An Open-Source, Open Data Approach to Activity Classification from Triaxial Accelerometry in an Ambulatory Setting

Diese Studie stellt einen Open-Source-Ansatz mit einem offenen Datensatz vor, der mithilfe von Signalverarbeitung und einem CNN-Modell 50-Hz-Daten eines triaxialen Beschleunigungsmessers nutzt, um bei ambulanten Patienten zwischen hohen und niedrigen Aktivitätsniveaus sowie fünf spezifischen Bewegungsarten zu unterscheiden und so den Kontext für klinische Entscheidungsfindung zu erweitern.

Das Wesentliche

Titel: Der unsichtbare Tanzpartner – Wie ein kleiner Sensor versteht, was Ihr Körper tut

Stellen Sie sich vor, Ihr Körper ist ein Orchester. Wenn Sie liegen, spielt es ein leises, ruhiges Lied. Wenn Sie joggen, wird es zu einem wilden Rockkonzert. In der modernen Medizin wollen wir oft hören, wie dieses Orchester spielt (z. B. wie schnell das Herz schlägt). Aber hier ist das Problem: Wenn das Orchester wild rockt, ist es schwer zu hören, ob ein Instrument wirklich falsch spielt oder ob es nur laut ist, weil die Musik so wild ist.

Dieses Forschungsprojekt von Sepideh Nikookar und ihrem Team ist wie der Versuch, einen super-intelligenten Dirigenten zu bauen, der genau weiß, wann das Orchester tanzt und wann es sitzt. Und das Beste daran? Dieser Dirigent ist kostenlos und offen für alle.

Hier ist die Geschichte, einfach erklärt:

1. Das Werkzeug: Der kleine Sensor im T-Shirt

Die Forscher haben keine riesigen, teuren Maschinen benutzt. Stattdessen haben sie ein kleines Pflaster (ähnlich wie ein Pflaster gegen Schmerzen) auf die Brust von 23 gesunden Menschen geklebt.

• Was es tut: Dieses Pflaster ist wie ein kleiner Tanzlehrer. Es spürt jede Bewegung in drei Richtungen (vorwärts, seitwärts, auf und ab) – genau wie ein Tänzer, der weiß, ob er springt, dreht oder steht.
• Die Mission: Es soll herausfinden: Liegt die Person? Sitzt sie? Steht sie? Geht sie? Oder joggt sie?

2. Das Experiment: Ein Tag im Büro als "Krankenhaushotel"

Die Teilnehmer trugen das Pflaster etwa 26 Minuten lang. Sie mussten verschiedene Dinge tun:

• Auf dem Sofa liegen.
• Im Stuhl sitzen.
• Aufrecht stehen.
• Durch den Raum gehen.
• Joggen (im Kreis, um Platz zu sparen).
• Und sogar ein bisschen zappeln (wie wenn man die Schuhe bindet oder am Handy spielt).

Das war wichtig, weil echte Patienten im Krankenhaus oder zu Hause nicht immer perfekt still sitzen. Sie bewegen sich, zappeln und ändern ihre Position. Die Forscher wollten einen Algorithmus bauen, der auch in diesem "chaotischen" Alltag funktioniert.

3. Die zwei Helden: Der einfache Wächter und der KI-Detektiv

Die Forscher haben zwei verschiedene Methoden entwickelt, um die Daten zu lesen:

Held 1: Der einfache Wächter (Signalverarbeitung)
Stellen Sie sich diesen Wächter als einen Torwächter an einer Disco vor. Er fragt nicht: "Wer bist du genau?" Er fragt nur: "Bewegst du dich stark oder bist du ruhig?"

• Er schaut auf die Gesamtstärke der Bewegung.
• Ergebnis: Er kann sehr gut unterscheiden, ob jemand "aktiv" (wie beim Joggen) oder "inaktiv" (wie beim Liegen) ist. Das ist super wichtig für Ärzte, um zu wissen, ob ein schneller Herzschlag normal ist, weil jemand joggt, oder ob etwas Ernstes vorliegt.

Held 2: Der KI-Detektiv (Künstliche Intelligenz)
Dieser Held ist wie ein erfahrener Tanzlehrer, der jede einzelne Bewegung analysiert. Er nutzt eine spezielle Art von künstlicher Intelligenz (ein sogenanntes "Convolutional Neural Network" oder CNN).

• Er schaut sich die Bewegungsmuster genau an.
• Er lernt den Unterschied zwischen "Sitzen" und "Stehen" (was sehr schwer ist, da beide fast still sind) und zwischen "Gehen" und "Joggen".
• Ergebnis: Er konnte die fünf verschiedenen Aktivitäten (Liegen, Sitzen, Stehen, Gehen, Joggen) mit einer sehr hohen Genauigkeit erkennen.

4. Warum ist das so wichtig? (Die Magie des Kontexts)

Stellen Sie sich vor, ein Arzt schaut auf einen Monitor und sieht: "Herzfrequenz: 120 Schläge pro Minute!"

• Ohne den Tanzlehrer: Der Arzt denkt: "Oh nein! Der Patient hat Panik oder ein Herzproblem!" (Alarm!).
• Mit dem Tanzlehrer: Der Arzt sieht auch: "Der Patient joggt gerade." -> "Ah, okay! Das ist normal. Kein Alarm."

Das ist der große Gewinn: Kontext. Wenn wir wissen, was der Patient gerade tut, können wir die Gesundheitsdaten viel besser verstehen. Das verhindert falsche Alarme und hilft Ärzten, echte Probleme schneller zu erkennen.

5. Das Geschenk an die Welt: Offenheit

Das Schönste an dieser Studie ist, dass die Forscher nicht alles für sich behalten haben.

• Die Daten: Sie haben alle Bewegungsdaten der 23 Personen veröffentlicht.
• Der Code: Sie haben den gesamten Computer-Code, mit dem sie die KI trainiert haben, ebenfalls kostenlos gemacht.

Das ist wie wenn ein Koch nicht nur ein Rezept erfindet, sondern auch die Zutaten und den Kochtopf an jeden weitergibt, damit andere damit neue Gerichte kochen können. Andere Forscher können jetzt damit experimentieren, ihre eigenen Modelle testen und die Technik weiter verbessern.

Zusammenfassung

Dieses Projekt zeigt, dass wir mit einem einfachen Sensor und ein bisschen cleverer Mathematik (und etwas KI) den Körper besser verstehen können. Es ist wie ein unsichtbarer Begleiter, der uns hilft, die Sprache des Körpers zu lesen, damit wir im Alltag und im Krankenhaus sicherer und genauer handeln können. Und da alles offen ist, kann die ganze Welt daran mitarbeiten, um die Gesundheitsversorgung für alle zu verbessern.

Technische Zusammenfassung

Technische Zusammenfassung: Open-Source-Ansatz zur Aktivitätsklassifikation aus triaxialer Beschleunigungsmessung im ambulanten Setting

1. Problemstellung und Motivation

Die kontinuierliche Überwachung physiologischer Parameter ist für die Früherkennung klinischer Verschlechterungen und personalisierte Therapien essenziell. Herkömmliche Wearables (z. B. Beschleunigungssensoren) liefern oft nur grobe Metriken wie Schrittzahlen oder durchschnittliche Energieverbräuche.
Ein zentrales Problem in der ambulanten Überwachung ist die Interpretation physiologischer Daten (z. B. Herzfrequenz, Sauerstoffsättigung) ohne Kontext. Bewegungskunstefakte (Motion Artifacts) durch natürliche Aktivitäten können Messungen verfälschen und zu Fehlalarmen führen.
Bestehende Methoden zur menschlichen Aktivitätserkennung (HAR) stoßen oft an Grenzen, wenn sie mit verrauschten, unausgewogenen Daten aus realen Umgebungen konfrontiert werden, da viele Modelle auf saubere, laborbasierte Datensätze trainiert sind. Zudem fehlen oft öffentlich zugängliche, realistische Datensätze und reproduzierbare Open-Source-Codes für solche Szenarien.

2. Methodik

Datenerhebung:

• Kohorte: 23 gesunde Probanden (16 männlich, 7 weiblich; Alter 23–62 Jahre).
• Gerät: Ein tragbarer ECG-Patch (Vivalink VV330), der ein EKG (128 Hz) und triaxiale Beschleunigungsdaten (50 Hz) aufzeichnet.
• Protokoll: Die Teilnehmer führten eine standardisierte Routine durch, die fünf Aktivitäten umfasste: Liegen, Sitzen, Stehen, Gehen und Joggen. Die Umgebung simulierte dynamische Bedingungen eines Notfallwartebereichs (Bewegung in einem Konferenzraum, Kreisbewegungen, "Zappeln" wie Telefonieren oder Schuhbinden).
• Ground Truth: Die Aktivitäten wurden manuell durch Videoaufnahmen (iPad) validiert, die zeitlich mit den Sensordaten synchronisiert wurden.
• Datenvolumen: Durchschnittlich ca. 26 Minuten pro Proband (min. 4,22 min, max. 67,98 min).

Datenvorverarbeitung:

• Filterung: Butterworth-Bandpassfilter (0,05 Hz – 2 Hz) zur Entfernung von Sensor-Drift und hochfrequentem Rauschen (z. B. durch Geräte).
• Segmentierung: Die Analyse konzentrierte sich auf die letzten 20 Minuten der Aufnahme, um Vorbereitungsphasen auszuschließen.
• Labeling: Manuelle Etikettierung mit dem Tool Label Studio. Fenster von 5 Sekunden wurden verwendet. Übergangsphasen (Transitionen) wurden für das Training ausgeschlossen, um stabile Zustände zu gewährleisten.

Klassifikationsansätze:
Das Paper stellt zwei komplementäre Methoden vor:

1. Binäre Klassifikation (Signalverarbeitung):

   • Ziel: Unterscheidung zwischen "aktiv" (Gehen, Joggen) und "inaktiv" (Liegen, Sitzen, Stehen).
   • Methode: Berechnung der Vektor-Magnitude (Betrag des 3D-Beschleunigungsvektors) über ein gleitendes 5-Sekunden-Fenster.
   • Schwellenwert: Ein empirisch bestimmter Schwellenwert von 0,07 g (basierend auf der Median-Magnitude) trennt die Zustände.
   • Vorteil: Hohe Recheneffizienz, geeignet für Echtzeit-Anwendungen auf Edge-Geräten.

2. Multi-Klassen-Klassifikation (Deep Learning):

   • Ziel: Unterscheidung der fünf spezifischen Aktivitäten (Liegen, Sitzen, Stehen, Gehen, Joggen).
   • Modell: Eine 1-dimensionale Convolutional Neural Network (CNN)-Architektur.
   • Training: Verwendete Leave-One-Out Cross-Validation (LOOCV), wobei die Daten eines Probanden zum Testen zurückgehalten wurden, um die Generalisierbarkeit zu prüfen.
   • Umgang mit Klassenungleichgewicht: Klassen-spezifische Gewichtung während des Trainings, da einige Aktivitäten (z. B. Joggen) unterrepräsentiert waren.

3. Wichtige Ergebnisse

• Binäre Klassifikation (Aktiv/Inaktiv):

  • Der schwellenwertbasierte Ansatz erreichte einen F1-Score von 0,79.
  • Genauigkeit: 87 %, Präzision: 73 %, Recall: 90 %.
  • Der Ansatz war robuster als ein vergleichbarer MAD-basierter (Mean Amplitude Deviation) Schwellenwert aus der Literatur, der in diesem Datensatz versagte (F1-Score 0,00 für aktive Klassen).

• Multi-Klassen-Klassifikation (CNN):

  • Der CNN-basierte Ansatz erreichte einen gewichteten F1-Score von 0,83.
  • Klassen-spezifische Leistung:
    • Gehen: 90 % F1-Score
    • Joggen: 79 % F1-Score (trotz geringer Datenmenge)
    • Sitzen: 82 % F1-Score
    • Liegen: 55 % F1-Score
    • Stehen: 44 % F1-Score (häufige Verwechslung mit Gehen oder Sitzen aufgrund ähnlicher vertikaler Beschleunigungsmuster am Brustkorb).
  • Parameter-Sensitivität:
    • Eine Verkürzung des Zeitfensters (z. B. auf 1 Sekunde) oder eine Verringerung der Abtastrate (auf 5 Hz) führte zu signifikanten Leistungseinbußen (p < 0,001).
    • Ein Abtastrate von 25 Hz zeigte keine signifikante Verschlechterung gegenüber 50 Hz, was Potenzial für ressourcenschonende Implementierungen bietet.

• Physiologische Korrelation:

  • Es wurde eine signifikante, aber moderate positive Korrelation (r = 0,29) zwischen der Bewegungintensität (Rolling 3D Magnitude) und der Abweichung der Herzfrequenz vom Ruhewert festgestellt. Dies unterstreicht den Nutzen von Aktivitätsdaten zur Kontextualisierung physiologischer Messungen.

4. Hauptbeiträge

1. Open Data & Open Source: Dies ist laut Autoren die erste Studie, die sowohl einen realistischen, verrauschten triaxialen Beschleunigungsdatensatz aus einem ambulanten Setting als auch den vollständigen, reproduzierbaren Open-Source-Code für die Klassifikation öffentlich verfügbar macht.
2. Robustheit unter realen Bedingungen: Die entwickelten Modelle wurden speziell für verrauschte, unausgewogene Daten und kurze Aufnahmedauern optimiert, was sie für den Einsatz in der realen Welt (z. B. Notfallstationen) besser geeignet macht als Modelle, die nur auf Labor-Daten trainiert wurden.
3. Zwei-Säulen-Ansatz: Die Kombination aus einer extrem effizienten Signalverarbeitungsmethode (für Echtzeit-Status) und einem leistungsfähigen Deep-Learning-Modell (für detaillierte Verhaltensanalyse) bietet eine flexible Lösung für verschiedene klinische Anforderungen.
4. Kontextualisierung: Die Studie demonstriert, wie Aktivitätsklassifikation genutzt werden kann, um physiologische Daten (wie Herzfrequenz) besser zu interpretieren und Fehlalarme zu reduzieren.

5. Bedeutung und Ausblick

Die Studie zeigt, dass reine Beschleunigungsdaten aus kostengünstigen Wearables ausreichen, um Aktivitätszustände in dynamischen Umgebungen zuverlässig zu erkennen. Dies ist ein entscheidender Schritt zur Verbesserung der klinischen Entscheidungsfindung, z. B. zur Unterscheidung zwischen pathologischen Herzfrequenzanstiegen und solchen, die durch Bewegung verursacht werden.

Einschränkungen und zukünftige Arbeiten:

• Sensorplatzierung: Die Verwendung eines einzelnen Sensors am Brustkorb führt zu Verwechslungen zwischen ähnlichen Posen (Sitzen vs. Stehen). Zusätzliche Sensoren (z. B. am Oberschenkel) könnten die Auflösung verbessern.
• Übergangsphasen: Das aktuelle Modell schließt Übergangszeiten aus. Die direkte Modellierung von Übergängen (z. B. Geschwindigkeit des Aufstehens) könnte wertvolle diagnostische Informationen liefern (z. B. für Sturzrisiko oder kognitive Verwirrung).
• Demografie: Der Datensatz besteht nur aus gesunden Freiwilligen. Eine Validierung an klinischen Patientengruppen und die Erhebung demografischer Daten sind für die klinische Implementierung notwendig.

Insgesamt legt diese Arbeit den Grundstein für skalierbare, kontextbewusste Überwachungssysteme, die die Lücke zwischen rohen Sensordaten und klinisch verwertbaren Informationen schließen.