Uppsalan yliopisto alumni, taksonomisen luokittelun uranuurtaja, professori Carl von Linné kirjoitti jo 250 vuoden takaisiin teksteihinsä eliöiden tarkoituksenmukaisen liikkumisen tärkeydestä ja liiallisen paikallaanolon haitallisuudesta (Uppsalan yliopisto, 2025): sopivasti liikkuen eliö voi hyvin, liikaa liikkuen huonosti ja liikkumattomana se kuolee. Vaikka teknologiat aktiivisuuden mittaamiseen ja analysointiin ovat eittämättä viime vuosina kehittyneet valtavin harppauksin (esim. Kulmala, 2023), von Linnén ajatus taustalla on yhä relevantti: ihmisenkin hyvinvoinnin ja terveyden kannalta lienee olemassa biologiset perusteet juuri sopivalle liikkumisen määrälle ja laadulle. Tänäkään päivänä tutkimusyhteisössä ei ole yhtenevää ja kokonaisvaltaista näkemystä optimaalisesta liikkumisesta.
Pystyäkseen selvittämään terveyden ja hyvinvoinnin kannalta juuri oikeanlaista liikkumista, eli fyysistä aktiivisuutta, täytyy sen mittaamisen laitteet, niiden ohjelmistot ja kerättyä tietoa käsittelevät algoritmit olla validoituja ja luotettavia. Samoilla mittausmenetelmillä pystytään nykyään arvioimaan fyysisen aktiivisuuden määrän ja intensiteetin lisäksi myös paikallaanolon ja unen määrää sekä asentoihin perustuvia tarkennuksia käyttäytymiseen – esimerkiksi istumista ja seisomista. Lisäksi mitatun liikkumisen ja paikallaanolon yhteyksiä terveyden eri osa-alueisiin on tutkittava laaja-alaisesti elämänkaaren eri vaiheissa ja eri konteksteissa, kuten vapaa-ajalla ja työelämässä. Tässä artikkelissa keskitymme työikäisen väestön liikkumiskäyttäytymisen ja paikallaanolon mittaamiseen ja sen ajankohtaisiin erityispiirteisiin.
Kohti yksilöllisempiä liikkumisen suosituksia
Maailman aikuisväestö liikkuu liian vähän ja on liikaa paikallaan (Strain ym., 2024). Liikkuminen väheni entisestään koronapandemian aikana (Stockwell ym., 2021). Liikkumisen kampanjoissa keskitytäänkin usein kannustamaan liikkumaan vapaa-ajalla enemmän ja toisaalta istumaan vähemmän. Yksilölliset erot liikkumisessa ja liikkumisen edellytyksissä ovat kuitenkin valtavia, ja yleistä liikkumisen lisäämisen suositusta on lähtenyt haastamaan esimerkiksi professori Andreas Holtermannin tutkimusryhmä keskittyen pohtimaan liikkumista yksilön edellytysten kautta (Holtermann ym., 2021). Suunnistuskarttaa vertauksenaan käyttäen Holtermann ja Mathiassen (2025) kannustavat tunnistamaan kunkin ihmisen yksilöllisen polun kohti terveellisempää käyttäytymistä: missä nyt on, mikä on määränpää, mitkä reitit ovat mahdollisia ja minkälainen maasto minkäkin reitin kulkemista vaikeuttaa.
Tärkeä viimeaikaisen tutkimuksen näkökulma koskee väestön sosioekonomisen aseman huomioon ottamista terveysliikunnan edistämistyössä (esim. Holtermann ym., 2021). Kansanterveyden edistämisen kampanjoiden painopiste on ollut vapaa-ajan liikunnan edistämisessä, mikä on tahattomasti lisännyt sosioekonomisia terveyseroja. Korkeammassa sosioekonomisessa asemassa olevalla henkilöillä on aikaa ja resursseja osallistua vapaa-ajan liikuntaan, kun taas alemmassa sosioekonomisessa asemassa olevalle tämä ei ole usein mahdollista. Ja vaikka raskaan työn jälkeen jäisikin aikaa, terveellisen elämän edellytykset eivät välttämättä parane, jos fyysistä työtä tekevää kannustetaan liikkumaan vapaa-ajalla yhä enemmän huolehtimatta riittävästä mahdollisuudesta palautua työn rasituksesta (Holtermann ym., 2021). Pahimmillaan liian yleisellä liikkumisen lisäämisen suosituksella, kiinnittämättä huomiota esimerkiksi yksilön työnkuvaan, voidaan päätyä etuoikeuttamaan etuoikeutettuja aiheuttaen yhä kärjistyvää sosioekonomista eriarvoistumista (Straker ym., 2021). Alemmassa sosioekonomisessa asemassa oleville ratkaisuna voisi olla se, että työperäisestä liikunnasta tehtäisiin terveyttä edistävää (Holtermann & Mathiassen, 2025). Kysymykseksi nouseekin, pitäisikö työajan ja vapaa-ajan liikkumiseen olla erilliset suositukset, tai olisiko jossain vaiheessa mahdollisuus tarjota vielä tätäkin yksilöllisempiä liikkumissuosituksia.
Työelämän tarpeet fyysisen aktiivisuuden mittaamiselle
Työnantajalle oleellisia määreitä työperäisen rasituksen mittarissa ovat mittausten luotettavuus ja kustannustehokkuus (Mathiassen ym., 2023). Ideaalitilanteessa jokaisella työnantajalla olisi saatavilla yksinkertainen, helppo ja halpa tapa mitata työn rasitusta yksilötasolla ja tarjota havaittuihin ongelmakohtiin perustuen neuvoja terveydelle haitallisen rasituksen hallitsemiseksi. Esimerkiksi Jens Wahlström (2025) pohtii työaikaisen biomekaanisen kuormituksen mittaamisen käytössä olevia menetelmiä ja niiden mittaustulosten sovellettavuutta työntekijän hyvinvoinnin tueksi. Tällä hetkellä Wahlströmin mukaan käytettävyyden haasteena korostuu tutkimusmenetelmien ja -välineiden laaja kirjo: aktiivisuusmittareiden, kyselyiden ja esimerkiksi kuva- tai videotallenteiden perusteella mitattuja altistuksia työperäisille rasitusvammoille on vaikea standardisoida.
Professori Svend Erik Mathiassen keskittyy tuoreessa tutkimuksessaan (esim. Holtermann & Mathiassen, 2025) täsmentämään työelämäkontekstin mittauksissa käytettävien liikkumiskäyttäytymisen suureita, jotta päästäisiin paremmin kiinni yksilökohtaiseen rasitukseen ja sen aiheuttamien terveysongelmien ennaltaehkäisyyn. Yhteisötason keskimääräinen liikkumisen, seisomisen tai istumisen määrä ei ole riittävä mittari henkilöstön kuormitusta tai esimerkiksi onnistunutta työnkiertoa arvioitaessa, sillä samaan keskiarvoon työyhteisössä voidaan päätyä hyvin erilaisilla yksilöllisillä liikkumiskäyttäytymisillä.
Kärjistettynä esimerkkinä voidaan käyttää tilannetta, jossa kahdesta tutkittavasta työntekijästä toinen istuu koko työvuoronsa ja toinen seisoo koko työvuoronsa – johtopäätöksenä ei tulisi tällöin olla, että kyseisen yksikön työntekijät seisovat ja istuvat puolet työajastaan (Holtermann & Mathiassen, 2025). Mittaustuloksia tulkitessa tulisikin kiinnittää huomiota sekä henkilöiden väliseen vaihteluun että yksittäisen henkilön kohdalla päivien väliseen ja päivien sisäiseen vaihteluun aktiviteeteissa. Niiden luotettava seuranta edellyttää useamman päivän tai mieluummin viikkoja kestäviä mittauksia.
Liikkumisen terveellinen lisääminen edellyttää harjoitteluhetkien optimointia
Työajan ja vapaa-ajan liikkumisen tutkimusten taustalla vaikuttaa niin kutsuttu fyysisen aktiivisuuden paradoksi, jolla tarkoitetaan ilmiötä, jossa fyysisesti rasittava työ ei tuota samoja terveyshyötyjä kuin vapaa-ajan aktiivisuus (esim. Cillekens ym., 2024). Työperäinen fyysinen aktiivisuus on tyypillisesti matalaintensiteettistä, pitkäkestoista, staattista ja sisältää toistuvaa vääntämistä, nostamista tai kurottelua vaativia liikkeitä ilman riittävää palautumista. Tällainen liikkuminen ei kehitä kestävyyskuntoa, vaan voi johtaa fysiologiseen ylikuormitustilaan, rasitusvammoihin ja heikentyneeseen sydän- ja verisuoniterveyteen (Jordakieva ym., 2023).
Fyysisesti raskas työ – erityisesti yhdistettynä heikkoon fyysiseen kuntoon – on yhteydessä terveyden ongelmiin ja esimerkiksi runsaampiin sairauspoissaoloihin (Väisänen ym., 2023). Näin ollen rasittavaa työtä tekevän tulisi harjoittaa kestävyyskuntoaan, mutta ennalta määrättyä, joustamatont kuntoiluohjelmaa noudattaessa ongelmaksi voi muodostua työn ja harjoittelun tuoman rasituksen yhteisvaikutus.
Professori Elin Ekblom-Bakin (2025) työryhmä ratkaisee osaltaan edellä esiin nostettuja ongelmia tutkimalla fyysisesti rasittavaa työtä tekevän väestönosan mahdollisuuksia ja tarvetta kehittää kestävyyskuntoaan vapaa-ajalla. Ekblom-Bakin tutkimusryhmän PAradox-hankkeessa on tarkoitus kehittää ja hyödyntää laitteella ja kyselyllä mitattua harjoitteluvalmiutta kuvaava indikaattori, joka ohjaisi työntekijöitä tunnistamaan ne päivät, jolloin kestävyyskunnon harjoittelu oletettavasti antaa suotuisimman harjoitteluvasteen (Ekblom-Bak, 2025). Koneoppimista hyödyntävän indikaattorin avainsyötteitä ovat mm. syke, sykevälivaihtelu, unen laatu ja kesto, koettu rasitus ja mahdolliset koetut kivut.
Kuluttajalaitteilla ja koneoppimisella massa-aineistojen kimppuun
Liikkumista ja paikallaanoloa mitataan monenlaisilla laitteilla, jotka ovat jaettavissa karkeasti kahteen kategoriaan: tutkimuskäyttöön tarkoitettuihin ja kuluttajille suunnattuihin laitteisiin. Kuluttajalaitteilta odotetaan monipuolisia mittauksia, sujuvaa ja miellyttävää arkikäyttöä ja älylaitteisiin räätälöityjä valmiita raportteja, kun taas tutkimuslaitteilta edellytetään tarkkuutta, validoituja analysointimenetelmiä ja nykyään myös raaka-aineiston saatavuutta ja avoimen lähdekoodin ratkaisuja.
Puettavan älyteknologian yleistymisen ja halventumisen myötä tieteelliseen tutkimukseen on mahdollista saada yhä suurempia laadukkaita liikemittausaineistoja (esim. Gupta, 2025). Eräs esimerkki suuria liikemittausaineistoja kokoavasta tutkimusvarannoista on MOTUS-järjestelmä, joka on käyttäjille ja tutkimuksen toteuttajille helppo ja automatisoitu tapa kerätä ja analysoida liikemittausaineistoja (Crowley ym., 2023). Järjestelmän on tarkoitus kuroa umpeen kuluttajalaitteiden ja tutkimuslaitteiden välistä kuilua pitäen menetelmän yhtäaikaisesti riittävän tarkkana, mutta myös riittävän helppona ja miellyttävänä sekä tutkittavan että tutkijan näkökulmasta.
Gupta (2025) visioi, että jos tiedeyhteisö ja kuluttajalaitteita tuottavat yritykset löytäisivät yhteisen tahtotilan, olisi fyysisen aktiivisuuden mittaaminen skaalattavissa satojen osallistujien sijasta satojen miljoonien älykellon käyttäjien tutkimuksiksi. Viime vuosina myös joidenkin kuluttajatuotteiden keräämää raakadataa on alkanut saada laitteesta ulos käsittelemättömässä muodossa, mikä mahdollistaa datan analysoinnin tutkimustarkoituksessa ja avoimilla menetelmillä. Rohkaiseva esimerkki tutkimuksesta ja kuluttajalaitteiden yhteistyöstä on nähty esimerkiksi amerikkalaisessa All of Us -hankkeessa, jossa hyödynnettiin yli 6 000 kuluttajan askelmittauksia (Master ym., 2022).
Kuluttajalaitteiden ohella myös tutkimusmenetelmien kehitys mahdollistaa yhä laajempien aineistojen laadukkaan analyysin. Esimerkiksi Norjassa on kehitetty koneoppimisen malleja liikemittariaineistojen tulkintaan (Mork, 2025). 1980-luvulla aloitetun HUNT-väestötutkimuksen pohjalle laadituilla algoritmeilla on tunnistettu päivän aktiviteetteja perinteisiä menetelmiä tarkemmin erittäin suuresta aktiivisuusmittausdatasta (n = 32 500 tutkittavaa). Esimerkiksi kävelynopeus tunnistettiin ohjatulla koneoppimisella pelkästä liikemittausaineistosta jo hyvin tarkasti (Logacjov ym., 2025). Sen sijaan unen keston ja laadun tarkkaan arviointiin tarvitaan algoritmeille yhä lisätietoja, kuten kehon lämpötilan mittauksia (Logacjov ym., 2024).
Tutkimus ja yritykset yhdessä palvelemaan yksilöä ja yhteisöjä?
Fyysisen aktiivisuuden ja paikallaanolon mittaamisessa ja mittauksia soveltavassa tutkimuksessa korostuvat nyt työ- ja vapaa-ajan erotteleva ympärivuorokautinen mittaaminen, työperäisen kuormittumisen juurisyyt ja ennaltaehkäisy, yksilön arkeen yhteensopivan liikkumisen tunnistaminen ja siihen kannustaminen, massa-aineistojen (big data) kerääminen ja analysointi, analysoinnin automatisointi sekä kuluttaja- ja tutkimuslaitteiden välisen kuilun kaventaminen.
Kaikki edellä mainitut näkökulmat olivat esillä seitsemännessä pohjoismaisessa fyysisen aktiivisuuden ja paikallaanolon mittaamisen Nordic PASB -seminaarissa Uppsalassa (Uppsalan yliopisto 2025), johon kokoontui noin sata alan pohjoismaista tutkijaa ja asiantuntijaa. Pohjoismaiset fyysisen aktiivisuuden mittaamisen tutkimusryhmät ovat kansainvälistä huippua. Toisaalta seminaarissa tunnustettiin, että kuluttajalaitteita valmistavalla suuryrityksellä on suuremmat resurssit massa-aineistojen keräämiseen ja analytiikan kehittämiseen kuin vaikkapa tällä pohjoismaiden kollektiivilla. Merkit kuluttaja- ja tutkimuslaitteiden mittausmenetelmien kuroutumiseen ovat olemassa. Aika näyttää, missä määrin tutkijat tulevat pääsemään käsiksi suuryritysten keräämään ja yleensä asiakkaidensa omistamaan isoon tietomäärään ja missä määrin kaupallisten toimijoiden ja tutkimusryhmien käyttämät analysointimenetelmät pysyvät avoimina.