SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

Das tägliche Leben ist eine Abfolge kleiner, oft repetitiver Bewegungen: Zähneputzen, Geschirr spülen, in die Küche gehen oder einen Boden wischen. Für Ärzte und Pflegekräfte ist die Verfolgung dieser „Aktivitäten des täglichen Lebens“ lebenswichtig. Die Fähigkeit einer Person, diese Aufgaben unabhängig auszuführen, ist ein primärer Indikator für ihre Gesundheit und Sicherheit. Traditionell beruht die Messung dessen auf der Frage an Menschen, was sie getan haben, oder darauf, dass eine Pflegekraft sie zu bestimmten Zeiten beobachtet. Diese Methoden sind unvollkommen; das menschliche Gedächtnis ist fehlbar, und eine Momentaufnahme bei einer Beobachtung lässt den Rhythmus eines ganzen Tages unberücksichtigt. Um ein wahres Bild davon zu erhalten, wie jemand funktioniert, benötigen wir eine Möglichkeit, ihn kontinuierlich zu beobachten, ohne aufdringlich zu sein. Hier kommt die Smartwatch ins Spiel. Am Handgelenk getragen, trägt sie Sensoren, die die subtilen Veränderungen der Bewegung fühlen können und so ein potenzielles Fenster in die tägliche Routine einer Person bieten. Aber es gibt einen Haken: Ein Computerprogramm, das darauf trainiert wurde, diese Bewegungen in einem ruhigen, kontrollierten Labor zu erkennen, versagt oft, wenn dieselbe Person die Uhr in der chaotischen, unvorhersehbaren Realität ihres eigenen Zuhauses trägt.

Forscher der Queen Margaret University und der Edinburgh Napier University setzten sich zum Ziel, genau dieses spezifische Problem zu lösen. Sie fragten sich, ob ein Smartwatch-System lernen könnte, die täglichen Aktivitäten einer Person zu erkennen, während es im Gebrauch ist, ohne dass es komplett von Grund auf neu trainiert werden muss. Sie entwickelten ein System namens SmartADAPT-Net, das darauf ausgelegt ist, in zwei unterschiedlichen Phasen zu arbeiten. Zuerst nutzt es ein allgemeines „Populationsmodell“ – eine Menge von Regeln, die von vielen verschiedenen Menschen in einem Labor gelernt wurden – um eine erste Vermutung darüber abzugein, welche Aktivität gerade stattfindet. Zweitens lernt es langsam von der spezifischen Person, die es trägt, aber nur dann, wenn diese Person die Vermutung der Uhr bestätigt oder korrigiert. Das Ziel war es zu sehen, ob dieser zweistufige Ansatz die Lücke zwischen einem im Labor trainierten Roboter und einem hilfreichen, personalisierten Assistenten in der realen Welt überbrücken kann.

Die Forscher begannen mit dem Aufbau des Fundaments ihres Systems in einer simulierten Heimumgebung. Dreißig Freiwillige führten sechs alltägliche Aufgaben aus: Zähneputzen, Moppen oder Staubsaugen, Einräumen von Regalen, Gehen, Geschirrspülen und Waschen des Gesichts. Sie trugen Apple Watches, die die Bewegung ihrer Handgelenke aufzeichneten. Das Team nutzte diese Daten, um ein Computermodell darauf zu trainen, die Muster dieser Bewegungen zu erkennen. Dieses initiale Modell war „eingefroren“, was bedeutete, dass sein Kerngehirn festgeschrieben war und sich später nicht ändern würde. Die Forscher fügten jedoch eine clevere Anpassungsebene namens „komplexitätsbewusste Modulation“ hinzu. Diese Funktion betrachtet, wie chaotisch oder unregelmäßig eine Bewegung ist. Zum Beispiel ist Gehen meist rhythmisch, während das Geschirrspülen eher erratisch sein kann. Durch die Messung dieser Komplexität konnte das System eine schnelle, intelligente Anpassung an seine erste Vermutung vornehmen und so die Genauigkeit zu verbessern, noch bevor es wusste, wer der Nutzer war.

Der wahre Test kam, als sie dieses System auf eine neue Gruppe von siebzehn Personen in deren tatsächlichen Wohnungen ausrollten. Diese Teilnehmer trugen die Uhr und starteten eine Aufzeichnung, wann immer sie eine der sechs Zielaktivitäten ausführten. Das System kannte diese Personen vorher nicht. Wenn die Uhr eine Vorhersage traf, wurde der Nutzer gebeten, zu bestäten, ob diese korrekt war, oder die richtige Aktivität aus einer Liste auszuwählen. Dieses Feedback war der Schlüssel. Das System trainierte sein Hauptgehirn nicht neu, was zu schwerfällig für den Akku und den Prozessor der Uhr gewesen wäre. Stattdessen speicherte es einfache „Prototypen“ – kompakte Zusammenfassungen dessen, wie die Bewegungen dieser spezifischen Person für jede Aktivität aussah. Während der Nutzer mehr Aktionen bestätigte, passte das System seine endgültige Entscheidung langsam an, indem es das allgemeine Wissen der Population mit den spezifischen Gewohnheiten des Nutzers verschmolz.

Die Ergebnisse zeigten eine klare und kraftvolle Progression. Wenn das System sich nur auf sein ursprüngliches, eingefrorenes Gehirn verließ, lag es in etwa 62 Prozent der Fälle richtig. Dieser Rückgang von der Laborleistung war zu erwarten, da das echte Leben unordentlicher ist als ein kontrolliertes Experiment. Doch in dem Moment, als das System seine komplexitätsbewusste Anpassung anwandte, sprang die Genauigkeit auf 78 Prozent. Diese Verbesserung geschah sofort, ohne jegliche persönliche Daten des Nutzers. Während die Nutzer im Laufe der zwanzig Tage ihre Aktivitäten bestätigten, setzte die Personalisierung des Systems ein, und die endgültige Genauigkeit stieg auf 89 Prozent. Dies bedeutet, dass das System durch die Kombination einer smarten, unmittelbaren Korrektur mit einem langsamen, stetigen Lernprozess seine anfänglichen Fehler korrigierte und hochzuverlässig wurde.

Nicht jede Aktivität war gleichermaßen leicht zu meistern. Gehen und Moppen wurden von Beginn an mit hoher Genauigkeit erkannt. Das Waschen des Gesichts hingegen blieb die schwierigste Aufgabe. Selbst nach zwanzig Tagen der Personalisierung hatte das System mit dieser Aufgabe immer noch Schwierigkeiten und traf sie nur in etwa 79 Prozent der Fälle korrekt. Die Forscher fanden heraus, dass das System zwar viele seiner frühen Fehler korrigieren konnte, eine gewisse Verwechslung zwischen dem Waschen des Gesichts und anderen Bewegungen jedoch bestehen blieb. Dies deutet darauf hin, dass der Handgelenkssensor, obwohl er exzellent darin ist, Armbewegungen zu verfolgen, manchmal die feinen Details vermissen lässt, die nötig sind, um sehr ähnliche Handaktionen zu unterscheiden. Dennoch bewies das System, dass es von einem Nutzer lernen kann, ohne eine massive Menge an Daten oder einen komplexen Trainingsprozess zu benötigen.

Die Studie bestätigte auch, dass dieser Ansatz für den täglichen Gebrauch praktikabel ist. Das gesamte System, einschließlich des Speichers, der benötigt wird, um sich an die spezifischen Gewohnheiten eines Nutzers zu erinnern, nahm sehr wenig Platz auf der Uhr ein – etwa die Größe einer kleinen Fotodatei. Es lief schnell, traf Entscheidungen in weniger als einem Zehntel einer Sekunde, und der zusätzliche Akkuverbrauch war minimal und betrug etwa 3,5 Prozent des Akkus pro Stunde aktiver Nutzung. Diese Effizienz ist entscheidend; ein System, das den Akku in wenigen Stunden leert, ist für eine langfristige Gesundheitsüberwachung unbrauchbar.

Die Forscher waren sorgfältig darauf bedacht, die Grenzen ihrer Ergebnisse aufzuzeigen. Die „korrekten“ Antworten, die zur Prüfung des Systems verwendet wurden, stammten von den Nutzern selbst, die die Vermutung der Uhr sahen, bevor sie sie bestätigten. Dies bedeutet, dass das System durch das eigene Vertrauen oder die Voreingenommenheit des Nutzers beeinflusst worden sein könnte, anstatt durch einen unabhängigen Beobachter. Zudem konzentrierte sich die Studie auf sechs spezifische Aktivitäten, die der Nutzer manuell startete, anstatt auf ein System, das eine Person den ganzen Tag beobachtet und automatisch erkennt, was sie tut. Das System versuchte auch nicht, neue Arten von Aktivitäten zu lernen, die über die sechs gelernten hinausgehen.

Dennoch ist die Kernentdeckung bedeutsam. Sie zeigt, dass ein tragbares Gerät mit einem allgemeinen Verständnis menschlicher Bewegung beginnen und sich dann durch einfaches Feedback im Dialog mit dem Menschen an den einzigartigen Stil eines Individuums anpassen kann. Es muss kein unbeschriebenes Blatt sein, das Wochen an Daten wartet, und es muss kein starres, unveränderliches Programm sein. Durch die Trennung der unmittelbaren, smarten Anpassungen vom langsamen, persönlichen Lernen bietet das System einen Weg zu Smartwatches, die nicht nur Sensoren sind, sondern wahrhaft adaptive Begleiter für die Überwachung der Gesundheit in der realen Welt. Die Studie legt nahe, dass die Zukunft der tragbaren Gesundheitsüberwachung nicht darin liegt, den Computer isoliert intelligenter zu machen, sondern in der Schaffung einer Partnerschaft, in der das Gerät von der Person lernt, die es trägt – eine bestätigte Aktivität nach der anderen.