Omdat de standaard interpretatie van de accelerometer data onvoldoende inzicht geeft over de fysieke activiteit (PA) van de studiedeelnemers in vrij-leven omstandigheden, vereist verdere analyse om wearable en heath data te combineren een ervaren data scientist. In de afgelopen twee jaar hebben we gelabelde activiteitendata gegenereerd in een validatiestudie van 35 oudere volwassenen, met behulp van accelerometers en fysiologische sensoren. Met behulp van deze dataset en state of the art machine learning algoritmen hebben we samen met LIACS meerdere activiteitsherkenningsmodellen gecreëerd, die kunnen worden toegepast op vrij levende dataverzamelingen. We zijn nu klaar om de vrij levende fysieke activiteitsprofielen in de LUMC-studies te interpreteren en te combineren met gegevens over gezondheidsparameters, zoals MRI-gegevens over hersenveroudering en metabole gezondheid gemeten door traditionele klinische parameters en metabolomics.