Gezond voedingsgedrag (VG) en fysiek gedrag (FG) (waaronder lichaamsbeweging, sedentair en slaapgedrag) worden in verband gebracht met het terugdringen van niet-overdraagbare ziekten en obesitas. De gecombineerde meting van de effecten van FG op VG is momenteel problematisch. WEALTH zal een nieuwe methodologie ontwikkelen, waarbij geavanceerde verwerking van versnellingsmetergegevens wordt gekoppeld aan getriggerde Ecological Momentary Assessments (EMA) die de voedselinname in reactie op specifieke PB's ondervragen. Dit zal een diepgaand begrip mogelijk maken van hoe en wanneer eten gerelateerd is aan specifiek lichamelijk gedrag. Tegelijkertijd zal WEALTH het gebruik maximaliseren van gegevens die zijn verzameld met meerdere algemeen beschikbare meetapparatuur, van versnellingsmeters tot commerciële sensoren, door de analyse en interpretatie van gegevens te standaardiseren. WEALTH zal een Machine Learning (ML) gegevensverwerkingsplatform ontwikkelen dat zal resulteren in een apparaatneutraal FG-meetsysteem dat zowel dure als goedkope apparaten kan interpreteren en valideren voor nauwkeurig bevolkingsonderzoek. De werkpakketten (WP's) omvatten WP1, waarin EMA-protocollen gekoppeld aan sensortriggers (FitBit) zullen worden ontwikkeld in een kleine proefpopulatie van volwassenen in vier centra in Europa (UL, BIPS, UP13 en UHK). In WP2 zullen tot 150 volwassenen per centrum, waaronder diverse leeftijdscategorieën, vier apparaten (FitBit, AcivPAL, Motorola en ActiGraph GT3X) continu dragen en een gestructureerd en gecontroleerd patroon van activiteiten van het dagelijks leven (ADL) van 2 uur uitvoeren in het laboratorium voorafgaand aan het zevendaagse protocol voor vrij leven, waarbij nog eens 50 alleen deelnemen aan de zevendaagse meting. Alle deelnemers zullen EMA-verzoeken ontvangen om hun huidige ADL, hun locatie en contextspecifieke voedingsinformatie te registreren; sommige verzoeken zullen worden getriggerd door PB's gemeten door het FitBit-apparaat. De verzamelde gegevens van deze deelnemers zullen in WP3 worden gebruikt om ML-methoden voor elke versnellingsmeter te trainen en te ontwikkelen. In WP4 worden de gegevens van alle deelnemers samengevoegd en gebruikt om de haalbaarheid van de gecombineerde PB/DB beoordelingsmethoden aan te tonen. In WP5 worden de methoden samengebracht in een downloadbare toolbox, en de bevindingen worden verspreid via publicaties, sociale media en symposia. WEALTH zal een eenvoudig te gebruiken, extern vergelijkbaar FG- en VG-meetsysteem opleveren dat van grote waarde zal zijn voor toekomstig toezicht op de volksgezondheid.