ActiNet: An Open-Source Tool for Activity Intensity Classification of Wrist-Worn Accelerometry Using Self-Supervised Deep Learning

1. Planteamiento del Problema

Los estudios epidemiológicos a gran escala dependen de modelos precisos y de código abierto para el Reconocimiento de la Actividad Humana (HAR) para analizar datos de acelerómetros de muñeca y vincular la actividad física con resultados de salud. Tradicionalmente, estos estudios han utilizado clasificadores de Bosque Aleatorio (RF) combinados con Modelos Ocultos de Markov (HMM) para el suavizado (por ejemplo, el paquete Python accelerometer). Aunque efectivos, estos modelos dependen de características diseñadas a mano y pueden no capturar completamente la complejidad del movimiento en la vida libre.

Aunque el Aprendizaje Auto-supervisado (SSL) y el aprendizaje profundo (específicamente HARNet) han demostrado ser prometedores para mejorar la precisión del HAR, anteriormente se desconocía:

• Qué tan bien rendiría un modelo basado en HARNet combinado con suavizado HMM en comparación con las líneas base establecidas de RF.
• Si tales modelos introducen sesgos en diferentes subgrupos demográficos (edad, sexo).
• Cómo el cambio en el rendimiento de la clasificación afecta la composición estimada de la intensidad de la actividad diaria (sueño, sedentarismo, ligera, moderada-vigorosa).

2. Metodología

Conjunto de Datos

• Datos Principales: El estudio utilizó el conjunto de datos CAPTURE-24, el mayor conjunto de datos de acelerómetros de muñeca anotados disponible públicamente. Incluye datos de 151 participantes (edad 18–91, media 42, 66% mujeres) que portaron dispositivos AX3 a 100 Hz durante ~24 horas.
• Verdad Terrena: Las anotaciones se derivaron de diarios de sueño y una cámara OMG Life Autographer que capturaba imágenes cada 20–40 segundos, mapeadas a cuatro clases de intensidad: Sueño, Sedentario, Ligera y Moderada-Vigorosa (MVPA) utilizando el mapeo de Walmsley.
• Validación Externa: Los modelos también se probaron en los conjuntos de datos Realworld y WISDM para evaluar la generalización.

Pre-procesamiento

• Los datos se procesaron utilizando el paquete actipy.
• Se eliminaron los periodos de no uso (magnitud vectorial <15mg durante 90 min).
• Las señales se auto-calibraron a 1g para periodos estacionarios.
• Los datos se segmentaron en ventanas de 30 segundos, definiendo la etiqueta de verdad terrena como la etiqueta más frecuente dentro de la ventana.

Arquitectura del Modelo

El estudio desarrolló ActiNet y lo comparó con un modelo de Línea Base RF + HMM.

1. ActiNet (Modelo Propuesto):

   • Arquitectura Base: Una ResNet-V2 modificada de 18 capas (HARNet) pre-entrenada mediante Aprendizaje Auto-supervisado (SSL) en ~700,000 días-persona de datos del UK Biobank. La tarea de SSL consistía en distinguir flechas de tiempo hacia adelante vs. hacia atrás en las señales del acelerómetro.
   • Ajuste Fino: El modelo se ajustó finamente en CAPTURE-24 utilizando un optimizador Adam, pérdida de entropía cruzada y ponderación inversa de clases.
   • Aumento de Datos: Se aplicaron decimación aleatoria, cambio de ejes y rotación.
   • Suavizado: Un Modelo Oculto de Markov (HMM) utilizando el algoritmo de Viterbi suavizó la secuencia de predicciones.
   • Post-procesamiento: Los bloques de sueño más cortos de 1 hora se reclasificaron como sedentarios.

2. Modelo de Línea Base:

   • Clasificador: Bosque Aleatorio (200 estimadores) utilizando 37 características diseñadas a mano en los dominios temporal y frecuencial (del paquete accelerometer).
   • Suavizado: Lógica idéntica de HMM y corrección de sueño que ActiNet.

Estrategia de Entrenamiento y Evaluación

• Validación Cruzada: Validación cruzada estratificada por grupos de 5 pliegues (dividido por ID de participante para evitar fugas de datos).
• Validación Anidada: Para ActiNet, se utilizó un conjunto de retención del 20% dentro del pliegue de entrenamiento para la parada temprana y para estimar las matrices de emisión del HMM.
• Métricas: Precisión, Precisión Balanceada, F1 Macro, Kappa de Cohen, Matrices de Confusión, Error Absoluto Medio (MAE) para el volumen de actividad y gráficos de Bland-Altman.

3. Contribuciones Clave

• Desarrollo de ActiNet: Una herramienta de código abierto que integra aprendizaje profundo pre-entrenado con SSL (HARNet) con suavizado HMM para la clasificación de actividad de muñeca.
• Evaluación Comparativa Exhaustiva: Una comparación rigurosa contra la línea base de Bosque Aleatorio más avanzada utilizando el mismo conjunto de datos y protocolos de evaluación.
• Análisis Demográfico: Investigación del sesgo del modelo en subgrupos de edad y sexo, confirmando mejoras consistentes en el rendimiento.
• Análisis de Volumen: Cuantificación de cómo la elección del modelo impacta el tiempo diario estimado dedicado a diferentes intensidades de actividad, crucial para las asociaciones epidemiológicas.
• Ciencia Abierta: Liberación completa del código y los datos para garantizar la reproducibilidad.

4. Resultados

Rendimiento de Clasificación (CAPTURE-24)

ActiNet superó significativamente al modelo RF de línea base en todas las métricas (p < 0.001):

• Puntuación F1 Macro: ActiNet 0.82 vs. Línea Base 0.76.
• Kappa de Cohen: ActiNet 0.86 vs. Línea Base 0.80.
• Precisión: ActiNet 91.1% vs. Línea Base 87.2%.
• Mejoras Específicas: ActiNet mostró las ganancias más significativas en la clasificación de actividades Ligeras y Moderadas-Vigorosas. Para la actividad ligera, la Tasa de Verdaderos Positivos aumentó de 0.73 (Línea Base) a 0.85 (ActiNet).

Validación Externa

ActiNet mantuvo su superioridad en conjuntos de datos externos (Realworld y WISDM), mejorando las puntuaciones F1 Macro de 0.53 a 0.66 (Realworld) y de 0.68 a 0.74 (WISDM). Ambos modelos tuvieron dificultades con la actividad ligera en entornos que no eran de vida libre.

Composición de la Actividad y Análisis de Errores

• Estimación de Volumen: ActiNet redujo significativamente el Error Absoluto Medio (MAE) para el Sueño (0.232h vs 0.299h) y el comportamiento Sedentario (0.492h vs 0.768h) en comparación con la línea base.
• Sesgo: Aunque las correlaciones con la verdad terrena fueron altas (>0.8) para ambos, ActiNet tendió a predecir ligeramente más sueño y actividad ligera, y menos tiempo sedentario y MVPA, pero con una distribución más estrecha de errores (menor varianza).

Análisis por Subgrupos

Las mejoras en el rendimiento fueron consistentes en todos los grupos de edad (18–29, 30–37, 37–52, 53+) y sexos (Masculino/Femenino), lo que indica que no se introdujo un sesgo demográfico significativo por el modelo de aprendizaje profundo.

5. Significado e Implicaciones

• Impacto Epidemiológico: Al reducir el error aleatorio en la clasificación de la actividad (sesgo de dilución por regresión), ActiNet puede fortalecer el poder estadístico de los estudios de asociación de salud (por ejemplo, vincular la actividad con enfermedades cardiovasculares).
• Salud Pública: Una estimación más precisa de las composiciones de actividad diaria permite mensajes de salud pública mejor informados sobre el comportamiento sedentario y las directrices de ejercicio.
• Cambio Metodológico: El estudio valida la transición de características diseñadas a mano (RF) al aprendizaje de representaciones (Aprendizaje Profundo SSL) en el análisis de dispositivos portátiles, demostrando que los modelos pre-entrenados pueden generalizarse bien a datos de vida libre.
• Compensaciones: Los autores reconocen que los modelos de aprendizaje profundo son menos interpretables y computacionalmente más pesados (requieren GPUs) que los modelos RF. Sin embargo, el uso de pesos pre-entrenados y el intercambio de código abierto mitigan algunos problemas de huella de carbono y redundancia.

Conclusión: ActiNet representa un avance significativo en las herramientas de HAR de código abierto, ofreciendo una precisión y robustez superiores para extraer etiquetas de intensidad de actividad de acelerómetros de muñeca, convirtiéndolo en una herramienta recomendada para futuras investigaciones epidemiológicas a gran escala.