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

Este estudio presenta un conjunto de datos abierto y código de fuente libre para clasificar cinco tipos de actividades humanas y niveles de actividad a partir de acelerometría triaxial en un entorno ambulatorio, logrando puntuaciones F1 de 0,83 y 0,79 respectivamente mediante el uso de redes neuronales convolucionales y técnicas de procesamiento de señales.

Lo esencial

¡Hola! Imagina que tu cuerpo es como un coche que viaja por la carretera de la vida. A veces vas a toda velocidad (corriendo), a veces vas despacio (caminando), y a veces estás detenido en un semáforo (sentado o tumbado).

El problema es que los médicos, que son como los mecánicos de tu coche, a veces miran el velocímetro (tu ritmo cardíaco) y se asustan porque ves muy rápido. Pero, ¿es porque tienes un problema grave en el motor o simplemente porque acabas de pisar el acelerador para subir una cuesta?

Aquí es donde entra este estudio.

¿Qué hicieron estos investigadores?

Un equipo de científicos de la Universidad Emory y una empresa llamada LifeBell AI crearon un "traductor" inteligente. Su objetivo era enseñar a una computadora a entender qué estás haciendo solo mirando cómo se mueve tu cuerpo, sin necesidad de cámaras ni micrófonos.

Usaron un pequeño parche (como un parche de curita pero tecnológico) que se pega en el pecho. Este parche tiene dos superpoderes:

1. Escucha tu corazón (como un estetoscopio).
2. Tiene un acelerómetro (un sensor de movimiento) que es como un "detective de pasos" que siente cada sacudida, cada paso y cada giro.

El Gran Experimento: La "Gimnasia de Oficina"

Para entrenar a su inteligencia artificial, reunieron a 23 personas voluntarias (hombres y mujeres de diferentes edades) en una oficina. Les pidieron que hicieran una rutina de "gimnasia" que imitaba la vida real:

• Tumbados en un sofá (como si estuvieras durmiendo).
• Sentados en una silla (como en una reunión aburrida).
• De pie (esperando en la cola del banco).
• Caminando por la sala.
• Trotando (como si llegaras tarde a una cita).

Además, les pidieron que hicieran cosas "tontas": mover las piernas, revisar el teléfono, ajustarse el pelo o incluso rasguñar el parche. ¡Querían ver si el sistema se confundía con el "ruido" de la vida real!

Dos Tipos de "Detectives"

El equipo creó dos métodos diferentes para interpretar los datos:

1. El Detective Rápido (El Método de Umbral):
   Imagina que tienes un interruptor de luz. Si el movimiento es muy suave, la luz se queda apagada (estado "inactivo": sentado, tumbado). Si el movimiento es fuerte, la luz se enciende (estado "activo": caminando, corriendo).

   • Resultado: Este método es muy rápido y eficiente. Logró distinguir entre "quieto" y "moviéndose" con una precisión del 87%. Es como un guardián que solo grita "¡Atención!" cuando hay mucho movimiento.

2. El Detective Experto (La Inteligencia Artificial - CNN):
   Este es un cerebro artificial (una red neuronal) que no solo ve si te mueves, sino que sabe exactamente qué estás haciendo. Es como un entrenador personal que te dice: "Ah, veo que estás tumbado", o "Ah, veo que estás trotando".

   • Resultado: Fue capaz de identificar las 5 actividades con un 83% de precisión. ¡Incluso reconoció cuando alguien estaba trotando, aunque fuera una clase minoritaria en el estudio!

¿Por qué es esto tan importante? (La Analogía del Contexto)

Imagina que tu médico ve que tu corazón late a 120 pulsaciones por minuto.

• Sin el contexto: El médico piensa: "¡Oh no! ¡Es un infarto! ¡Llamad a una ambulancia!". (Falsa alarma).
• Con el contexto de este estudio: El sistema dice: "Espera, el sensor de movimiento dice que el paciente está corriendo". El médico respira aliviado: "Ah, tiene sentido. Solo está haciendo ejercicio. Todo bien".

Esto ayuda a evitar falsas alarmas y a entender mejor la salud de las personas en tiempo real, ya sea en casa o en un hospital.

¿Qué aprendieron y qué les costó?

• Lo bueno: Funciona muy bien incluso con datos "sucios" (ruidosos). La inteligencia artificial aprendió a ignorar cuando alguien se rascaba o movía las piernas mientras estaba sentado.
• El reto: A veces confundió "sentado" con "de pie". ¿Por qué? Porque si te sientas recto en una silla y te paras recto, tu pecho se mueve muy poco en ambos casos. Es como intentar distinguir si un coche está en un semáforo o en un aparcamiento solo mirando el techo; a veces es difícil. Para eso, quizás en el futuro necesitemos más sensores (como uno en la pierna).
• La transparencia: Lo mejor de todo es que todo es público. Los científicos dijeron: "Aquí están los datos, aquí está el código, aquí está el modelo". Cualquiera puede usarlo, mejorarlo o probarlo. Es como darles a todos el manual de instrucciones de un nuevo motor.

En resumen

Este estudio nos dio un "traductor de movimiento" gratuito y de código abierto. Nos ayuda a entender que saber lo que haces es tan importante como saber cómo te sientes.

Gracias a esto, en el futuro, los dispositivos médicos podrían decirnos: "Tu corazón va rápido, pero no te preocupes, es porque acabas de subir las escaleras, no porque estés enfermo". ¡Una pequeña revolución para la salud de todos!

Resumen técnico

Resumen Técnico: Enfoque de Código Abierto y Datos Abiertos para la Clasificación de Actividad mediante Acelerometría Triaxial en Entornos Ambulatorios

1. Problema y Contexto

El monitoreo continuo de parámetros fisiológicos es crucial para la detección temprana de deterioro clínico y la medicina personalizada. Sin embargo, los sensores portátiles (como los que miden la frecuencia cardíaca) a menudo sufren de artefactos de movimiento y ruido en entornos reales, lo que dificulta la interpretación precisa de los datos.

• Desafío Principal: La falta de conjuntos de datos abiertos y reproducibles que reflejen condiciones ambulatorias reales (ruidosas, desbalanceadas y variables) limita el desarrollo de algoritmos robustos.
• Limitaciones de métodos existentes: Muchos enfoques actuales dependen de entornos de laboratorio controlados, requieren fusión de sensores compleja (ECG + acelerómetro) o no generalizan bien ante el ruido y las transiciones de movimiento en escenarios clínicos reales.
• Objetivo: Desarrollar y liberar un conjunto de datos abierto y código de fuente abierta para clasificar niveles de actividad y tipos de movimiento específicos utilizando únicamente datos de acelerometría triaxial a 50 Hz.

2. Metodología

A. Recolección de Datos y Protocolo

• Participantes: 23 sujetos sanos (16 hombres, 7 mujeres) de 23 a 62 años.
• Dispositivo: Parche cardíaco portátil (Vivalink VV330) que registra ECG de una derivación (128 Hz) y acelerometría triaxial (50 Hz).
• Actividades: Los participantes siguieron un protocolo estandarizado en un entorno de oficina simulando un área de espera de urgencias: acostado, sentado, de pie, caminando y trotando.
• Duración: Promedio de 26.33 minutos por sujeto (rango: 4.22 a 67.98 min).
• Verdad Terrena: Se utilizó video sincronizado para etiquetar manualmente los datos.
• Preprocesamiento:
  • Filtro Butterworth paso banda (0.05 Hz - 2 Hz) para eliminar deriva del sensor y ruido de alta frecuencia.
  • Se utilizaron solo los últimos 20 minutos de datos por sujeto para evitar periodos de preparación.
  • Ventanas de 5 segundos para la clasificación.

B. Enfoques de Clasificación
Se implementaron dos métodos complementarios:

1. Clasificación Binaria (Nivel de Actividad):

   • Objetivo: Distinguir entre "Alta Actividad" (caminar, trotar) y "Baja Actividad" (acostado, sentado, de pie).
   • Método: Cálculo de la magnitud vectorial 3D (norma euclidiana) de los ejes filtrados.
   • Algoritmo: Umbralización basada en la mediana móvil de la magnitud 3D en una ventana de 5 segundos.
   • Umbral: Determinado empíricamente en 0.07 g.

2. Clasificación Multiclase (Tipos de Movimiento):

   • Objetivo: Clasificar las 5 actividades específicas (acostado, sentado, de pie, caminando, trotando).
   • Arquitectura: Red Neuronal Convolucional 1D (CNN) diseñada para capturar patrones temporales y espaciales en series de tiempo.
   • Validación: Validación Cruzada "Leave-One-Out" (LOOCV), donde se deja un sujeto fuera para prueba y se entrena con los demás, garantizando la generalización entre individuos.
   • Manejo de desbalance: Se aplicaron pesos específicos por clase durante el entrenamiento debido a la sobre-representación de ciertas actividades (ej. sentado) frente a otras (ej. trotar).

3. Contribuciones Clave

• Datos Abiertos: Primer estudio, según los autores, en liberar datos de acelerometría triaxial recolectados en un entorno ambulatorio realista y no controlado.
• Código Abierto: Disponibilidad completa del código de procesamiento, modelos entrenados y documentación bajo licencia de código abierto.
• Robustez en Ruido: Los métodos están diseñados específicamente para funcionar con datos ruidosos, desbalanceados y no estacionarios, típicos de la atención sanitaria real, a diferencia de los modelos entrenados en laboratorios ideales.
• Eficiencia Computacional: Los algoritmos (especialmente el método de umbralización) están optimizados para su implementación en dispositivos de borde (edge devices) de bajo costo y bajo consumo energético.

4. Resultados

• Clasificación Binaria (Alta/Baja Actividad):

  • Logró un puntaje F1 de 0.79.
  • Precisión: 0.73, Recall: 0.90, Exactitud: 0.87.
  • Superó significativamente a los métodos basados en desviación de amplitud media (MAD) existentes, que fallaron al no detectar ventanas activas en este conjunto de datos (F1 = 0.00 para la clase activa).

• Clasificación Multiclase (CNN):

  • Logró un puntaje F1 ponderado de 0.83 (Exactitud: 77%, Precisión: 83%, Recall: 77%).
  • Desempeño por clase:
    • Trotar: 79% (clase minoritaria, buen rendimiento).
    • Caminar: 90%.
    • Sentado: 82%.
    • Acostado: 55%.
    • De pie: 44% (confundido frecuentemente con caminar o sentado debido a la similitud de la orientación del tronco en el sensor de pecho).
  • Análisis de Sensibilidad: Se demostró que frecuencias de corte superiores a 2 Hz introducen ruido sin mejorar la clasificación. Reducir la ventana de tiempo (<5s) o la tasa de muestreo (<25 Hz) degrada significativamente el rendimiento.

• Análisis de Signos Vitales:

  • Se encontró una correlación positiva modesta pero estadísticamente significativa ($r = 0.29, p < 0.0001$) entre la intensidad del movimiento (magnitud 3D) y la desviación de la frecuencia cardíaca respecto a la línea base en reposo. Esto valida el uso de la actividad como contexto para interpretar cambios fisiológicos.

5. Significado e Impacto

• Contextualización Clínica: La clasificación de la actividad permite a los clínicos interpretar correctamente los cambios en la frecuencia cardíaca o la saturación de oxígeno, diferenciando entre estrés fisiológico real y artefactos de movimiento.
• Reducción de Falsas Alarmas: Al saber si un paciente está en movimiento, se pueden reducir las alertas falsas en sistemas de monitoreo remoto.
• Escalabilidad: Al depender solo de un acelerómetro (y no de fusiones complejas de sensores), la solución es viable para dispositivos médicos de bajo costo y fácil despliegue en hogares y hospitales.
• Reproducibilidad: La liberación de datos y código permite a la comunidad científica validar, comparar y mejorar los algoritmos bajo condiciones realistas, acelerando el desarrollo de herramientas de toma de decisiones clínicas y analítica predictiva.

Limitaciones Notadas: El modelo tiene dificultades para distinguir entre "sentado" y "de pie" usando solo un sensor en el pecho, y no fue entrenado para detectar periodos de transición (ej. levantarse de una silla), los cuales se excluyeron del entrenamiento para mantener clases estables. Además, la cohorte consistió en voluntarios sanos, por lo que se requiere validación en poblaciones clínicas.