基于可穿戴的非接触式家庭运动传感器校准在社区老年人身体活动监测

介绍

人口老龄化带来了前所未有的全球性挑战现代卫生保健系统,经济和最后但并非最不重要,社会作为一个整体(1,2)。现代信息和通信技术有潜力做出贡献在克服这些挑战(3- - - - - -5)。这包括普适计算技术的使用,如微处理器提高对象的日常生活。小传感设备如smartwatches或智能家电可用于提供连续的远程监控的相关卫生指标和结果(4),越来越多的被称为数字生物标记(6- - - - - -8)。这些可能允许早期检测的健康恶化,使例如更好的预防措施或更早的干预措施(9,10)。此外,监控相关的数字生物标记的普适计算技术可以允许连续评估慢性疾病和帮助在评估干预效果(9,11)。

身体活动(PA)与广泛的健康益处,包括降低全因死亡率、非传染性疾病、心肺和肌肉健身在所有年龄组。常规PA也有助于防止脆弱,sarcopenia和认知能力下降(12- - - - - -14)。被称为这套可穿戴技术,可以跟踪个人的PA行为流行消费品全球分布,特别是在年轻和中年人群。同时,穿戴式加速度计是一种广为接受的方法客观地度量PA在日常生活(15- - - - - -17)。

虽然可穿戴设备像smartwatches,智能手机或健身追踪器将理想跟踪各种健康相关标记喜欢体育活动,实现后的经验为基础,包括我们自己的,指向一个明确的偏好不引人注目的非接触式传感设备(9)。原因可能包括一个特定的社会耻辱明显穿着设备在同行(18,19),处理困难,增加了不适的考虑充电和穿着一件设备(20.),以及皮肤过敏相关长期生物传感器穿(夏天汗水加剧)。有些提到的问题相关的感知这一代老年人对技术处理可穿戴设备需要定期维护,还可以对电动机的老年人带来问题,认知,特别是内存相关的问题。然而,另一种,无线环境传感器,也经常不准确(例如红外传感器或床上运动传感器)或过度侵入或以听力录音设备(例如视频)。

使用可穿戴设备进行初始校准不准确但不引人注目的环境传感器PA量化是一个新颖的方法,可以减少穿一个设备的负担,同时提高可靠性,因此实用性明显体力活动不引人注目的环境传感器的跟踪。类似的策略采用基于被动红外传感器(PIR)的步速估计,真实,使用传感器阵列进行校准,但正如作者状态,另一个来源,比如一个可穿戴设备,可以使用(21)。

PIR运动传感器是相当便宜的,非接触式和不引人注目的。因此,它们通常用于与老年人长期家庭监控设置(9,11,22- - - - - -26)。我们曾表明,家庭体育活动,量化的PIR运动传感器可以用来近似体育活动在长寿老人的老社区成人(26)。然而,PIR运动传感器的方法有两个主要缺点:(1)基线活动参与者之间的绝对值比较困难,如果公寓和传感器位置不同和(2)目前尚不清楚如何正确地址郊游。我们的目标是解决这两个问题都通过使用基于更准确和有效的加速度计的体育活动,最初校准环境传感器系统。

方法

参与者

用于这项工作的数据来自研究现代普适计算系统的远程控制进行评估老年人(26)。参与者StrongAge队列的一部分Olten(瑞士)(27),应该是一个自然的人口样本社区,alone-living,老在瑞士和长寿老人的成年人。我们包括所有参与者有至少60天的可穿戴活动数据记录(前30天留给校准和评价≥30天)在这个分析,共计20个参与者(= 88±8岁)。被选出的60天包括尽可能多的参与者的数据集,同时保证最小的数据点的数量。

最初的研究基于赫尔辛基宣言》中定义的原则和伦理委员会批准的广州伯尔尼,瑞士(KEK-ID: 2016 - 00406)。所有受试者签署和递交了一份知情同意之前研究的参与。

普适计算系统

在这个工作我们DomoCare的利用^®老年人家庭监控系统(DomoSafety S.A.一样,瑞士洛桑),(26)。系统由PIR运动传感器(抽样在0.5赫兹)放置在参与者的公寓。卧室和厨房、卫生间、客厅、入口,总是配备至少一个传感器,如果有一个单独的浴室配有一个传感器。此外,门磁传感器放置在入口处和冰箱的门,分别。所有传感单元通过无线个域网协议通信的基本单位,然后实时发送数据到一个安全的云。PIR系统允许在单个房间基于运动检测的红外辐射变化引起的人类活动(28)。门传感器允许场计算基于大门打开和关闭事件,解释(29日)。

校准的PIR传感器系统,我们使用了医疗级Everion^®生物传感器戴在上臂(Biovotion AG)、苏黎世、瑞士)。在其他传感器,该设备包含一个使用硬件加速计,样品在50 Hz和输出/商店聚合和标准化活动(在1赫兹矢量大小)。参与者穿着设备在整个白天,把它放在一个感应充电器过夜。虽然充电设备,数据传输到智能手机通过蓝牙低能量,然后加密并自动转移到一个安全的云。数据从DomoCare^®系统最初是存储在云实例从DomoSafety S.A. Everion位于瑞士和数据^®最初是存储在伯尔尼大学的实例。集合,所有数据随后被转移到本地服务器和摄取OmniSci (OmniSci、旧金山、钙、美国)分析数据库实例后质量控制。一个示意图,包括数据结构是可用的附录。首先确保加速度计的有效性,我们比较Everion值^®广泛应用和验证(30.)Axivity AX3 (Axivity有限公司、纽卡斯尔、英国),使用硬件加速器(当地的重力和温度校准,描述(31日),发现良好的整体协议。

问题定义

有三个主要的局限性与PA量化PIR传感器的使用:(1)运动测量的常用简单的PIR运动传感器转换为二进制响应、零如果没有改变红外辐射传感器的灵敏度阈值以上,否则。因此很明显,这个简单的PIR运动传感器无法区分运动的强度,与身体连接加速度计;(2)角度和距离传感器可以影响如果和多久运动被检测到;(3)装备客房和公寓布局的大小一般会导致不同的结果相同数量的体育活动所实施的人。因此,即使同一个人执行相同的有限集的活动一个= {一个₁、…一个_n}在不同PIR运动传感器装备公寓、措施之间的这些活动PIR运动传感器测量功能f_PIR:一个→米_PIR;米_PIR∈ℝ₊和加速度计f_acc:一个→米_acc,米_acc∈ℝ₊可能会存在很大的不同。现在在现实中,这种简化并不完全正确,因为某些活动一个_我将加速度计测量的但不是PIR传感器实例当一个人在公寓外,视野以外的PIR传感器或non-equipped房间。这产生了一个子集⊆所有测量活动一个= {一个_我|一个_我∈一个,一个_我∈dom(f_PIR)}。我们今后将参考f_acc这只是在这个子集定义${\tilde{f}}_{\mathrm{一个}cc}:\mathrm{一个}\to {\widetilde{米}}_{\mathrm{一个}cc}$。

初始校准的想法然后找到一个映射${\hat{f}}_{P我R}:\mathrm{一个}\to {\widehat{米}}_{P我R}$,这样对于一个给定的活动一个_我、校准PIR运动之间的欧几里得距离测量功能${\hat{f}}_{P我R}$和域限制加速度计测量功能${\tilde{f}}_{\mathrm{一个}cc}$是最小化,这可以被认为是一个经典的回归目的:

的校准${\hat{f}}_{P我R}$函数从不同的PIR传感器装备公寓应该允许一定程度上为给定的活动,得到了类似的结果f_acc,鉴于某些活动一个_我在公寓应该是类似的。这种假设才成立如果之间的区别${\tilde{f}}_{\mathrm{一个}cc}$和f_acc强度不是太大,加速度计测量参与者之间主要是可比的。后者描述的假设可能是正确的,例如(32),而前者是主要的公寓和人具体但可以改进包括估计在外面活动。

学习校准功能

找到一个合适的函数${\hat{f}}_{P我R}$在这种情况下,或者一个分布${\hat{f}}_{P我R}$我们建议使用高斯过程回归,这样${\hat{f}}_{P我R}~GP\left(\mu ,k\right)$,μ(一个)= 0的标准化活动的意思和k (A′)活动协方差函数。高斯过程回归(GPR)提供了各种特征可能是有用的在我们的校准的场景。首先,它允许将非线性关系建模和非参数(33)。此外,众所周知,探地雷达工作与相对较少的数据,并允许一个预测分布,它可以帮助检测模型的不确定性(33,34)。包括认知模型的不确定性可能有用的帖子校准时它可以允许量化模式校准期间未见发生,如果总不确定性增加,给各自的警告。

我们最终使用的显示实验$k({\mathrm{一个}}_{我},{\mathrm{一个}}_j)={\sigma }_0^2+{\mathrm{一个}}_{我}·{\mathrm{一个}}_j+{\sigma }_n^2{\delta }_{我j}$内核定义协方差函数,δ_ij克罗内克符号,${\sigma }_n^2$是一种可习得的偏误,${\sigma }_0^2$是一种可习得的噪音代表额外的同质任意常数的不确定性活动测量(33)。给比较其他更传统的算法可能会执行,我们另外评估校准性能与普通线性回归(LR)算法和流行XGBoost (XGB)实现(35树)的增强算法。其他的内核和hyperparameters探地雷达三倍交叉验证算法选择通过在参与者级别(分裂)和随机搜索(36)。很难评估有用的预测分布,获得的边际正常的全科医生,以现实的方式。我们试图量化其效用计算日均之间的线性相关$米\mathrm{一个}{E}_p^d$(见下文),每日平均不确定性估计边际高斯分布(σ)。

数据预处理和代表性

我们代表各个活动一个_我活动发作/岛屿和描述他们的向量空间的特征。活动群岛被首先应用一个简单的移动平均线提取的低通滤波器,与(长度、总PIR运动活动信号(持续时间之和,所有PIR运动传感器在公寓里是活跃),然后提取活动群岛(低通滤波活动不断延伸> 0)。基于这些岛屿我们计算以下特性,可以用来总结向量空间的岛屿:岛上的总持续时间,一天一个小时,期间PIR传感器检测到活动对于每个装备的房间,每个房间的相对活动对总岛持续时间。相应活动的可穿戴式加速度计也提取并总结在岛上的时间,给我们目标活动f_acc。特性矩阵被标准化的零均值和单位方差在列。

统计评价指标

首先,应该注意的是,评估总是上执行所有可用的数据超出了最初的30天,留给了校准。在这个工作我们将多个评价指标解释。首先,平均绝对误差美_p活动估计为每个活动之间的岛和其相应的加速度计活动计算每个参与者p。$米\mathrm{一个}{E}_p^d$是指相同但平均超过一天d。第二,测量校准的比例,皮尔森相关系数ρ_p间估计帖子校准活动的总和${\hat{F}}_{P我R}^d=\underset{{\mathrm{一个}}_{我}\in d}{\sum }{\hat{f}}_{P我R}({\mathrm{一个}}_{我})$每天d和加速度计总活动的总和$F_{\mathrm{一个}cc}^d=\underset{{\mathrm{一个}}_{我}\in d}{\sum }{f}_{\mathrm{一个}cc}({\mathrm{一个}}_{我})$每天d计算。类似于ρ_p,我们计算${\tilde{\rho }}_p$之间的皮尔逊相关系数日常校准活动的总和${\hat{F}}_{P我R}^d$和领域限制的和加速度计的活动${\tilde{F}}_{\mathrm{一个}cc}^d=\underset{{\mathrm{一个}}_{我}\in d,{\mathrm{一个}}_{我}\in \mathrm{一个}}{\sum }{\tilde{f}}_{\mathrm{一个}cc}({\mathrm{一个}}_{我})$。所有指标的样本平均超过所有的参与者都可以计算,导致全球美,ρ$\tilde{\rho }$。

确定的可穿戴真实数据量

评估wear-time和校准性能之间的关系,我们进行了校准1天,7天,14天21天,30天的加速度计数据和计算$\tilde{\rho }$和美为每个wear-time点和每个学习算法(如结果可能依赖于算法)。

评价Post-calibration性能进化

的一个主要担忧这种校准过程潜在的退化,校准质量可能受到随着时间转变的结果数据生成分布(例如,由于变化的行为或季节性模式)。评估潜在的退化,我们计算了每周的平均水平美所有参与者在三十周(如果数据是可用的)。以确保类似的尺度,我们第一次标准化平均每周通过移除中间值和比例数据对四分位范围。最后,每个星期,全球平均了,回归估计。的p斜率系数的值被用来确定参数显著不同(基于α= 0.05)从0,允许一个决定是否可能存在任何相关的趋势。

校准对相关性的影响与临床评估

评估校准如何影响整体与卫生指标和结果的关系,我们计算的非参数斯皮尔曼等级相关系数r平均每日总活动和的均值之间各自的临床评估(如果多个被每个参与者在同一时间)。临床评估包括:跌倒的风险集中时间去(拉)(37迪奈蒂),平衡和步态主要面向性能的机动性评估(POMA-b和POMA-g) (38),后期生活抑郁聚焦老年抑郁量表(GDS) (39),认知聚焦蒙特利尔认知评估(40),弱点集中埃德蒙顿虚弱的规模(EFS) (41)以及肌肉力量集中手柄,髋部屈肌和伸膝力量。评估是否有统计差异和post-calibration,我们应用非参数魏克森讯号等级测试下的绝对关联度值替代假设post-calibration值平均pre-calibration相比更大的值。

外面的时间

评估整体PA,在外时间需要考虑。在我们的例子中,使用PIR家庭传感器,爸爸在外面可以看作是缺失的数据块。

共同的战略来应对缺失数据叫做归责,是指用替代品取代缺失的数据(例如一个变量的平均超过所有观察值)(42)。归责常常可以工作的很好,如果数据“完全随机缺失”或“随机缺失”(42)。鉴于郊游可能涉及更多的体力活动,窝在家里,它可能无法正确地归咎于身体活动时期的郊游。幸运的是,对校准数据的访问从一个可穿戴的(考虑到可穿戴也穿在外面,这是真正的在我们的例子中),允许我们估计τ的一个因素_p(每个参与者p)的预期内活动应乘以。计算这个因素,我们首先计算场根据(29日),然后为每一个郊游我们把身体活动测量的加速度计和加速度计的平均活动在同一时间,当人在家里。最终,这些比率的值给我们τ_p。τ的全球因素可以计算平均个人参与者的τ_p。我们正在处理失踪时间块,我们用时间means-similar已被用于冠non-wear时间间隔与加速度计(17,43)。即预期活动和给定的时间间隔(郊游发生时)所有观察到的天。评估该归责过程整体校准的影响,评价指标$\tilde{\rho }$计算使用(1)时间意味着归罪,(2)时间τ归罪与因素意味着什么_p和(3)时间τ归罪与因素。

所有的数据处理、分析和策划执行Python (Python软件基金会)的脚本语言(版本3.7)。从Scikit-learn LR和探地雷达算法实现库(44)使用。XGB算法,使用官方的Python实现。

结果

校准结果与不同的数据量和学习算法

在图1,我们可视化评价指标$\tilde{\rho }$和美1、7、14、21、30天校准数据的结合提出了基于探地雷达的校正以及基于LR和XGB校准。值得注意的是,这两个评价指标,最大的提高性能可以看到一至七天的校准数据(从可穿戴式加速度计)。超过14天,更多的数据导致越来越小的改进。的相关系数ρ性能饱和似乎达到了21天,而在案件的美饱和并非完全明显,即使在30天。的学习算法用于近似活动校准功能${\hat{f}}_{P我R}$,它是可见的探地雷达如何最好的性能几乎没有数据显示14天。之后,探地雷达主要是与LR,开始失去XGB相比。相关ρ值显示平均0.84后14天。注意,所有结果显示下游是基于14天校准数据的情况。

Post-calibration性能进化

视觉上,很难辨别任何形式的全面恶化在30周后校准,除了一些短期变化(见图2)。回归分析的美与时间,进一步揭示了边坡不是统计学意义(p= 0.262)。

校正年龄相关的卫生指标的影响和结果

结果显示相关性的临床评估使用环境传感器系统校准和未校准的活动以及加速度计,演示如何校准导致增加的相关性评估除了臀部伸肌力量。通常post-calibration相关性达到优势接近加速度计黄金标准(见表1)。结果基于Wilcoxon符号秩检验,另外建议预处理和post-calibration之间的相关性的差异具有统计学意义(n= 8,p= 0.004)。

处理郊游

我们发现,对于大多数参与者在房子外面会导致更多的活动时间比平均的时间花在家里。平均的比率1.38活动外与内被发现。然而,根据这个比例可以很多不同的人,从0.92到1.82不等。分布可视化为柱状图所示图3。

我们进一步发现,通过时间的改动,ρ(相关整体日常加速度计活动)在大多数情况下增加。关于时间的意思是归责的类型,使用似乎没有系数导致显著降低相关值相比,使用一个人特定的系数(p= 0.0007)或一个静态系数值(p= 0.0007),之间无显著差异(p= 0.8)被发现(见图4)。

预测分布

评估的潜在效用预测分布我们如何评估它与日常$米\mathrm{一个}{E}_p^d$为每个参与者。所有参与者的平均相关系数为0.49±0.15 (min = 0.1, max = 0.67)。一个像样的相关性给出的一个例子图5。

讨论

我们甚至发现使用相对少量的可穿戴真实数据为基础,基于PIR无线传感器系统可以校准大大提高老年人的日常身体活动的估计。我们可以另外验证,这增加的性能直接转化为更强的相关性测量身体活动水平与各种年龄相关的卫生指标和结果,已知与身体活动有关。这表明性能得到校准不仅出现在纸上,还体现在身体活动数据,捕捉关系健康情况明显好于将没有校准。

决定必要的可穿戴的数据量,满足校准,是一个非常主观的和任务特定的物质,因为它是一个校准性能和wear-time之间的权衡。在我们的例子中,校准PIR运动传感器系统,7 - 14天似乎给合理的结果,用减少雇用额外好处再校准时间。我们也观察到,最优的算法,近似校正函数${\hat{f}}_{P我R}$似乎依赖于可用的校准数据量。对于少量的校准数据,探地雷达可能被认为是最好的选择,这是一个已知的属性基于GP的方法(45)。边注,在我们的案例中一个线性内核被证明是最好的参数化,这就相当于使用贝叶斯线性回归算法,但医生的观点可能仍然是更有效的给小数据(46)。这也解释了为什么探地雷达的结果很大程度上收敛于LR结果得到更多的数据。另一方面,XGB算法导致性能略好,超过14天的校准数据,这将是一个算法的预期行为更多的学习能力。现在,因为我们想限制必要wear-time降到最低,我们最初认为,探地雷达是一个合适的算法的任务。探地雷达的一个额外好处的贝叶斯性质,包括预测的不确定性,我们认为可能非常有用,因为它通常表明同时增加模型误差和可能因此被用来诊断当校准模型的性能就会降低。我们的数据(见图5),然而,我们没有发现显著的退化在30周后校准,校准性能表明校准是整体相对稳定和弹性对潜在的干扰小。

这一点也不奇怪,是很重要的因素外,时间,体力活动以外的人花很多时间将大大低估了。问题,如何最好地处理活动在这个场景中然而保持开放,我们并没有发现任何工作评估社区老和老旧的成年人。外我们的研究结果表明,更换时间平均活动在一个给定的时间间隔是一个有效的策略,导致重大校正的改进,但是在大多数情况下,低估身体活动和长寿老人的成年人一样古老外时往往更活跃。我们发现参与者的人口,平均1.38倍时体力活动外,而如果他们在同一时间内(见的那一天图3)。使用这些知识,可以进一步提高郊游归罪,纠正有些偏见引起的郊游。有趣的是,使用一个静态全局因素之间没有看到任何改善和雇佣一个人特定的因素,建议,,即使没有真实加速度计,外出可以纠正了约1.4倍。我们不知道确切的原因,但这可能是由于这样的事实,我们使用的是一种非常粗略的估计不管怎样和确切的因素只会有影响,如果我们的估计更准确。然而,这一发现进一步研究在不同人群和不同情况下。

使用短期的数据更准确可穿戴设备似乎适合无线PIR环境传感器校准系统。鉴于以往的研究PIR传感器系统的校准测量步速也导致非常有前景的结果(21),这种相对简单的初始校准程序应考虑在未来长期远程控制应用程序和研究采用无线PIR传感器。

毕竟,我们的校准过程有其明显的局限性和问题。一般来说,应该注意的是,由于样本量相对较小,泛化的结果涉及到统计推断可能是有限的。关于校准过程,大多数PIR传感器由于具有相对较低的采样率不应期和限制的视野。这使得它几乎不可能得到完全准确估计的真正的体育活动,我们会通过使用高频加速度计。这意味着可能会有一定的低估的身体活动甚至在校准之后,某些活动只是错过的PIR系统。进一步,我们应该添加的方法只能函数如果有人独自生活。尽管一些研究表明PIR设施可能是有用的在多人环境,这可能不是身体活动的情况量化。另一个问题是参与者之间差异的结果(如可以很容易地看到图4)。对某些人来说,这似乎不可能得到一个好的校准(尽管仍然略高于基线),甚至深入人工调查后,在两个实例中,我们没有发现任何合理解释这种行为。可能的解释可能是,在一个房间里没有足够的传感器,传感器没有放置在理想的情况下,或人的行为本质上使它难以捕捉身体活动使用PIR传感器实例的人经常照顾邻居的宠物。这是另一个重要的论点赞成使用可靠的无线数据校准系统。采用交叉验证它是直接识别装置的校准前后存在着巨大的分歧,这也使得使用Bland-Altman情节手动检查潜在的偏见。考虑医学应用,数据的有效性来自非侵入性的环境运动传感器是特别重要的与这种新技术建立信任,并可能以这种方式允许更广泛的应用。我们会因此建议使用非接触式健康监测工作更加准确和验证可穿戴设备无线传感器的初始校准和完整性检查。未来的工作可能评估类似的校准程序应用于其他形式非接触式心率和呼吸率遥感。此外,这将是非常有趣的,进一步调查发现外面活动活动内比在较大的社区老年人的数量。

结论

我们发现,使用从一个可穿戴的加速度计校准数据,收集在7 - 14天,极大地提高了运动估计的无线被动红外传感器系统。这让还更强相关性卫生指标和结果,已知与身体活动有关。贝叶斯方法如高斯过程回归,工作得很好,用小数据集,并提供一个固有的预测分布,它可以帮助诊断当校准功能恶化——例如由于一个人的行为的变化。时间之外应该估算平均活动在同一时期在家里,乘以一个人出游的因素。如果一个人出游的因素不可用,可以使用~ 1.4倍。

我们甚至认为使用相对少量的可穿戴真实基础数据在7 - 14天,基于PIR无线传感器系统可以校准给老年人的日常身体活动很大程度上更好的评估。这增加的性能直接转换成更强的相关性与各种年龄相关的卫生指标和结果与身体活动有关。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

涉及人类受试者的研究回顾和批准Kantonale Ethikkommission des坎顿伯尔尼Murtenstrasse 31日3010年伯尔尼(KEK-ID: 2016 - 00406)。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

NS、海关、铅、PU, RM, TN设计和研究计划。NS和HS安装和维护系统和测量了参与者。NS和AB分析数据。NS、AB和HS写的手稿。所有作者进行审核和批准最终的手稿。

资金

这个手稿已经部分工作由InnoSuisse和部分由机构资助。作者宣称Innosuisse没有参与研究设计、收集、分析、解释数据,本文的写作或决定提交出版。

的利益冲突

铅是受雇于Domo-Safety SA,显示的传感器系统的制造商。

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

确认

我们想感谢所有科目的参与。此外,我们感谢大家参与收集数据。

引用

附录

虽然大多数领域是自解释的,我们描述了一些细节关于校准过程中使用的字段。PirMotions表的“持续时间”属性是指给定传感器报告运动多少秒。相同的位置属性表描述了传感器在房间和time_发射的确切时间(UTC)。活动Biovotion1表的字段值代表了规范化活动源于设备的加速度计和time_描述准确的测量时间(UTC)。DoorSensors表的位置字段是指传感器放置在这个位置只有入口传感器相关工作。状态属性描述是否打开或关闭,time_属性表示这个事件的确切时间(UTC)。