During the activity of the subject throughout the day, the acceleration data generated by movement of the subject's hand, and photoplethysmographic signal data are measured continuously. The acceleration data together with the photoplethysmographic signal data are analyzed by the microprocessor in order to classify the subjects activity profile (e.g. lying, sitting, standing, walking, running, swimming, cycling) and its intensity, including activity patterns where the hands are not active. The classification is performed by comparing the pattern of the signals to previously measured signal pattern of activities that were recorded before. If the comparison yields identification of similar patterns, the activity type may be recognized if the correlation coefficient associated therewith is considered to be in a significant range. The pattern comparison is performed by calculation of a set of descriptor parameters to each time segment. By applying a set of classification 'if then' rules, that were developed using data mining techniques, on the calculated descriptors, the activity pattern and intensity can be identified. This classification data is used to calculate an estimation of the energy expenditure of the subject during a specific time segment.Pendant l'activité du sujet tout au long de la journée, les données d'accélération générées par un mouvement de la main du sujet et des données de signal photo-pléthysmographique sont mesurées de façon continue. Les données d'accélération, conjointement avec les données de signal photo-pléthysmographique, sont analysées par le microprocesseur de façon à classifier le profil d'activité du sujet (par exemple allongé, assis, debout, marchant, courant, nageant, pédalant) et son intensité, comprenant des modèles d'activité dans lesquels les mains ne sont pas actives. La classification est effectuée en comparant le motif des signaux à un motif de signal mesuré précédemment d'activités qui ont été enregistrées avant. Si la comparai