Cet article compare les performances des algorithmes d'apprentissage profond (AP) et d'apprentissage automatique classique (AA) pour classer le comportement moteur sur 24 heures en sommeil, activité sédentaire, activité physique de faible intensité (APF) et activité physique modérée à vigoureuse (APMV). Nous avons utilisé des données publiques provenant de 151 adultes équipés d'accéléromètres au poignet (Axivity-AX3). Les participants ont été répartis aléatoirement en groupes d'entraînement, de validation et de test. Les signaux d'accélération bruts ont été segmentés en intervalles de 10 secondes non chevauchants, et un total de 104 caractéristiques personnalisées ont été extraites. Quatre algorithmes d'AP (LSTM, BiLSTM, GRU et 1D-CNN) ont été entraînés à l'aide des signaux d'accélération bruts et des caractéristiques personnalisées extraites. De plus, des algorithmes d'AA classiques, notamment Random Forest, Support Vector Machine (SVM), XGBoost, Logistic Regression, ANN et Decision Tree, ont été entraînés à l'aide de ces caractéristiques personnalisées. En conséquence, les algorithmes LSTM, BiLSTM et GRU entraînés à l'aide de signaux d'accélération bruts ont atteint une précision d'environ 85 %, et le 1D-CNN une précision d'environ 80 %. Les précisions des algorithmes DL et ML classiques entraînés à l'aide de fonctionnalités personnalisées variaient de 70 % à 81 %. La classification de l'APMV et de l'APL était plus confuse que celle du sommeil et de l'activité sédentaire. En conclusion, les méthodes DL utilisant des signaux d'accélération bruts ont obtenu des résultats légèrement supérieurs à ceux des algorithmes DL et ML classiques entraînés à l'aide de fonctionnalités personnalisées pour prédire l'intensité de l'activité motrice sur 24 heures.
