekregen omdat het startpunt I-, het eindpunt I+ en het intervalpunt een gelijkzijdige driehoek vormen. Indien er meerdere intervallen worden 14

voorgesteld in het TM moet er voor gezorgd worden dat de hoek α steeds gelijk blijft. Zo bekomt men unieke punten in de tweedimensionale ruimte. Vaak wordt als hoek α = 45° gebruikt, maar dit is naar wens aan te passen (tussen 0 en 90°) (figuur 5).

Figuur 5: Overgang van een klassiek lijndiagram naar een triangular model Bron: Qiang, 2012

2.2.4.1 Allen relaties

Belangrijk om te kunnen redeneren met intervallen is om, buiten kwalitatieve relaties zoals de lengte van het interval, ook de kwantitatieve relaties te kennen. Hier kijkt men enkel naar de posities van de intervallen. Bij twee intervallen kunnen zowel de startpositie I- als de eindpositie I+ drie mogelijke relaties hebben, namelijk gelijk aan (=), groter dan (>) en kleiner dan (<). Allen publiceerde in zijn werk (Allen, 1983) dertien mogelijke relaties (tabel 1) tussen intervallen, zodat bij twee intervallen zeker één van de relaties voldoet. Deze relaties zijn interessant wanneer men voorwaarden wilt stellen aan de gegevens.

15

Tabel 1: Dertien Allen relaties Bron: Qiang, 2012

Deze dertien relaties van Allen zijn eenvoudig te visualiseren in een TM. Elk van deze relaties correspondeert met een bepaalde zone in het driehoekig model. Qiang (Qiang, 2002) stelt in zijn werk een eenvoudig voorbeeld omtrent deze zones. Neem een testperiode van 0 tot 100. Dit vormt de x-as van het TM, zodat alle waargenomen intervallen binnenin deze driehoek vallen. I1 stelt het referentie interval I1[33,66] voor en I2, I3 en I4 stellen intervallen voor die vóór I1 vallen. Indien deze intervallen worden geconstrueerd op het TM kan men vaststellen dat alle intervallen (buiten het referentie interval) in de linkerhoek liggen van de driehoek. Daaruit kan men deduceren dat alle intervallen die vóór I2 liggen, zich in de zwarte zone moeten positioneren (figuur 6). Dit is de vóór relatie van Allen, de andere twaalf kunnen eveneens volgens zo'n zone worden voorgesteld. Figuur 7 geeft een overzicht weer van deze zones. Om duidelijkheid te scheppen zijn de relaties voor elk van de zones ten opzichte van het referentie interval I1. De zwarte zones geven dus alle intervallen weer die de desbetreffende relatie hebben ten opzichte van interval I1.

Figuur 6: Overgang Allen relaties van klassiek lijndiagram naar TM Bron: Qiang, 2012

16

Figuur 7: Dertien Allen relaties in het TM Bron: Qiang, 2012

2.2.5 Continuous Triangulair Model

Nu men discrete, begrensde tijdintervallen kan visualiseren in een TM, kan men de overstap maken naar het Continuous Triangular Model. Het CTM geeft continue temporele data weer (Van de Weghe, 2014). Stel, men heeft een gegeven interval I. Uit de figuur met de Allen relaties kan men concluderen dat elk interval In tijdens het interval I een specifieke zone toegekend wordt in het triangulaire model. Elk punt in het triangulair veld komt dus overeen met een interval In dat tijdens het grotere interval I gebeurt. Als elk punt in het triangulair model een bepaalde waarde heeft dat overeenkomt met het desbetreffende interval In, kan men een continu veld verkrijgen. Dit met de aanname dat de lineaire dataset geordend is binnen het interval I. De operator ƒn is een formule dat afhankelijk is aan het interval In. Dit kan gaan om het gemiddelde, sommatie, maximum,… van de lineaire data in In. De operator is als het ware de bouwsteen voor het continue veld (figuur 8).

Figuur 8: Omzetting TM naar CTM Bron: Qiang et al., 2013

17

2.2.5.1 Map algebra

Vaak is het interessant om verschillende tijdseries te vergelijken met elkaar. Dit is eveneens mogelijk met het CTM door middel van map algebra en cartografische modellering. Map algebra combineert verscheidene CTM diagrammen die men wenst te analyseren. Door middel van bepaalde algebraïsche operatoren toe te passen per punt op elk diagram, bekomt men uiteindelijk één gecombineerd CTM diagram. De cartografische modellering maakt gebruik van voorwaarden en criteria om de diagrammen te combineren om zo tot een oplossing te komen van het probleem. Aangezien in deze thesis enkel gebruik wordt gemaakt van map algebra wordt er hier niet verder over uitgeweid.

2.2.5.2 Kleuren

Nu elk punt, dus elk subinterval In, in het triangulair veld een waarde heeft toegekend, kan men de visualisatie afhankelijk maken van deze waarden. Zo kan men een visuele interpretatie maken van de gehele lineaire temporele dataset. In deze casestudy worden onder andere de verschillende PA waarden voorgesteld. De kleurcode in deze thesis hangt af van de meetschaal. Voor variabelen op intervalschaal, zoals temperatuur in Celsius, wordt een kleurenschaal gebruikt waarbij blauw de negatieve waarden voorstelt, wit het nulpunt en rood de positieve. Bij variabelen op ratioschaal worden er grijswaarden gebruikt bij de voorstelling, waarbij wit bij de nulwaarde en zwart bij het maximum.

2.2.6 Illustrerend voorbeeld

Het Continuous Triangular Model is hierboven technisch uitgelegd en kan daarom zeer abstract lijken. Om de verdere analyses en interpretaties uit deze thesis voldoende te begrijpen wordt er hieronder een illustrerend voorbeeld gegeven. Na dit zou een interpretatie van het CTM geen problemen meer mogen geven. Als voorbeeld wordt de casestudy gegeven van Qiang (Qiang, 2012) over de temporele data van de dagelijkse files in België. Figuur 9 stelt het CTM diagram voor van de gemiddelde filelengte. De operator ƒn is dus het gemiddelde. In één beeld kan men zowel de korte als de lange fluctuaties zien. Men kan hier een drukke periode zien met lange files tussen begin april en midden juli. Een zeer rustige periode volgt hier op tussen midden juli en eind september. Op lagere niveaus kan men tijdens 18

de drukke periode veel kleine fluctuaties zien. Ook kan men een drukke periode opmerken tussen september en november.

Om een voorbeeld van map algebra te illustreren wordt dezelfde data van het diagram gebruikt. Het kleinste detailniveau is 5 minuten. Dit wil zeggen dat per dag, per 5 minuten de filelengte genoteerd wordt. Zo bekomt men 288 waarden per dag (288 x 5 minuten = 24 uur). In plaats van het gemiddelde te nemen van die waarden als representatie van de dag, wordt elke waarde behouden. Men maakt nu tijdsdata voor een specifiek moment van de dag doorheen het hele jaar. Bijvoorbeeld alle waarden tijdens het moment 7:00 doorheen het jaar wordt nu als een tijdserie gegeven (waarde om 7:00 van dag 1, waarde om 7:00 van dag 2,..). Zo bekomt men 288 diagrammen voor elk moment van de dag. Als men deze diagrammen combineert kan men te weten komen op welk moment het meeste file was, doorheen het hele jaar. Op het CTM toont elk punt de tijd aan waarbij de gemiddelde filelengte maximaal is tijdens het interval dat het punt voorstelt. Om de visualisatie te verduidelijken wordt er een discreet kleurenpalet gebruikt. Zo kan men aflezen dat doorheen het jaar voornamelijk tussen 7:00 en 8:00 de files op hun hoogtepunt zijn. Tijdens de zomermaanden van midden juni tot begin september zijn de files op hun maximale punt tijdens de namiddag, tussen 17:00 en 18:00.

19

Figuur 9: CTM diagram van Belgische filelengtes Bron: Qiang, 2012

Figuur 10: Omzetten van verschillende CTM (a) m.b.v. map algebra naar 1 CTM (b) Bron: Qiang, 2012

20

3.

METHODEN, MATERIALEN EN STUDIEGEBIED

Dit onderzoek heeft als primaire bedoeling het aantonen dat het CTM diagram een nuttige aanvulling kan zijn bij analyses in de bewegingswetenschappen. Om dit aan te tonen wordt er uiteraard gebruik gemaakt van de theorie en technieken om CTM diagrammen voor te stellen. Voor dit onderzoek kan men drie delen onderscheiden: het selecteren van een studiegebied en van de participanten (1), het opstellen van het experiment (2) en het verwerken van de data (3).

3.1

Selectie studiegebied en participanten

Dit onderzoek richt zich vooral op de lichamelijke activiteit van ouderen in Gent. Deze locatie werd gekozen omdat de faculteit van de bewegingswetenschappen aan de universiteit van Gent data ter beschikking had om verder onderzoek mee te doen. Het studiegebied omvat Gent en zijn deelgemeenten, met een oppervlakte van 156,18 km². De 100 gekozen testpersonen wonen verspreid over dit studiegebied. Het gebied wordt ook ingedeeld in twee gebieden: de binnen –en buitenstad. Dit wordt gedaan om in het onderzoek de testpersonen op te splitsen op basis van dit criterium.

De binnenstad wordt in dit werk gedefinieerd door een cirkel. Deze heeft als middelpunt de Korenmarkt als locatie met een radius van 2 kilometer. Dit werd gekozen omdat de afstand van de Korenmarkt naar het station Gent-Sint-Pieters ongeveer 2 kilometer is. Deze imaginaire cirkel omvat buurten zoals het Rabot en de Dampoort, zodat de dichtstbevolkte gebieden van Gent in de marge van de binnenstad liggen. De rest, zoals de deelgemeentes Zwijnaarde en Ledeberg, liggen dan in de buitenstad (figuur 11). De redenering achter het opsplitsen van het studiegebied is dat mensen in de binnenstad meer accommodaties in de buurt hebben, zodat ze alles te voet kunnen doen terwijl de mensen uit de buitenstad al vaker een auto nodig hebben om zich te verplaatsen naar de dichtstbijzijnde accommodaties. De testpersonen hebben een leeftijd tussen 58 en 65 jaar.

21

Figuur 11: Studiegebied met gedefinieerde 'binnenstad'

3.2

Opstelling van het experiment

Het experiment waarbij de testpersonen deelnamen gebeurde tijdens de periode van 23 februari 2013 tot 4 april 2013 onder begeleiding van de universiteit Gent, vakgroep bewegingswetenschappen. Aan elk van de testpersonen werd een accelerometer gegeven. Dit is een toestel dat bewegingen registreert. De meter was een ActiGraph wGT3X-BT activity monitor vervaardigd door het bedrijf ActiGraph. Het werd opgedragen om dit toestel boven de rechterheup te bevestigen. De participanten werden hierna gevraagd om dit minstens een week lang te dragen. De personen waren vrij om te kiezen welke week ze wouden spenderen aan het onderzoek. Daarom is er een uiteenlopende testperiode. De accelerometer registreert om de 15 seconden bewegingen. Om een waarde te geven aan die bewegingen maakt het bedrijf Actigraph gebruik van een algoritme en geeft waarden in de vorm van counts. Aan deze activity monitor werd ook een GPS bevestigd die eveneens per 15 seconden de GPS locatie bijhoudt. Zo kan men later de locatie koppelen aan de counts. Tenslotte werd er ook een enquête opgesteld met vragen zoals BMI, werkstatus, leeftijd,… ingevuld door elk van de deelnemers. Van deze enquête wordt er in het onderzoek enkel gebruik gemaakt van de kennis over de werkstatus, geslacht en woonomgeving van de deelnemer. In verder uitdiepend onderzoek kan er gebruik gemaakt worden van de andere variabelen uit de enquête.

22

3.3

Verwerken van de data

Nu de testperiode voorbij is, kan de data verkregen door de accelerometer en de bevestigde GPS verwerkt worden. De accelerometer data komt in de vorm van een CSV bestand. Hierin zijn de eerste regels informatie over het desbetreffende toestel en over het interval van de opnames, in dit geval 15 seconden. Daaronder volgen de counts geregistreerd door de accelerometer.

Eerst wordt de accelerometer data gekoppeld aan de GPS data die ook bevestigd was aan elke testpersoon. Zo kan men per tijdsinterval het aantal counts aflezen, maar nu ook de locatie, snelheid,…. Daarna wordt er gecontroleerd of elk van de testpersonen wel degelijk een volledige week de accelerometer gebruikt had. Na eliminatie worden er dan 100 testpersonen overgehouden. Omdat het interessant is bij de analyses van het CTM diagram dat elke testpersoon een dataset van gelijke grootte heeft, worden de datasets verder bewerkt.

Er wordt geopteerd om van elk van de participanten een dataset van exact één week over te houden. De start van de week wordt gesteld op maandag en eindigt met zondag. Dit wordt gedaan met aanname dat een weekenddag verschilt van een weekdag en er geen significante afhankelijkheid is van opeenvolgende dagen. Een illustrerend voorbeeld hiervan is een dataset dat bijvoorbeeld op een woensdag start en eindigt bij de volgende dinsdag. De dagen maandag en dinsdag worden dan vóór woensdag geplaatst, zodat er een week van maandag tot zondag wordt bekomen. Dit is dus met de aanname dat bijvoorbeeld zondag en maandag niet of amper afhankelijk zijn van elkaar. Een week bestaat uit 40 320 intervallen van 15 seconden, dus wordt er gecontroleerd of elk van de testpersonen eveneens zoveel counts heeft. Bij de controle worden de hiaten opgevuld met counts met een waarde van 0, omdat er wordt aangenomen dat er geen lichamelijke activiteit was indien de accelerometer geen waarden registreert. Het algemeen gemiddelde wordt hierdoor sterk verlaagd, zodat er rekening mee moet worden gehouden in de interpretatie.

Bij de analyse van de eerste doelstelling worden de datasets gegroepeerd volgens drie criteria. Voor elke criteria worden dan de gemiddeldes per tijdsinterval genomen van elk persoon die onder de voorwaarden valt. Ook hier beïnvloeden de nulwaarden, al dan niet manueel 23

gecorrigeerd zoals hierboven beschreven, heel sterk het gemiddelde per tijdsinterval. Zo worden de verschillende datasets gecombineerd en gereduceerd tot één dataset met 40 320 waarden, waarvan elke count het gemiddelde is van alle counts van het desbetreffende interval van de testpersonen. Deze dataset moet een Excel bestand zijn om later te kunnen verwerken in het computerprogramma.

De tweede doelstelling vereist een andere aanpak dan de eerste doelstelling. Omdat er hier gewerkt wordt met verschillende grenswaarden worden er van de datasets binaire datasets gemaakt. Zo wordt er een waarde 1 gegeven indien de count voldoet aan de voorwaarde en een nulwaarde indien niet. De grenswaarden zijn 1952, 1500 en 1250. Zo creëert men een dataset met 3 kolommen waarbij elke kolom staat voor respectievelijk de grenswaarden. Men kan ook de operator aanpassen van het CTM om deze analyse uit te voeren, maar er werd hier geopteerd voor de binaire Excel. Dit wordt gedaan voor de datasets voor acht personen. In hoofdstuk 4 wordt dieper uitgelegd waarom deze keuze.

De derde doelstelling is het onderzoeken of het weer invloed heeft op de lichamelijke activiteit van ouderen. Het weer wordt vaak niet meegerekend in het onderzoek naar PA, dus leek het interessant om te kijken of het weer zomaar mag verwaarloosd worden. Eerst en vooral wordt er gezocht naar weerdata van de periode tussen 23 februari 2013 en 4 april 2013. Omdat dit al enige tijd geleden is, op het moment van schrijven is het 2015, wordt er gezocht naar een archief van weerdata. Op de website van Wunderground (http://www.wunderground.com/history, 2 maart 2015) wordt er het dichtste weerstation gezocht in de omgeving van Gent waarvan er data beschikbaar is. Het dichtstbijzijnde weerstation waarvan de weergegevens kan opgevraagd worden is aan de luchthaven van Antwerpen, België. Dit is ongeveer 50 kilometer verwijderd van Gent. De data wordt verwerkt in een Excel bestand door twee kolommen aan te maken: een voor de temperatuur en een voor de windsnelheid. De data kan men per uur opvragen dus bekomt men twee kolommen van elk 984 waarden. De temperatuur heeft Celsius als eenheid en de windsnelheid kilometer per uur.

Zo kan men twee CTM diagrammen bekomen, een voor de temperatuur en een voor de windsnelheid. Het kan zijn dat er ondubbelzinnigheden voorkomen indien men naar verschillende diagrammen moet kijken bij het analyseren. Daarom wordt gezocht naar een manier om deze twee diagrammen te combineren. Er wordt gekozen voor de Wind Chill, dit is 24

de gevoelstemperatuur. Deze kan berekent worden uit temperatuur en windsnelheid. De formule

volgens

de

Joint

Action

Group

on

Temperature

Indices

(JAG/TI)

(http://www.knmi.nl, 3 maart 2015) wordt gebruikt om de twee kolommen naar één kolom om te zetten dat dan de gevoelstemperatuur representeert. Het is immers aan te nemen dat de gevoelstemperatuur meer invloed zal hebben dan de effectieve temperatuur. De formule die gevolgd wordt is:

T staat voor de temperatuur in Celsius en W voor de windsnelheid in kilometer per uur. Als resultaat bekomt men dan een Excel bestand met één kolom van 984 waarden.

Nu de data verwerkt is voor het weer, moet er ook kunnen vergeleken worden met de data van de testpersonen. Om dit te realiseren moeten alle accelerometer data gegroepeerd worden volgens de kalenderdagen. Om een overzicht te bewaren wordt er eerst een overzichtelijke tabel gemaakt dat bijhoudt per kalenderdag welke testpersonen data hebben. Uit deze overzichtstabel blijkt dat er veel data is tijdens de maand maart 2013 en weinig op het einde van februari 2013 en begin april 2013. Hieruit besluit men dan om enkel de maand maart te gebruiken. Er worden CTM diagrammen gemaakt van alle testpersonen, maar ook diagrammen waarbij ze gegroepeerd zijn onder woonlocatie en geslacht. Per dag worden dus voor elk van de groepen alle gemiddeldes genomen per tijdsperiode en onder elkaar bijgehouden in een grote kolom in een Excel bestand. Zo bekomt men vijf Excel bestanden: een voor alle personen, twee voor respectievelijk binnen –en buitenstad, en twee voor respectievelijk mannen en vrouwen. Dit voor de periode maart 2013.

Nu alle voorbereidingen compleet zijn en alle Excel bestanden aangemaakt zijn, kan men beginnen aan de analyses. De universiteit Gent, vakgroep geografie, heeft een MATLAB script ter beschikking gesteld dat Excel bestanden kan omzetten naar de visuele CTM diagrammen. De interface van het script vraagt om volgende zaken: 'Data length', 'Data number', 'Sheet name', 'Data arrangement', 'formula', en de locatie van het Excel bestand. 'Data length' staat voor het aantal waarden dat het diagram heeft op het kleinste detailniveau en 'Data number' staat voor het aantal verschillende diagrammen dat het programma moet maken. 'Data arrangement' zegt hoe het programma de waarden moet inlezen, verticaal of 25

horizontaal. In dit onderzoek wordt het standaard op verticaal gehouden zodat 'Data length' staat voor het aantal rijen in het bestand en 'Data number' voor het aantal kolommen dat ingelezen moet worden.

Vooraleer de bestandslocatie van het Excel bestand moet worden gekozen, dient men ook de operator – 'formula' in het script – te selecteren. De operator, zoals reeds beschreven in hoofdstuk 2, is zeer belangrijk bij het opbouwen van het CTM. Bij de Excel bestanden die dienen om de eerste en derde doelstellingen te onderzoeken wordt het gemiddelde als operator gebruikt. De top van de driehoek is dan het gemiddelde van het alle waarden, dus van het grootste tijdsinterval. Bij de tweede doelstelling wordt gebruik gemaakt van de som als operator, zodat de top van de driehoek de som is van alle waarden.

Na het selecteren van het Excel bestand, wordt het CTM diagram opgemaakt en weergegeven. Via de 'Color editor' kan men de kleurenschaal aanpassen naar wens. Zoals uitgelegd in hoofdstuk 2 wordt er gekozen voor zowel grijswaarden als kleuren.

Bij het invoeren van de bestanden in het script bleek dat het RAM geheugen van de gebruikte computer (6 GB) niet voldoende was om grote bestanden te verwerken. Daarom worden de bestanden omgezet naar kleinere bestandsgroottes. Bij de bestanden van de eerste doelstelling worden de lengte van de kolommen gereduceerd tot 10080 rijen, dit door het samentellen van alle 15 seconden intervallen naar 1 minuut intervallen. De bestanden voor de tweede doelstelling worden gereduceerd zodat het kleinste interval 10 minuten bedraagt bedraagt. Hetzelfde voor de bestanden die de PA vergelijken met de weerdata, maar dan met 1 uur als kleinste detailniveau. De resolutie van de Wind Chill is immers ook 1 uur.

Verder worden er ook nog statistische analyses gemaakt. Volgens de Pearson correlatie coëfficiënt (http://www.statisticshowto.com, 14 augustus 2015) wordt er onderzocht of de weerdata correleert met de PA van de testpersonen. Men spreekt van correlatie als beide variabelen eenzelfde of tegenovergestelde trend hebben. Indien er correlatie is, mag men er niet onmiddellijk van uitgaan dat er een causaal verband is. De correlatie coëfficiënt die in dit onderzoek gebruikt wordt is de Pearson coëfficiënt. Dit wordt gebruikt bij variabelen die op intervalschaal gemeten zijn, zoals de temperatuur in Celsius. De formule hiervoor is:

26

Indien de absolute waarde van de uitkomst dicht bij 1 ligt, spreekt men van een zeer sterke correlatie.

Tenslotte worden alle gemaakte CTM diagrammen in het programma Adobe Photoshop afgewerkt. Alle assen worden opgemaakt met de juiste labels. Het MATLAB script weet immers niet over welke tijdsperiode de Excel waarden gaan. Deze opgemaakte en afgewerkte diagrammen worden dan opgeslagen in een JPEG bestand.

27

4.

RESULTATEN

Volgend op de doelstellingen (zie hoofdstuk 1), worden de resultaten opgedeeld in drie grote luiken. In het eerste deel worden de participanten verdeeld op basis van drie verschillende criteria. Het eerste criterium is de woonlocatie. Het studiegebied werd opgedeeld in twee delen: binnen –en buitenstad. De tweede maatstaf is het geslacht, waarbij de vrouwelijke en mannelijke testpersonen apart onderzocht worden. Omdat de gemiddelde leeftijd van de testpersonen rond 60 jaar ligt, zijn er al enkele gepensioneerden. Dit is dan ook het laatste criterium waarop onderzoek wordt gedaan. Van elk van deze drie groepen worden de CTM diagrammen onderzocht en vergeleken met elkaar (onderzoeksvraag 1). Vervolgens wordt er getest of de standaard grenzen van de lichamelijke activiteit nog steeds geldig zijn bij ouderen. Aangezien dit moeilijk te controleren is, wordt er gekeken naar patroonveranderingen bij het verlagen van deze grenzen (onderzoeksvraag 2). Als laatste – maar daarom niet minder belangrijk – wordt er nagegaan of het weer een invloed uitoefent op de lichamelijke activiteit van ouderen. Ook hier worden de testpersonen opgedeeld, maar deze keer enkel volgens woonlocatie en geslacht. De groepering volgens werkstatus wordt hier achterwege gelaten wegens onvoldoende data (onderzoeksvraag 3).

4.1

Vergelijken van CTM-diagrammen

Zoals in het inleidend deel vermeld, worden er CTM diagrammen opgesteld van drie groepen, onderverdeeld volgens woonlocatie, geslacht en werkstatus. Eerst worden de CTM diagrammen opgemaakt van elke testgroep, met als operator het gemiddelde. Dit wordt gedaan op wekelijks niveau en op dagelijks. Vervolgens worden voor beide testgroepen (bijvoorbeeld mannen en vrouwen) het verschil van deze diagrammen (op dagelijks niveau) weergegeven in een CTM diagram. Zo kan men eventuele patroonverschillen duidelijk visualiseren.

4.1.1 Woonlocatie

In eerste instantie worden de 100 testpersonen opgedeeld naarmate de locatie waar ze wonen. Zoals eerder vermeld in hoofdstuk 3 is het studiegebied opgedeeld in de binnenstad en buitenstad. De binnenstad is gedefinieerd door een cirkel met een radius van 2 kilometer dat ongeveer de historische Gentse stad omvat. De mensen uit de buitenstad zijn dan degene die 28

niet in deze cirkel leven. Van de 100 testpersonen woont 24% in de binnenstad en 76% in de buitenstad.

4.1.1.1 Binnenstad

Figuur 12 stelt het CTM-diagram voor van de gemiddelde PA van alle testpersonen wonend in de binnenstad van Gent. De x-as stelt het lineaire verloop van de tijd weer beginnend, van links naar rechts, bij maandag tot en met zondag. De lineaire data is voorgesteld met een frequentie van één minuut. De waarden voor de grotere intervallen worden bekomen door het gemiddelde te nemen van alle één-minuut intervallen in het te bekomen interval. Bijvoorbeeld om het interval van één dag te bekomen, wordt het gemiddelde van 1440 minuten genomen. In dit diagram zijn er geen opvallende trends. Het gemiddelde van de week wordt vooral beïnvloed door de hogere activiteit in het weekend (interval vrijdag tot en met zondag). Er is minder PA waar te nemen tijdens het interval van vrijdag.

Figuur 12: Wekelijkse PA bewoners binnenstad

In dit drieluik (woonomgeving, pensioen, geslacht) wordt er buiten het wekelijks niveau ook dieper gekeken naar het dagelijks niveau. Er wordt geopteerd voor maandag en zondag. Maandag is representatief voor een weekdag en zondag voor een weekenddag.

Respectievelijk figuur 13 en figuur 14 stellen de CTM diagrammen hiervan voor. Deze diagrammen zijn opgesteld met de waarden van de inwoners van de Gentse binnenstad. Het algemeen gemiddelde van maandag is 122 PA/min. Maandag zijn er geen uitgesproken 29

patronen te vinden. Enkel twee kleine pieken: een tussen het interval van 11:00 en 12:00 met een gemiddelde waarde van 465 PA/min en de andere van het interval 18:00 tot 19:00 met een gemiddelde van 344 PA/min. Tussen 12:30 en 15:00 is er gemiddeld weinig PA gemeten (gemiddeld 134 PA/min). Zondag (gemiddeld 166 PA/min) daarentegen heeft twee grote pieken. De grootste is tussen 11:00 en 13:00 (gemiddeld 449 PA/min), de tweede tussen 15:00 en 16:00 (gemiddeld 753 PA/min). Dit zorgt ervoor dat de gemiddelde PA waarde tussen het interval 11:00 en 16:00 hoger ligt (gemiddeld 421 PA/min), ondanks dat er ook hier een periode (12:30 – 15:00) is van gemiddeld weinig PA (gemiddeld 204 PA/min). Op zowel de weekdag als de weekenddag is er een piek te vinden rond 11:00 – 12:00 uur. Dit is vermoedelijk zo omdat het dan traditioneel eettijd is. Dit komt overeen met de piek op de weekdag. Deze valt omstreeks 19:00. Op een weekenddag vind men eveneens een piek, althans minder sterk dan degene rond 15:00 – 16:00 uur.

Figuur 13: PA-waarden van maandag bij inwoners van de binnenstad

30

Figuur 14: PA-waarden van zondag bij inwoners van de binnenstad

4.1.1.2 Buitenstad

Figuur 15 is het diagram van de wekelijkse data met testpersonen die in de buitenrand van de stad wonen. In tegenstelling tot het vorige diagram, waar de gemiddelde PA op zondag het wekelijks gemiddelde sterker beïnvloedde, is de data hier zo goed als gelijk verdeeld. Er zijn weinig trends waar te nemen.

Figuur 15: Wekelijkse PA-waarden bij inwoners van de buitenstad

31

Maandag (figuur 16) is er gemiddeld het meeste PA gemeten tussen het interval 14:00 en 15:00 (485 PA/min), zeker in vergelijking met het algemeen gemiddelde van de hele dag (146 PA/min). De gemiddelde waarden stijgen wel gradueel van de nacht (gemiddelde rond de nulwaarde) tot de piek en dalen dan terug tot de nieuwe nacht begint. Er is wel een kleine dip te vinden in de gemiddelde PA, tussen het interval 12:30 en 13:00 (193 PA/min), maar die beïnvloedt het gemiddelde niet sterk op hogere niveaus.

Zondag (figuur 17) telt net zoals maandag één periode van gemiddeld hogere PA (377 PA/min). Hier is de piek nu tussen het interval 10:00 en 12:30. Dit hoogtepunt bestaat eigenlijk uit twee pieken van kleinere intervallen, namelijk die van 10:00 tot 11:00 (380 PA/min) en van 12:00 tot 12:30 (317 PA/min).

Hier heb je geen overeenkomstige pieken zoals bij de mensen van de binnenstad. Zondag is de piek wel terug rond het middaguur.

Figuur 16: PA-waarden van maandag bij inwoners van de buitenstad

32

Figuur 17: PA-waarden van zondag bij inwoners van de buitenstad

4.1.1.3 Vergelijking

Indien men beide tijddata wil vergelijken met elkaar via de traditionele lijndiagrammen wordt het vaak onduidelijk. Een vergelijkende studie met het CTM kan gebeuren door gebruik te maken van map algebra. In figuur 18 wordt het verschil genomen tussen de waarden van het CTM diagram van de mensen buiten de stad en het ander diagram. De operator is ƒn = ƒ1 – ƒ2. Indien het resultaat positief is, dus wanneer de gemiddelde PA groter is bij de mensen in de binnenstad dan bij de andere groep, wordt er een rode kleur gebruikt. Een blauwe kleur bij de negatieve waarden (gemiddelde PA kleiner). De intensiteit van de kleur duidt de grootte aan van het verschil tussen beide diagrammen.

33

Figuur 18: Verschil tussen de wekelijkse PA-waarden van bewoners van de binnen –en buitenstad

Er zijn geen duidelijke uitschieters waar te nemen, het verschil ligt voornamelijk rond de nulwaarde, waar de waarden tijdens het betreffende interval bij beide testgroepen gelijk was. Om die reden is er dan ook een lijn getrokken ter verduidelijking rond de contouren van het triangulair model. Aangezien er weinig variatie zit op grote schaal, wordt er dieper gekeken naar kleinere schalen. Figuur 19 en figuur 20 stellen de diagrammen voor van respectievelijk maandag en zondag waarbij eveneens het verschil tussen de twee testgroepen is genomen.

Figuur 19: Verschil tussen PA-waarden van maandag van bewoners van de binnen –en buitenstad

34

Figuur 20: Verschil tussen PA-waarden van zondag van bewoners van de binnen –en buitenstad

Op maandag is er patroon te zien waarbij er opvallend meer PA waargenomen wordt tussen 13:00 en 16:00 bij de groep die niet in de binnenstad woont. Er is gemiddeld ongeveer 500 PA per minuut meer waargenomen dan de participanten in de binnenstad. De periodes rond 11:00 en 19:00 markeren een tijd waarbij er meer activiteit is bij degene wonend in de binnenstad. Zondag daarentegen zijn er twee opvallende periodes, namelijk die van 10:00 tot 12:00 en die van 15:00 tot 16:00. Daar is er gemiddeld tussen de 500 en 1000 PA per minuut meer activiteit bij de inwoners van de binnenstad dan de vergelijkende partij.

4.1.2 Werkstatus

De testpersonen worden hier opgedeeld volgens hun werkstatus. Van de 100 testpersonen zijn er 70% op pensioen en 30% niet gepensioneerd. De verdeling van het onderzoek is volledig analoog met het bovenstaande: eerst worden de wekelijkse en dagelijkse CTM diagrammen van elke groepen (gepensioneerd en niet-gepensioneerd) opgesteld, waarna vervolgens de CTM diagrammen met het verschil tussen beiden worden gevisualiseerd.

4.1.2.1 Gepensioneerd en niet gepensioneerd

Figuur 21 en figuur 22 stellen respectievelijk de CTM diagrammen voor van de gepensioneerden en de niet-gepensioneerden. Beide met het gemiddelde als operator en een 35

week als maximaal niveau. Beide diagrammen vertonen een vrij regelmatig patroon. Er zijn geen opvallende uitschieters dat het totaal gemiddelde beïnvloedt. De weekends vertonen voor beide testpersonen een periode van een iets hogere PA. Omdat er geen duidelijke patronen te zien zijn op wekelijks niveau, wordt er hier ook gekeken op een kleinere schaal. Om consequent te blijven worden de diagrammen van maandag en zondag onderzocht.

Figuur 21: Wekelijkse PA-waarden gepensioneerden

Figuur 22: Wekelijkse PA-waarden niet-gepensioneerden

36

Bij de niet-gepensioneerde testpersonen is er maandag gemiddeld 148 PA/min waargenomen. De periode met verhoogde PA was tussen 12:00 en 19:30 (292 PA/min) met drie pieken rond 12:00 (316 PA/min), 15:00 (330 PA/min) en 17:00 (317 PA/min). Zondag is er tussen 10:00 en 18:00 gemiddeld meer PA (349 PA/min) gemeten dan het dagelijks gemiddelde (151 PA/min). Er vallen twee grote pieken op. De eerste is tussen 10:00 en 12:00 (gemiddeld 433 PA/min) en de tweede tussen 14:30 en 16:00 (gemiddeld 415 PA/min), met de grootste piek tussen 14:00 en 15:00. Tussen 13:00 en 14:00 is er gemiddeld minder PA (226 PA/min).

Figuur 23: PA-waarden van maandag bij niet-gepensioneerden

Figuur 24: PA-waarden van zondag bij niet-gepensioneerden

37

Vervolgens wordt hetzelfde bekeken bij de gepensioneerden. Maandag (dagelijks gemiddelde van 136 PA/min) is er een dip tussen 12:30 en 13:30 (gemiddeld 174 PA/min). Er is een piek tussen 14:00 en 15:00 (gemiddeld 461 PA/min). Zondag is er gemiddeld veel PA gemeten tussen 10:00 en 13:00 (gemiddeld 441 PA/min) met opnieuw een periode van gemiddeld minder PA rond 13:30 (345 PA/min).

Figuur 25: PA-waarden van maandag bij gepensioneerden

Figuur 26: PA-waarden van zondag bij gepensioneerden

38

4.1.2.2 Vergelijking

Analoog zoals bij de woonomgeving is er ook een vergelijking tussen gepensioneerden en niet gepensioneerden gebeurd. De waarden krijgen de kleurcode rood indien er gemiddeld meer PA werd geregistreerd bij de gepensioneerden dan bij de niet-gepensioneerden. Analoog krijgen de waarden kleurcode blauw bij het tegengestelde geval. Gemiddeld gezien zijn de niet-gepensioneerden wekelijks actiever dan hun tegenhangers. Dit is echter geen significant verschil. In tegenstelling tot bij de woonomgeving zijn er geen intervallen op grotere schaal waarbij de gepensioneerden een hoger aandeel PA hebben. Er is ook geen duidelijk patroon te vinden op het wekelijks niveau.

Figuur 27 stelt dezelfde vergelijking voor waarbij het grootste niveau een dag is, meer bepaald maandag. Zoals eerder vermeld wordt er dagelijks meer PA geregistreerd bij nietgepensioneerden. Het verschil is het grootst tijdens de uren rond de middag, namelijk van 12:00 tot en met 13:00. Het uur erna hebben de gepensioneerden gemiddeld meer PA. Tussen 17:00 en 18:00 is er opnieuw een blauwe periode met een groter verschil.

Vervolgens stelt figuur 28 de vergelijking voor met hetzelfde maximale niveau (dag), maar nu voor zondag. Tussen 10:00 en 13:00 is er overwegend meer PA waargenomen bij de gepensioneerden, terwijl tussen 14:00 en 18:00 er meer PA is bij de niet-gepensioneerden. Dit zorgt er ook voor dat de niet-gepensioneerden gemiddeld gezien een grotere activiteit hebben op zondag.

39

Figuur 27: Verschil van PA-waarden van maandag bij gepensioneerde en werkende ouderen

Figuur 28: Verschil van PA-waarden van zondag bij gepensioneerde en werkende ouderen

4.1.3 Geslacht

Tenslotte worden de 100 participanten opgedeeld volgens hun geslacht. Van alle drie de opdelingen is deze het meest gelijk opgedeeld: 51% zijn mannen en 49% zijn vrouwen. Opnieuw worden eerst de afzonderlijke CTM diagrammen gevisualiseerd en daarna de diagrammen die het verschil tussen de mannen en vrouwen aantonen.

40

4.1.3.1 Man

Op wekelijks niveau ziet men dat er gemiddeld gezien meer PA geregistreerd wordt bij de mannen in vergelijking met de vrouwen. Bij de mannen is er meer PA tijdens maandag, dinsdag en zondag, terwijl er bij de vrouwen een redelijk gelijke verdeling is zonder echte pieken of dalen.

Figuur 29: Wekelijkse PA-waarden bij mannen

Figuur 30: Wekelijkse PA-waarden bij vrouwen

Bij de mannelijke testpersonen is er maandag (dagelijks gemiddelde van 156 PA/min) vlak na 12:00 gemiddeld minder PA waargenomen (figuur 31). Er zijn geen duidelijk patronen of

41

pieken te vinden. Wel een iets hoger gemiddelde vlak voor 12:00 (gemiddelde van 494 PA/min) en rond 19:00. Zondag daarentegen is er opvallend meer PA geregistreerd tussen 10:00 en 12:00 (gemiddelde van 668 PA/min). Hierdoor is de gemiddelde PA per minuut tussen 10:00 en 17:00 hoog (gemiddeld 408 PA/min), ondanks dat er na 12:00 geen opvallend hogere gemiddelden zijn waargenomen. Er is zelfs een dip tussen 13:00 en 14:00 (gemiddeld 197 PA/min).

Figuur 31: PA-waarden van maandag bij mannen

Figuur 32: PA-waarden van zondag bij mannen

42

4.1.3.2 Vrouw Bij de vrouwen zijn er maandag algemeen lagere gemiddelden van PA (dagelijks gemiddelde van 122 PA/min) geregistreerd. De gemiddelden stijgen tussen 13:00 en 17:00. Zondag is er relatief veel PA tijdens de nachtelijke uren (64 PA/min), namelijk tussen 00:00 en 01:00. Het algemeen gemiddelde ligt nog lager dan dit van maandag (112 PA/min). Ook hier wordt de meeste PA gemeten tussen 13:00 en 17:00.

Figuur 33: PA-waarden van maandag bij vrouwen

Figuur 34: PA-waarden van zondag bij vrouwen

43

4.1.3.3 Vergelijking De diagrammen met het maximale interval van een dag, worden opnieuw opgesplitst in maandag en zondag.

Figuur 35: Verschil van maandag tussen mannen en vrouwen

Figuur 36: Verschil van zondag tussen mannen en vrouwen

Ook hier wordt dezelfde kleurcode gehanteerd: rood wanneer er meer PA werd geregistreerd bij mannen en blauw bij vrouwen. 44

Op figuur 35 is het diagram voor maandag te zien en op figuur 36 die voor zondag. Gemiddeld gezien is er maandag een piek rond 12:00 uur dat het gemiddelde van de volledige dag sterk beïnvloedt. In deze piek is er opvallend meer PA waargenomen bij de mannen dan bij de vrouwen. Deze trend is ook aanwezig op het diagram van zondag, waarbij het verschil nog groter is. Hier gaat het meer om het interval tussen 10:00 en 12:00.

4.2

PA niveaus

MVPA staat voor "Moderate to Vigorous Physical Activity". Dit duidt aan wanneer de lichamelijke activiteit als significant wordt aanschouwt. Het gebruik van MVPA werd sterk aangemoedigd door de richtlijnen uit "2008 Physical Activity Guidelines for Americans" (U.S. Government's Center for Disease Control, 2008) dat stelt dat een volwassene minimum 150 minuten per week lichamelijke activiteit moet hebben in de MVPA zone om verbetering te krijgen in zijn gezondheid.

De Actilife accelerometers meten een aantal counts per interval. Deze counts stellen dan de lichamelijke activiteit voor van de testpersoon tijdens een interval. De verschillende PA niveaus worden voorgesteld door cut points. In tabel 2 vindt men de cut points en kan men zien dat het MVPA niveau begint vanaf 1952 counts per minuut.

Tabel 2: Cut points lichamelijke activiteit Cut point

Min counts per min

Max counts per min

Sedentary

0

99

Light

100

759

Lifestyle

760

1951

Moderate

1952

5724

Vigorous

5725

9498

Very vigorous

9499

∞

Het is moeilijk na te gaan of dit getal effectief een representatieve grens is voor MVPA, zeker bij ouderen boven de 60 jaar. Daarom wordt er in dit luik onderzocht of veranderingen in deze limiet andere patronen aan het licht zouden brengen.

45

Omdat, zoals vermeld in hoofdstuk 3, men bij het groeperen van testpersonen gemiddeldes neemt per minuut is het gegroepeerde gemiddelde vaak veel kleiner dan dat van een individu. Dit omdat een nulwaarde een grote invloed uitoefent op het gemiddelde. Daarom wordt er gekeken naar CTM diagrammen van individuen en dus niet van uitgemiddelde waarden. Er worden uit de 100 testpersonen, acht mensen onderzocht. Deze keuze komt omdat we in het eerste deel drie onderverdelingen maken, namelijk woonomgeving, pensioen en geslacht. Indien men een testpersoon wilt hebben uit elke mogelijke categorie komt men aan acht mensen (tabel 3). Persoon 1 komt overeen met de eerste persoon uit tabel 3. Dit voor respectievelijk alle acht personen.

Tabel 3: Categorieën testpersonen PA niveaus >1952 counts

>1500 counts

> 1250 counts

(min/week)

(min/week)

(min/week)

Man

332

358

374

Werkend

Man

276

311

352

Binnenstad

Pensioen

Vrouw

198

309

370

Persoon 4

Binnenstad

Werkend

Vrouw

42

62

78

Persoon 5

Buitenstad

Pensioen

Man

212

275

338

Persoon 6

Buitenstad

Werkend

Man

66

176

291

Persoon 7

Buitenstad

Pensioen

Vrouw

46

95

160

Persoon 8

Buitenstad

Werkend

Vrouw

33

103

158

omgeving

werkstatus

geslacht

Persoon 1

Binnenstad

Pensioen

Persoon 2

Binnenstad

Persoon 3

De CTM diagrammen worden opgesteld met drie niveaus: een met het standaard niveau (1952 counts), een met 1500 counts en een met 1250 counts als limiet. Het doel van dit deel is om te onderzoeken of er een ander gedragspatroon aan het licht komt wanneer de limiet verlaagd wordt.

De lichamelijke activiteit van persoon 1 was 332 minuten per week boven de standaard MVPA limiet van 1952. Dit is meer dan het dubbele dat de richtlijnen voorstellen. De meeste minuten zijn gemeten tijdens het interval maandag tot en met dinsdag en tussen het interval zaterdag tot en met zondag. Bij het verlagen van de grens naar 1500 komt het totaal aantal minuten op 358. Dit is zeer gelijkaardig met het aantal van de standaard grens. Dit was te verwachten aangezien de persoon al zeer actief was. Dit vertaalt zich dan ook naar het diagram. Er zijn amper verschillen te vinden tussen beide patronen. Bij het verlagen naar de

46

grens van 1250 komt het resultaat op 374 minuten per week met hetzelfde patroon als logisch gevolg.

Figuur 37: PA niveaus persoon 1

Persoon 2 heeft eveneens meer minuten dan het minimum volgens de richtlijnen. Bij de standaard (1952) cut point telt men 276 minuten per week. De meeste minuten komen uit de intervallen van dinsdag, donderdag, zaterdag en zondag. Bij het verlagen naar 1500 als grenswaarde heeft men 311 minuten als resultaat. De patronen op het diagram blijven dezelfde. De grenswaarde van 1250 (352 minuten/week) toont aan dat het interval rond dinsdag meer invloed heeft.

Figuur 38: PA niveaus persoon 2

Persoon 3 liep gedurende de testweek 198 minuten boven het moderate niveau. Vooral de periode van dinsdag heeft veel invloed gehad op dit eindtotaal. Verder zijn er lagere waarden in het interval van vrijdag tot en met zondag. Indien men de limiet verlaagd naar 1500 bekomt men 311 minuten. Dit is een grotere stijging dan de vorige twee personen. Het aantal minuten bij de limiet van 1250 bedraagt 352. Dat is ook te zien op de diagrammen. Bij het verlagen van de grenswaarden, zijn de toegenomen minuten vooral te vinden in de intervallen van het weekend en het interval van maandag. Zo is het aandeel van het weekend nu even groot als dat van het interval van dinsdag.

47

Figuur 39: PA niveaus persoon 3

De vierde persoon in onze lijst liep de testweek slechts 42 minuten boven de limiet van 1952 counts. Bijna alle minuten zijn tijdens het interval van dinsdag gewandeld. Het weekend en maandag hebben niet veel invloed, maar bevatten toch enkele minuten waarbij de lichamelijke activiteit boven de limiet was. Bij het verlagen van de grenswaarde naar 1500 bekomt men nu 62 minuten per week als resultaat. De patronen worden versterkt zodat dinsdag nog met kop en schouders boven de andere intervallen uitsteken. Bij een lagere grenswaarde bekomt men 78 minuten per week en dezelfde patronen als voorheen.

Figuur 40: PA niveaus persoon 4

Bij persoon 5 is er bij de limiet van 1952 counts per minuut 212 minuten per week vastgesteld. Dit is vooral door de intervallen van maandag, woensdag en vrijdag. Ondanks dat het verschil in aantal minuten bij de lagere limiet van 1500 counts (275 min/week) niet zo groot is, is er nu ook duidelijke invloed door het interval van donderdag. De limiet van 1250 (338 min/week) heeft eveneens tijdens die periodes het meeste invloed.

Figuur 41: PA niveaus persoon 5

Persoon 6 heeft slechts 66 minuten per week boven de grens van 1952 counts gelopen. Omdat dit aantal vrij laag ligt zijn er niet onmiddellijk overheersende periodes te vinden, buiten een 48

hogere activiteit op zondag. Bij het verlagen van de limiet naar 1500 counts wordt er bij de persoon wekelijks 176 minuten gemeten. Dit is meer dan het dubbele en toont zich op het CTM diagram. Bijna elke dag (buiten het interval van zaterdag) brengt nu zijn invloed uit. Dezelfde conclusies wanneer men de limiet nog verlaagd naar 1250 counts.

Figuur 42: PA niveaus persoon 6

De volgende persoon heeft nog minder minuten per week boven het standaardniveau, namelijk 46 minuten per week. Het is vooral het interval rond zaterdag en dinsdag dat deze minuten voorzien. Bij het verlagen naar 1500 counts bekomt men 95 minuten per week. Het patroon toont nog steeds aan dat het interval van zaterdag de grotere toevoer is aan minuten, maar nu hebben de intervallen van dinsdag, woensdag, donderdag en zondag ook een duidelijke invloed. Bij de laatste verlaging naar 1250 counts (160 min/week) wordt het patroon versterkt, maar vooral tijdens het interval van maandag, donderdag en zaterdag.

Figuur 43: PA niveaus persoon 7

Tenslotte bekomt men bij de laatste persoon 33 minuten per week waarbij er meer dan 1952 counts gemeten wordt. Het diagram vertelt dat de minuten voornamelijk tijdens het interval van dinsdag vallen en een beetje tijdens maandag, woensdag en zondag. Bij het verlagen van de limiet naar 1500 counts bekomt men 103 minuten per week. Aangezien dat een sterke toename is ziet men ook op het diagram intervallen die nu meer invloed hebben. Ondanks dat het interval van dinsdag nog steeds het meeste aantal minuten bevat, is er een sterke toename aan minuten tijdens woensdag. Bij de verlaging naar 1250 counts (158 min/week) is het zelfs zo dat het interval van woensdag ongeveer evenveel minuten toevoegt als het interval van dinsdag.

49

Figuur 44: PA niveaus persoon 8

Nu men de veranderingen van alle personen heeft geanalyseerd kan men concluderen dat er geen significante variaties zijn in de patronen bij het verlagen van de grenswaarden. Enkel bij persoon 5 is er een duidelijke verandering indien we de grenswaarde naar 1500 brengen. Bij persoon 8 wordt de patroonsverandering pas duidelijk bij een verlaging naar 1250, wat al een groot verschil is met de standaard waarde van 1952 counts.

4.3

Weer

Eerdere onderzoeken omtrent PA bij ouderen hebben geen rekening gehouden met weerdata. Temperatuur en wind variëren doorheen de tijd, dus is dit een interessant punt om verder te bekijken. De gegevens van deze twee variabelen werden eerst apart voorgesteld op een CTM diagram. Om de dubbelzinnigheid weg te werken van het kijken naar meerdere CTM diagrammen tijdens de analyse, wordt er hier map algebra toegepast. De operator is deze keer ingewikkelder dan de vorige voorbeelden. Uit temperatuur en windsnelheid gegevens kan de wind chill berekend worden (figuur 45). Dit is de gevoelstemperatuur, de schijnbare temperatuur dat de mens ondervindt. Er wordt aangenomen dat deze temperatuur meer doorslaggevend is voor de veranderingen in PA dan de 'echte' temperatuur. De operator, dat beide variabelen omvormt tot de wind chill parameter, is volgende formule:

Als resultaat bekomt men figuur 46.

50

Figuur 45: Omzetting temperatuur en windsnelheid naar gevoelstemperatuur

Figuur 46: Gevoelstemperatuur tussen 1 en 23 maart 2013

Op dit CTM diagram is duidelijk dat er tussen 10 en 16 maart een opmerkelijke koudere periode is, waardoor het gemiddelde tussen 10 en 23 maart zelfs onder het vriespunt valt, terwijl er toch een kleine warmere periode is tussen 16 en 20 maart.

Om na te gaan of er een lineaire correlatie is tussen de gevoelstemperatuur en de gemiddelde PA per minuut wordt er gebruik gemaakt van de Pearson correlatie coëfficiënt 51

(http://www.statisticshowto.com, 14 augustus 2015) als statistische methode. Deze gebruikt volgende formule:

waarbij x staat voor de matrix met de waarden van de gemiddelde PA en y voor de matrix met de temperatuurdata horend bij elk uur. Als resultaat wordt 0,278 bekomen. De Pearson coëfficiënt geeft altijd een waarde tussen -1 en 1 weer. -1 staat voor een sterke negatieve correlatie, terwijl 1 staat voor een sterke positieve. Het resultaat 0,278 valt tussen de klasse +.20 to +.29, wat staat voor een zwakke positieve relatie.

Ondanks deze zwakke lineaire relatie kan men op het CTM een zekere overeenkomst zien. De Pearson coëfficiënt kijkt voornamelijk naar de uurlijkse fluctuaties, terwijl de variaties op grotere schaal overeenkomsten tonen. Zo is de gemiddelde PA per minuut tussen interval 1 tot en met 16 maart hoger dan de gemiddelde PA per minuut tussen interval 14 en 17 maart. Dit komt licht overeen met de gemiddelde gevoelstemperatuur die ook tussen die intervallen respectievelijk hogere en lagere temperaturen bevat.

Figuur 47: PA-waarden tussen 1 en 23 maart 2013

Omdat er aanwijzingen zijn dat het weer toch een grotere rol speelt dan de correlatiecoëfficiënt laat blijken, wordt er dieper gekeken in een kleinere. De periode tussen van 12 tot en met 21 maart wordt uitvoerig geïnspecteerd, omdat deze periode gemiddeld gezien kouder aanvoelde dan de eerste helft van de maand en er ook minder gemiddelde PA per minuut werd waargenomen. 52

Figuur 48 is de gemiddelde PA tussen de periode 12 tot en met 21 maart. De periode tussen 16 en 20 maart is periode met een gemiddeld hogere PA dan interval 12 tot en met 16 maart.

Figuur 48: Gemiddelde PA tussen 12 en 22 maart

4.3.1 Periode 12 – 21 maart

Er wordt in deze periode onderscheid gemaakt tussen de testpersonen op basis van hun woonomgeving en hun geslacht.

Figuur 50 is het CTM diagram van de gevoelstemperatuur tussen 12 en 22 maart. De fluctuaties op kleinere schaal zijn hier duidelijker weergegeven dan op figuur 46. Tussen 16 en 20 maart is er een warmere periode met temperaturen boven de nul graden Celsius, met een piek tijdens de tweede helft van 18 maart. Er is terug een koudere periode tussen 20 en 21 maart.

53

Figuur 49: Overzicht interval dat verder onderzocht wordt

Figuur 50: Gevoelstemperatuur tussen 12 en 22 maart 2013

4.3.1.1 Woonlocatie

Op het diagram van de gemiddelde PA per minuut van de testpersonen wonend in de binnenstad (figuur 51) is er gelijkenis met het diagram van de gevoelstemperatuur. Er is hier ook een periode van lagere gemiddelde PA tijdens de periode van 12 tot 17 maart. Zoals ook de gemiddelde gevoelstemperatuur toen onder het vriespunt ligt. Analoog is er ook een piek van hogere gemiddelde PA tijdens de warmere periode van 17 tot 20 maart. De kleinere

54

koude periode tussen 20 en 21 maart, roept opnieuw een periode in van mindere gemiddelde PA per minuut.

Deze patronen komen niet voor als men het diagram (figuur 52) van dezelfde periode bekijkt, maar dan met testpersonen die buiten het centrum van de stad wonen. Daar komt de periode met de hoogste gemiddelde PA per minuut overeen met het koudste moment, namelijk het interval van 12 tot en met 15 maart. In de periode van 15 maart tot en met 19 maart is dan weer gemiddeld minder PA per minuut waargenomen. Dit strookt niet met de hypothese dat warmer weer, ouderen meer aanzet om te bewegen.

Figuur 51: PA-waarden van bewoners van de binnenstad tussen 12 en 22 maart 2013

55

Figuur 52: PA-waarden van bewoners uit de buitenstad tussen 12 en 22 maart 2013

4.3.1.2 Geslacht

De testpersonen werden eveneens onderverdeeld op basis van hun geslacht. De lichamelijke activiteit van de mannelijke testpersonen tijdens de periode 12 tot en met 21 maart worden voorgesteld in figuur 53 en hun vrouwelijke tegenhangers in figuur 54.

Figuur 53: PA-waarden van mannen tussen 12 en 22 maart 2013

56

Figuur 54: PA-waarden van vrouwen tussen 12 en 22 maart 2013

Bij de mannen zijn er periodes met gemiddeld hogere PA per minuut: de periode van 12 maart tot 15 maart en de periode van 18 tot en met 21 maart. Een gemiddeld lagere PA werd gemeten van 13 maart tot en met 19 maart. Dit gemiddelde ligt voornamelijk laag door het kleinere interval van 14 maart tot 17 maart, dat de grootste invloed heeft op het gemiddelde.

Bij de vrouwen is het algemeen gemiddelde lager dan bij de mannen. Er is gemiddeld een hogere PA per minuut tijdens de periode van 12 maart tot en met 14 maart. Tegenoverstaand is er tijdens het interval 15 maart tot en met 17 maart gemiddeld gezien het minst aantal PA per minuut waargenomen. Van 19 maart tot en met 21 maart is er opnieuw iets meer PA gemeten dan het gemiddelde.

57

5.

DISCUSSIE

In dit hoofdstuk wordt het onderzoek kritisch bekeken. Eerst wordt het onderzoek zelf onder de loep gehouden en worden alle elementen ervan geëvalueerd: de gebruikte methodes, de samenstelling van de testpersonen en het studiegebied. Vervolgens wordt aangehaald wat het belang is van het onderzoek en hoe het een aanvulling kan zijn. Dit wordt ondersteund met een terugkoppeling naar eerder uitgevoerd onderzoek.

5.1

Evaluatie methode en technieken

Het experiment maakt gebruik van een accelerometer om de objectieve lichamelijke activiteit op te meten. Hierdoor is er op consequente wijze activiteit gemeten, met een temporele component. Deze methode werd gekozen omdat vaak de lichamelijke activiteit 'gemeten' wordt door een zelfevaluatie van de testpersonen. Deze dienen dan in een vragenlijst in te vullen hoe lang ze actief waren en hoe actief ze dan waren. Sallis en Saelens (Sallis en Saelens, 2000) stelt dat een zelfrapportering van de lichamelijke activiteit leidt tot de neiging om uw waarden niet accuraat in te vullen. Dit kan doordat hun activiteit niet wenselijk is door de sociale omgeving of doordat men probeert in te schatten hoe de gemiddelde volwassene zou presteren. Ook zijn vragenlijsten meestal beperkt om een volledig beeld te krijgen van hun lichamelijke activiteit. Er was dus nood aan een alternatief voor deze zelfrapportering. In 2003 werd een accelerometer voor het eerst geïmplementeerd in de "National Health and Nutrition Examination Survey (NHANES)" in Amerika. Troiano (Troiano et al., 2007) wijst er op dat de accelerometer data geen volledige representatie is van de bewegingen. Aangezien de accelerometer op de heup wordt bevestigd worden alle bewegingen erboven niet geregistreerd. Ook wordt het effect van het heffen van gewichten niet opgemeten. Ondanks kan men toch stellen dat de meeste activiteit komt van wandelen. Hierdoor is het zeker aangeraden om een accelerometer te gebruiken bij het meten van objectieve lichamelijke activiteit. Van Cauwenberg (Van Cauwenberg et al., 2011) stelt in zijn review paper vast dat er slechts twee papers zijn die de objectieve PA gebruiken in hun onderzoek van de lichamelijke activiteit bij ouderen. Dit komt voornamelijk omdat het meer voorbereidend werk vraagt, ondanks het betere resultaten teweeg kan brengen.

De testperiode waarbij de personen de accelerometer data konden dragen was langer dan de periode waarbij het toestel effectief gedragen moest worden. Zo bekomt men variatie in het 58

tijdspatroon van het experiment. Er is nu overlappende data van 23 februari 2013 tot en met 4 april 2013. Dit zorgt voor voor –en nadelen in het onderzoek. Doordat de data van de testpersonen verspreid is, kunnen uitschieters meer invloed uitoefenen. In dit experiment zijn er weinig waarden (bijvoorbeeld van slechts één testpersoon) in het begin van februari, terwijl er veel waarden zijn in het midden van maart. Indien februari toevallig een uitschieter is het resultaat niet meer representatief voor de werkelijkheid. Als men het nadeel van de variatie in een ander daglicht stelt, wordt het net een voordeel. Net omdat er verschil zit in de tijdsperiode kan men weerdata opvragen en vergelijken. Omdat dit vaak wordt genegeerd in experimenten is het nuttig om het eens te onderzoeken.

Omdat de verdeling in categorieën van de testpersonen gebeurde na het experiment met de accelerometer is ook hier de data niet mooi verspreid. Zo is bij de verdeling slechts 24% van de testpersonen wonend in de binnenstad en 30% van alle personen niet gepensioneerd. Dit zorgt voor een ongelijke verdeling waardoor de resultaten kunnen afwijken van de werkelijkheid. Dit zorgde eveneens voor problemen bij het afwegen van categorieën. Oorspronkelijk was het idee om verder te gaan op het elan van het onderzoek van Van Dyck (Van Dyck et al., 2010). In dit werk wordt onderzocht of lichamelijke activiteit afhankelijk is aan de SES (socio-economische status) van de buurt en de walkability. Het studiegebied van dat onderzoek is hetzelfde als dit studiegebied, namelijk Gent. In de paper wordt Gent opgedeeld in verschillende categorieën naargelang hun SES en walkability. Er zijn vier opdelingen: hoge SES en lage walkability (1), hoge SES en hoge walkability (2), lage SES en lage walkability (3) en tenslotte lage SES en hoge walkability (4). Bij het onderverdelen van de accelerometer data van de ouderen bleek dat er zeer weinig data was in deze gebieden. Aangezien er bij een categorie slechts één testpersoon in dit gebied woont, werd deze onderverdeling niet verder onderzocht. Het zou echter een te grote onnauwkeurigheid worden.

Een ander punt dat men in het achterhoofd moet houden is de omzetting van de data. De accelerometer heeft soms hiaten in de data. Dit wil zeggen dat er niet altijd data geregistreerd werd per 15 seconden. Om de conversie en samenvoeging van de data eenvoudiger te maken werd er geopteerd om toch per persoon evenveel waarden te hebben. Daardoor werden de hiaten vervangen door nulwaarden. Indien er teveel onregelmatigheden was in de data, werd de persoon niet gebruikt in het experiment. Dit totdat men 100 testpersonen overhield met goede data. Zoals eerder vermeld zorgt dit voor lagere waarden indien het gemiddelde wordt genomen van alle testpersonen per tijdseenheid. 59

Het gebruik van het CTM laat toe om fluctuaties waar te nemen op kleine en grote schaal in één oogopslag. Er werd voor deze techniek geopteerd omdat er bij experimenten in verband met lichamelijke activiteit vaak naar de totale PA (bijvoorbeeld totale PA per week) wordt gekeken. Hierdoor gaat alle informatie in de intervallen verloren doordat patronen niet herkend kunnen worden. Men moet wel opletten bij analyses gebaseerd op het CTM dat het een visuele techniek is en dat het verkeerd gebruik van kleuren resultaten kunnen verdoezelen. Het CTM is eveneens ideaal om de temporele data van de gevoelstemperatuur in de testperiode voor te stellen.

5.2

Evaluatie steekproef en testpersonen

De visie dat dit onderzoek draagt is dat de sociale achtergrond of fysieke kenmerken van een persoon zijn of haar wandelpatroon kan beïnvloeden. Daarom werd er een zeer heterogene groep van testpersonen gekozen. Er werd onderscheid gemaakt op basis van geslacht, werkstatus en locatie. Door de ingevulde enquête kan men echter meer criteria opstellen. Er moet wel op gelet worden dat de steekproef zich vooral berust op vrijwilligers. Hierdoor kan het zijn dat de resultaten niet volledig representatief zijn, omdat mensen die zich aanbieden vaak tevreden en zelfzeker zijn over hun eigen conditie. Men mag dus niet onmiddellijk de resultaten weerspiegelen op alle inwoners van de regio Gent.

5.3

Evaluatie studiegebied

Het geselecteerde studiegebied is de regio Gent met al zijn deelgemeentes. Dit heeft een aantal voordelen in dit onderzoek. Het gebied is zeer bekend bij de onderzoeker, zodat de grens tussen binnen –en buitenstad met nodige kennis werd afgebakend. Het feit dat het enkel over omgeving Gent gaat, zorgt er voor dat de resultaten kunnen gebruikt worden in beleidsplannen omtrent lichamelijke activiteit bij Gentse ouderen. Het klein studiegebied zorgt dan ook voor nadelen. Doordat het enkel over Gent gaat, kunnen de resultaten niet representatief zijn voor Oost-Vlaanderen, dus laat staan België of West-Europa in het algemeen.

Hierdoor is het toch aangeraden om eveneens onderzoek te doen in andere

studiegebieden om zo een vergelijkende studie te maken.

60

5.4

Toepassing van het onderzoek

Elk jaar verliezen 10% van de zelfstandig wonende ouderen boven 75 jaar hun functionele onafhankelijkheid in de dagelijkse levensverrichtingen. (Gill, Williams, & Tinetti, 1995). Daarbovenop voorspelt men dat de wereldpopulatie een grote toename krijgt van ouderen boven de 65 jaar (https://www.nia.nih.gov, 2 augustus 2015). Eerder onderzoek (U.S. Department of Health and Human Services, 2008) heeft aangetoond dat 60% van de volwassenen

te

weinig

aan

lichamelijke

activiteit

deelnemen

om

effectieve

gezondheidvoordelen te krijgen. Er is dus een dringende nood om een toename aan lichamelijke activiteit te promoten in deze leeftijdscategorie. Daarom is er een sterke opkomst in het aantal onderzoeken dat zich specifiek toespitst op de lichamelijke activiteit van ouderen.

Dit onderzoek gebruikt een nieuwe techniek speciaal ontwikkeld voor temporele data. Terwijl de meeste experimenten gebruik maken van statistische methoden, wordt er hier een visuele analyse ondergaan. Hierdoor krijgt men een beter beeld in het leven van de testpersonen. De klassieke onderzoeken kijken voornamelijk naar het totaal of het gemiddelde van een hele week van de testpersonen en bekomen zo een getal. Dit getal kan echter niet weergeven of mannen zich bijvoorbeeld anders gedragen doorheen de week. Het CTM biedt hiervoor een oplossing en kan een goede aanvulling zijn bij de klassieke methoden.

De review paper (Van Cauwenberg et al., 2011) vat al het eerder onderzoek in verband met de relatie van de fysieke omgeving met de lichamelijke activiteit van ouderen samen. Hieruit blijkt dat er slechts een beperkt aantal studies zijn gebeurd in Europa. Veel van de studies gebeurden in Portland, Amerika waarbij de omgeving goed is aangepast aan het wandelen. In dit onderzoek werd er als fysieke omgeving gekeken naar de urbanisatie (de binnenstad). Volgens een studie in Taiwan door Chen en Fu (Chen en Fu, 2008) is er geen relatie tussen urbanisatie en recreatieve PA. Plotnikoff (Plotnikoff et al., 2004) en Wilcox (Wilcox et al., 2000), die respectievelijk studies deden in Canada en Amerika kwamen tot dezelfde conclusie. Arnadottir (Arnadottir et al., 2009) echter concludeerde dat in IJsland de stadsbewoners meer lichamelijk actief zijn dan hun rurale tegenhangers. In 2010 waren er slechts twee experimenten in verband met lichamelijke activiteit van ouderen dat gebruik maakten van een objectieve methode om de activiteit te meten. De

61

resultaten van elk onderzoek worden bekomen door statistische methodes en vertellen enkel maar informatie over de gehele testperiode, bijvoorbeeld aantal PA per week.

Ondanks de hoge nood aan promotie van activiteit bij ouderen, is er meer onderzoek nodig. De variërende resultaten naargelang de locatie van het experiment zorgen ervoor dat het vaak niet representatief is voor een grotere omgevingen en de vaak subjectieve metingen kunnen afwijken van de werkelijkheid. Hierdoor staat het onderzoek nog een beetje in de kinderschoenen en is er zeker ruimte voor meer experimenten en nieuwe methodes. Het doel van dit onderzoek is aan te tonen dat het niet enkel interessant is om te kijken wie er actiever is en of dit samenhangt met zijn fysieke omgeving, maar ook of er patroonswijzigingen zijn in functie van hun socio-economische toestand en omgeving.

Er wordt vaak aangenomen dat vrouwen minder fysiek actief zijn dan mannen (Loprinzia en Cardinal, 2012), en deze theorie wordt ook hier gestaafd. Ook in dit onderzoek kan men stellen dat mannen significant actiever zijn in het weekend dan de vrouwen. Indien men naar de resultaten kijkt van de bekomen CTM diagrammen zijn er ook verschillende patronen te vinden bij beide testgroepen. Bij de mannen zijn er zowel op de weekdagen als weekenddagen pieken te vinden rond de middag. Dat kan een gevolg zijn van de activiteit die men nodig heeft bij het opzetten en klaarmaken van het middagmaal. Opvallend is dat die pieken niet terug te vinden zijn om de diagrammen van de vrouwelijke testpersonen.

Stadsbewoners zijn aansluitend met de resultaten van Arnadottir (Arnadottir et al., 2009) ook actiever dan degene die niet in de binnenstad wonen. Een opmerking hierbij is dat bij het onderzoek van Arnadottir de niet stadsbewoners in een ruraal gebied leven. In dit onderzoek is de buitenstad toch wel verstedelijkt, maar niet in dezelfde mate als de binnenstad. Bij het analyseren van de diagrammen bleek ook bij de inwoners van de binnenstad een piek te zijn rond de middag. Dit zowel op een weekdag als weekenddag. Tijdens de weekdag was er eveneens een piek rond 19:00 wat het avondeten kan voorstellen. Opvallend is dat de piek rond de middag ontbreekt bij de diagrammen van de inwoners van de periferie van Gent op een weekdag. In het weekend is er wel een kleine toename aan activiteit waar te nemen rond die periode.

62

Er werd verwacht dat mensen die nog steeds werken gemiddeld meer aan lichamelijke activiteit doen dan gepensioneerden. De resultaten staven deze veronderstelling. De patronen komen ook overeen van wat we verwachten van een werkende persoon. Er zijn niet echt duidelijke pieken maar er is doorheen een werkdag (weekdag) verhoogde activiteit. Na 17:00 is er dan ook een duidelijk afname van activiteit wat het einde van de job kan betekenen. Bij de gepensioneerden is er meer structuur te vinden wat resulteert in een verhoogde activiteit rond de middag, waarna een korte rustpauze volgt.

Humpel (Humpel et al., 2002) stelt in haar werk dat er geen of zwakke associaties te vinden zijn tussen lichamelijke activiteit van volwassenen en de weersomstandigheden. Bélanger (Bélanger, 2009) onderzocht de impact van weer en seizoenen op de activiteit van jongeren tussen 12 en 13 jaar met behulp van subjectieve PA metingen. Ondanks de negatieve verwachting en het feit dat de Pearson correlatie coëfficiënt een zwakke correlatie uitkwam, werd het via het CTM verder onderzocht. Deze methode is namelijk goed met temporele data. De kleinere fluctuaties tonen inderdaad geen duidelijke associaties, maar de grotere fluctuaties tonen toch wel een correlatie aan. Bij het onderverdelen van de testpersonen bleek dan dat het weer bij personen wonend in de binnenstad een grotere impact had dan deze die er niet in wonen. Ondanks dat er bij een warme periode een opvallende toename is aan lichamelijke activiteit, is er dan geen opvallende afname bij temperaturen onder het vriespunt. Bij de interpretatie moet men toch rekening houden met andere variabelen die eveneens invloed hebben op de activiteit. Het is steeds opletten om onmiddellijk een causaal verband te concluderen.

5.5

Verder onderzoek

Zoals eerder al aangehaald is er nog steeds nood aan nieuw onderzoek. Onderzoek kan niet zomaar weerspiegeld worden over alle personen op deze aardbol. Deze nieuwe visualisatietechniek kan zeker een aanwinst zijn voor verder onderzoek in verband met lichamelijke activiteit wanneer men objectieve temporele PA gegevens heeft. Het CTM laat toe om patronen te vinden in temporele data. Zo kan het helpen het dagelijks levenspatroon beter te begrijpen. Dit is handig wanneer men acties wilt opstarten dat lichamelijke activiteit promoot bij ouderen. Men kan aangepaste acties of workouts regelen dat valt op de momenten in de dag of week waarbij de fysieke activiteit lager ligt bij het desbetreffend doelpubliek.

63

Dit onderzoek had als grootste achterliggende doelstelling het aantonen dat het CTM een interessante en nuttige aanpassing kan zijn bij verder onderzoek van lichamelijke activiteit. Daarom is er hier maar een beperkt aantal fysieke en socio-economische criteria gebruikt bij om een onderscheid te maken bij de testpersonen. Toekomstige experimenten kunnen rekening houden met walkability en SES, veiligheid, winkels en vele anderen. Het is ook aan te raden om de weersomstandigheden niet zomaar te verwaarlozen in de experimenten. In dit onderzoek is gebleken dat er toch wel een causale relatie aanwezig kan zijn.

64

6.

BESLUIT

Het toenemend aandeel aan ouderen in de wereld zorgt voor heel wat problemen. Een actievere oude bevolking kan zowel de maatschappij als hun eigen gezondheid helpen. Kortom iedereen heeft baat bij ouderen die langer leven en hun steentje nog kunnen bijdragen in de maatschappij. Helaas is dit net de bevolking waarbij de lichamelijke activiteit het snelst afneemt, met onthutsende cijfers. Het is dus aan ons om meer lichamelijke activiteit te promoten aan de ouderen. Deze thesis had als doelstelling aan te tonen dat het Continuous Triangular Model een nuttige aanvulling is om een beter beeld te krijgen in het leven van deze leeftijdgroep. Momenteel wordt deze techniek nog niet gebruikt in de studie van de bewegingswetenschappen, maar verder onderzoek kan het CTM zeker implementeren om een nieuw zicht te krijgen in de levenspatronen van de bevolking.

Het eerste deel van het onderzoek beantwoord de eerste onderzoeksvraag, namelijk of verschillende categorieën van personen verschillende patronen weergeven met betrekking tot hun lichamelijke activiteit. Men is begonnen bij het analyseren van mensen op basis van hun woonomgeving. Daaruit blijkt dat er bij mensen die in de binnenstad van Gent wonen, steeds een toename is aan PA tijdens de middag rond 12:00 en 19:00. Dit kan wijzen op een verhoogde activiteit tijdens de eeturen. Bij degene die niet in de binnenstad wonen, is er geen toename tijdens de eeturen. Tijdens de weekdagen (maandag representeert de weekdagen) is de meeste activiteit tussen 14:00 en 15:00, terwijl in het weekend (zondag representeert de weekenddagen) opnieuw rond de eeturen een toename is. Algemeen gezien is er gemiddeld ook meer lichamelijke activiteit waargenomen bij degene uit de binnenstad. Tabel 4 vat de waarden voor alle categorieën samen.

De niet gepensioneerde bevolking werkt meestal doorheen de hele dag, met de namiddag als hoogtepunt. Dit valt ook te zien op het CTM. Er zijn geen tijdstippen waar onverwachte pieken of dalen te vinden zijn. Tijdens het weekend vallen ze terug in een meer gestructureerde dag en is er toename aan activiteit te vinden tijdens het interval van 11:00 tot 12:00, wat opnieuw kan wijzen op het eetuur. Bij de gepensioneerden valt er tijdens de week op dat er een opmerkelijk dip is in lichamelijke activiteit na de middag, tussen 12:00 en 13:00. Tijdens het weekend hebben ze net zoals hun werkende medemensen ook een toename aan 65

activiteit rond 11:00. Zoals verwacht is er algemeen gezien gemiddeld meer PA per minuut bij de werkende oude bevolking dan bij de gepensioneerden (tabel 4).

Tenslotte worden de mannen vergeleken met de vrouwen. De vrouwen zijn gemiddeld gezien minder actief dan mannen (tabel 4). De mannen hebben tijdens de week een toename aan lichamelijke activiteit tijdens de eeturen (12:00 en 19:00), maar met een kleine dip net na 12:00. Zondag is er opvallend veel activiteit tijdens de periode van 10:00 tot 12:00. De vrouwen hebben geen opmerkelijke toe –of afname van activiteit, zelfs niet tijdens de eeturen.

Als besluit kan men toch stellen dat het zeker van belang is om personen in categorieën onder te verdelen indien men de lichamelijke activiteit wilt bestuderen. Er spelen nog veel meer variabelen mee in de wisselwerking tussen persoon en zijn lichamelijke activiteit. Het is daarom aangewezen om verder onderzoek te doen om tot een goed beeld te komen van de variërende lichamelijke activiteit per persoon.

Tabel 4: Gemiddeldes en totaal aantal PA van alle onderverdelingen Gemiddelde (SD) (PA/min)

Totaal (SD) (PA/week)

Binnenstad

158,8 (104,0)

1600310,0 (1048057,1)

Buitenstad

137,6 (59,6)

1386810,0 (600069,1)

Man

146,8 (66,9)

1479996,3 (673910,2)

Vrouw

124,0 (50,6)

1249307,5 (509559,7)

Pensioen

130,2 (59,4)

1312582,8 (599155,8)

Niet Pensioen

145,8 (59,1)

1469582,3 (595867,8)

Onderzoeksvraag 2 stelt de standaard waarden in vraag dat de bewegingswetenschappen gebruiken om MVPA (moderate-to-vigorous PA) aan te duiden. De analyses keken naar enige patroonsveranderingen bij het veranderen van deze grenswaarde. De standaard grens (1952 counts) werd verlaagd naar 1500 counts en 1250 counts. Er zijn echter geen significante veranderingen gevonden in het patroon van acht onderzochte testpersonen.

Tenslotte keek onderzoeksvraag 3 naar de impact van het weer op de lichamelijke activiteit. Hieruit bleek dat de gevoelstemperatuur toch een invloed heeft op de activiteit van de ouderen. Vooral in samenwerking met het fysisch milieu van personen. De personen in de binnenstad vertonen toenames van lichamelijke activiteit wanneer er een warme periode valt. Analoog is er een afname bij koudere temperaturen. De vertaling is niet volledig aangezien de 66

zeer koude periode rond 12 tot 14 maart 2013 een hogere lichamelijke activiteit meet. De mensen uit de buitenstad hebben geen enkel verband met de temperatuur. De koudste periodes roepen periodes in met de meeste PA. Dit is waarschijnlijk te wijten aan het feit dat deze personen afhankelijk zijn van een auto om een accommodatie te bezoeken. Bij de vergelijking van de mannen en vrouwen is het ongeveer hetzelfde verhaal als bij de woonomgeving. De lichamelijk activiteit van de mannen heeft een positieve relatie met de gevoelstemperatuur. Koude periodes zorgen voor een afname van lichamelijke activiteit en omgekeerd. Ook hier zorgt de extreem koude periode van 12 tot 14 maart 2013 niet voor een afname in PA. Bij de vrouwen is er geen significant verband te vinden.

Afsluitend kan men stellen dat het CTM een echte meerwaarde kan zijn aan klassiek statistisch onderzoek. De patronen verborgen in de temporele data worden niet tevoorschijn gehaald door statistiek, maar wel door het CTM. Het model verschaft een beter beeld in het dagelijks patroon van de ouderen, zodat toekomstig beleid om lichamelijke activiteit te promoten zich kan toespitsen op de momenten waarbij het doelpubliek het minst actief is. Het CTM toont ook aan dat het gemaakt is om temporele data voor te stellen bij de onderzoeksvraag over het weer. Statistische methoden zagen geen correlatie omdat ze niet kijken naar de fluctuaties op grotere schaal. Bij nader onderzoek met het CTM bleek er toch een mogelijkheid te zijn op een causaal verband.

67

7.

REFERENTIELIJST

Literatuur Allen, J.F. (1983) "Maintaining knowledge about temporal intervals". Communications of the ACM. 26 (11), 832-843.

Arnadottir, S.A., Gunnarsdottir, E.D., Lundin-Olsson, L. (2009) "Are rural older Icelanders less physically active than those living in urban areas? A population-based study". Scandinavian Journal of Public Health. 37, 409-417.

Bélanger, M. (2009) "Influence of weather conditions and season on physical activity in adolescents". Annals of Epidemiology. 19, 180-186.

Chen, S.Y., Fu, Y.C. (2008) "Leisure participation and enjoyment among the elderly: individual characteristics and sociability". Educational Gerontology. 34, 871-889.

Funkhouser, H.G. (1937) "Historical development of the graphical representation of statistical data". Osiris. 3, 269-404.

Gill, T.M., Williams, C.S., & Tinetti, M.E. (1995) "Assessing risk for the onset of functional dependence among older adults: The role of physical performance". Journal of the American Geriatrics Society. 43, 603-609. Humpel, N., Owen, N., Leslie, E. (2002) "Environmental factors associated with adults’ participation in physical activity: a review". American Journal of Preventive Medicine. 22 (3), 188-199.

King, A.C. (2001) "Interventions to promote physical activity by older adults". Journals of Gerontology:Series A. 56 (2), 36-46.

Kulpa, Z. (1997) "Diagrammatic representation for a space of intervals". Machine graphics & vision. 6, 5-24.

68

Loprinzia, P.D., Cardinal, B.J. (2012) "Interrelationships among physical activity, depression, homocysteine, and metabolic syndrome with special considerations by sex". Preventive Medicine. 54 (6), 388-392.

Owen, N., Cerin, E., Leslie, E., DuToit, L., Coffee, N., Frank, D., Bauman, A.E., Graeme, H., Saelens, B.E., Sallis, J.F. (2007) "Neighborhood walkability and the walking behavior of australian adults". American Journal of Preventive Medicine. 33 (5), 387-395.

Playfair, W. (1805) An Inquiry into the Permanent Causes of the Decline and Fall of Powerful and Wealthy Nations.

Plotnikoff, R.C., Mayhew, A., Birkett, N., Loucaides, C.A., Fodor, G. (2004) "Age, gender, and urban-rural differences in the correlates of physical activity". Preventive Medicine. 39, 1115-1125.

Priestley, J. (1769) A Discription of a New Chart of History.

Qiang, Y. (2012) "Modelling temporal information in a two-dimensional space. A visualization perspective". Doctoral Dissertation. Ghent University, Ghent.

Qiang, Y., Chavoshi, S.H., Logghe, S., De Maeyer, P., Van de Weghe, N. (2013) "Multi-scale analysis of linear data in a two-dimensional space". Information Visualization. 0 (0), 1-18.

Qiang, Y., Delafontaine, M., Asmussen, K., Stichelbaut, B., De Tré, G., De Maeyer, P., Van de Weghe, N. (2010) "Modelling imperfect time intervals in a two-dimensional space". Control and Cybernetics. 39 (4), 983–1010.

Qiang, Y., Delafontaine, M., Neutens, T., Stichelbaut, B., De Tré, G., De Maeyer, P., Van de Weghe, N. (2012) "Analysing imperfect temporal information in GIS using the Triangular Model". The Cartographic Journal. 49 (3), 265-280.

Qiang, Y., Delafontaine, M., Versichele, M., De Maeyer, P., Van de Weghe, N. (2012) "Interactive analysis of time intervals in a two-dimensional space". Information Visualization. 11 (4), 255-272. 69

Qiang, Y., Valcke, M., Van de Weghe, N. (2014) "Representing time intervals in a twodimensional space: an empirical exploratory study". Journal of Visual Languages and Computing. 25 (4), 466-480.

Ravi, N., Dandekar, N., Mysore, P., Littman, M.L. (2005) "Activity recognition from accelerometer data". In Proceedings of the Seventeenth Conference on Innovative Applications of Artificial Intelligence.

Sallis, J.F., Saelens, B.E. (2002) "Assessment of physical activity by selfreport: status, limitations, and future directions". Research Quarterly for Exercise and Sport. 71, S1-14.

Sheps, A. (1999) "Joseph Priestley's time charts: the use and teaching of history by rational dissent in late eighteenth-century England". Lumen. 18, 135-154.

Stewart, G., Trost, R.R., Pate, J.F., Sallis, P.S., Freedson, W.C., Taylor, M.D., Sirard, J. (2002) "Age and gender differences in objectively measured physical activity in youth". Medicine & Science In Sports & Exercise. 34 (2), 350-355.

Troiano, R.P., Berrigani, D., Dodd, K.W., Masse, L.C., Tilert, T., Mcdowell, M. (2007) " Physical activity in the united states measured by accelerometer". Medicine & Science In Sports & Exercise. 40 (1), 181-188.

Tufte, E.R. (1983) The visual display of quantitative information.

U.S. Department of Health and Human Services (1996) Physical activity and health: a report of the Surgeon General. Atlanta, Georgia: US Department of Health and Human Services, Public Health Service, CDC, National Center for Chronic Disease Prevention and Health Promotion.

Van Cauwenberg, J., De Bourdeaudhuij, I., De Meester, F., Van Dyck, D., Salmon, J., Clarys, P., Deforche, B. (2011) "Relationship between the physical environment and physical activity in older adults: a systematic review". Health and Place. 17 (2), 458-469.

70

Van de Weghe, N., De Roo, B., Qiang, Y., Versichele, M., Neutens T., De Maeyer, P. (2014) "The continuous spatio-temporal model (CSTM) as an exhaustive framework for multiscale spatio-temporal analysis". International Journal of Geographical Information Science. 28 (5), 1047-1060.

Van Dyck, D., Cardon, G., Deforche, B., Sallis, J.F., Owen, N., De Bourdeaudhuij, I. (2010) "Neighborhood SES and walkability are related to physical activity behavior in Belgian adults". Preventive Medicine. 50 (1), S74-S79.

Wilcox, S., Castro, C., King, A.C., Housemann, R., Brownson, R.C. (2000) "Determinants of leisure time physical activity in rural compared with urban older and ethnically diverse women in the United States". Journal of Epidemiology and Community Health. 54, 667-672.

Internetbronnen

Groen, G. (2009) Wind chill equivalente temperatuur (WCET) KNMI-implementatie JAG/TImethode voor de gevoelstemperatuur in de winter. http://www.knmi.nl/bibliotheek/knmipubTR/TR309.pdf. 14 augustus 2015.

Studiecommissie voor de Vergrijzing (2015) Krachtlijnen van het jaarverslag 2015 van de studiecommissie voor de vergrijzing . http://www.plan.be/admin/uploaded/201507091135310.press_20150709_nl.pdf . 14 augustus 2015.

U.S. Department of Health and Human Services (2008) 2008 Physical activity guidelines for Americans. http://health.gov/paguidelines/pdf/paguide.pdf. 14 augustus 2015.

http://www.wunderground.com/history. 2 maart 2015.

https://www.nia.nih.gov/research/publication/global-health-and-aging/humanitys-aging. 14 augustus 2015.

71

http://www.statisticshowto.com/how-to-compute-pearsons-correlation-coefficients/. 14 augustus 2015.

Gebruikte software

Excel, Microsoft Photoshop, Adobe MATLAB, Mathworks

72