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

Questo studio presenta un approccio open-source e open data per classificare i livelli di attività e i tipi di movimento naturale a partire da dati di accelerometria triassiale raccolti in ambiente ambulatoriale, sviluppando classificatori basati su elaborazione del segnale e reti neurali convoluzionali che raggiungono prestazioni promettenti e fornendo contesto prezioso per il monitoraggio clinico e le interventi sanitari personalizzati.

L'essenziale

🏃‍♂️ Il "Detective" che legge i tuoi passi

Immagina di avere un piccolo detective invisibile attaccato al tuo petto. Questo detective non è un essere umano, ma un sensore chiamato accelerometro (lo stesso tipo di chip che c'è nel tuo smartphone).

Il compito di questo detective? Non contare solo i passi, ma capire cosa stai facendo in ogni momento: sei sdraiato sul divano? Stai camminando per la stanza? O stai correndo per prendere l'autobus?

Questo studio, condotto da un gruppo di ricercatori, ha creato un "manuale di istruzioni" gratuito (open-source) per insegnare ai computer a fare questo detective, usando solo i dati di movimento.

---

🎭 La Grande Recita: 23 Attori e 5 Ruoli

Per addestrare il detective, i ricercatori hanno invitato 23 persone (la nostra "compagnia teatrale") a indossare un cerotto intelligente sul petto. Questi attori hanno recitato una sceneggiatura molto semplice ma precisa:

1. Sdraiarsi (come un gatto che dorme).
2. Sedersi (come in una riunione noiosa).
3. Stare in piedi (come in attesa di un ascensore).
4. Camminare (come se si stesse facendo la spesa).
5. Jogging (come se si stesse correndo per non perdere il treno).

Mentre recitavano, il sensore registrava ogni piccolo tremore, ogni oscillazione e ogni battito del loro petto. Hanno anche filmato tutto per sapere esattamente cosa stavano facendo, così da poter correggere il detective se si sbagliava.

---

🧠 Due Metodi per Capire la Storia

I ricercatori hanno usato due strategie diverse per insegnare al computer a riconoscere questi ruoli:

1. Il "Semaforo" (Metodo Semplice e Veloce)

Immagina un semaforo che decide se sei "attivo" o "inattivo".

• Come funziona: Il computer guarda quanto forte ti muovi. Se il movimento è debole (come sdraiarsi o sedersi), il semaforo diventa VERDE (Riposo). Se il movimento è forte (camminare o correre), diventa ROSSO (Attività).
• Il trucco: Non guarda ogni singolo secondo, ma fa una "media" su 5 secondi, come se guardasse il flusso del traffico invece di ogni singola auto. Questo metodo è velocissimo e funziona bene anche su computer piccoli e economici.
• Risultato: È stato bravo a distinguere il riposo dall'attività nel 79% dei casi.

2. L'"Intelligenza Artificiale" (Il Metodo Avanzato)

Questa è come un chef stellato che assaggia ogni ingrediente.

• Come funziona: Invece di dire solo "muovi/non muovi", usa una Rete Neurale Convoluzionale (CNN). Immagina che sia un artista che guarda un dipinto e dice: "Ah, questo movimento è tipico di chi sta correndo, non di chi sta camminando".
• Il trucco: Analizza i pattern temporali. Capisce che quando si corre, il petto sobbalza in un modo specifico, mentre quando si cammina è diverso.
• Risultato: È riuscito a distinguere i 5 ruoli (sdraiato, seduto, in piedi, camminare, correre) con un'accuratezza dell'83%.

---

⚠️ I Problemi della "Vita Reale"

C'è un problema: nella vita reale, le cose non sono mai perfette.

• Il rumore: Se ti gratti il petto o se il sensore vibra perché hai il telefono in tasca, il detective potrebbe confondersi.
• Le transizioni: Cosa succede quando passi dal sederti all'alzarti? È un momento di confusione. Lo studio ha deciso di ignorare questi momenti "di passaggio" per ora, perché sono i più difficili da classificare.
• La confusione tra seduto e in piedi: È difficile dire la differenza tra chi è seduto e chi è in piedi guardando solo il petto, perché il busto è quasi immobile in entrambi i casi. È come cercare di capire se un'auto è ferma o in folle guardando solo il cofano: non si vede nulla!

---

❤️ Perché è importante? (Il Collegamento Magico)

Perché ci preoccupiamo di sapere se stai camminando o seduto?
Immagina che il tuo cuore sia un motore. Se il motore sale di giri (battito cardiaco veloce), è perché hai paura? O perché stai correndo?

• Senza il detective: Se il medico vede il battito alto, potrebbe pensare: "Oh no, il paziente ha un problema al cuore!".
• Con il detective: Il sistema dice: "Il battito è alto, ma il detective conferma che il paziente sta correndo per prendere l'autobus". Falso allarme! È tutto normale.

Questo studio ci dice che conoscere il movimento aiuta a capire la salute. Se sappiamo cosa stai facendo, possiamo interpretare meglio i dati medici (come il battito cardiaco o l'ossigeno) e non spaventarci per cose che sono solo normali movimenti.

🎁 Il Regalo per Tutti

La parte più bella di questo studio è che i ricercatori non hanno tenuto tutto per sé. Hanno rilasciato:

1. I dati (le registrazioni dei 23 attori).
2. Il codice (le istruzioni per costruire il detective).
3. Il modello (il detective già addestrato).

Tutto è gratuito e aperto a chiunque. È come se avessero aperto una scuola di detective per tutti, permettendo a ricercatori e aziende di costruire migliori sistemi di monitoraggio per ospedali, case di riposo e per la nostra salute quotidiana, senza dover ricominciare da zero.

In sintesi: Hanno creato un modo intelligente, economico e gratuito per dire al computer "Cosa stai facendo?", così che i medici possano capire meglio "Come stai davvero?".

Sommario tecnico

Titolo: Un approccio Open-Source e Open Data per la classificazione delle attività tramite accelerometria triassiale in un contesto ambulatoriale

1. Il Problema

Il monitoraggio continuo dei parametri fisiologici è fondamentale per la medicina moderna, ma i dati raccolti tramite sensori indossabili (come accelerometri) sono spesso affetti da rumore e artefatti dovuti al movimento naturale del paziente.

• Limitazioni attuali: I metodi di monitoraggio senza contatto (es. radar, visione) soffrono di problemi di privacy e sensibilità alle condizioni ambientali. I sensori indossabili, sebbene pratici, introducono rumore nei dati fisiologici (es. frequenza cardiaca, saturazione dell'ossigeno) a causa del movimento, rendendo difficile distinguere tra cambiamenti fisiologici reali e artefatti da movimento.
• Gap nella ricerca: Esistono metodi di riconoscimento dell'attività umana (HAR), ma spesso si basano su dataset di laboratorio controllati, bilanciati e di alta qualità. Manca un approccio robusto che operi su dati reali, rumorosi, sbilanciati e raccolti in brevi finestre temporali tipiche degli ambienti ambulatoriali. Inoltre, molti studi richiedono fusione di sensori complessi (es. ECG + accelerometro), limitando la scalabilità su dispositivi economici.

2. Metodologia

Lo studio ha sviluppato e validato due approcci complementari basati esclusivamente su dati di accelerometria triassiale (50 Hz), utilizzando un dispositivo indossabile (patch ECG Vivalink) applicato al torace.

• Raccolta Dati:

  • Cohort: 23 soggetti sani (16 maschi, 7 femmine, età 23-62 anni).
  • Protocollo: Attività standardizzate in un ambiente ufficio simulante un pronto soccorso: sdraiato, seduto, in piedi, camminata e jogging. Sono stati inclusi anche comportamenti di "fidgeting" (movimenti micro) e interferenze intenzionali (graffi, tocchi sulla patch) per testare la robustezza.
  • Durata: Media di 26 minuti per soggetto.
  • Ground Truth: Video sincronizzati per l'etichettatura manuale.

• Preprocessing:

  • Filtraggio Butterworth bandpass (0.05 Hz - 2 Hz) per rimuovere la deriva del sensore e il rumore ad alta frequenza, preservando i segnali di movimento umano rilevanti.
  • Selezione degli ultimi 20 minuti di dati per ogni soggetto per evitare periodi di preparazione.

• Approcci di Classificazione:

  1. Classificazione Binaria (Livello di Attività):
     • Calcolo della magnitudine vettoriale 3D (norma euclidea) dei segnali filtrati.
     • Utilizzo di una finestra mobile di 5 secondi con mediana scorrevole per calcolare l'intensità del movimento.
     • Soglia (cut-point) empirica determinata a 0.07 per distinguere tra "attivo" (camminata, jogging) e "inattivo" (sdraiato, seduto, in piedi).
  2. Classificazione Multi-Classe (Tipologia di Attività):
     • Utilizzo di una Rete Neurale Convoluzionale 1D (1D-CNN).
     • Obiettivo: Classificare 5 attività distinte (sdraiato, seduto, in piedi, camminata, jogging).
     • Gestione dello sbilanciamento delle classi tramite pesi specifici durante l'addestramento.
     • Valutazione tramite Leave-One-Out Cross-Validation (LOOCV) per garantire la generalizzazione su nuovi soggetti.

• Analisi dei Segnali Fisiologici:

  • Correlazione tra l'intensità del movimento (magnitudine 3D) e la deviazione della frequenza cardiaca rispetto alla linea di base (stima del riposo).

3. Risultati Chiave

• Classificazione Binaria (Attivo/Inattivo):

  • Il metodo basato sulla soglia di magnitudine 3D ha ottenuto un F1-score di 0.79 (Accuratezza: 0.87, Precisione: 0.73, Recall: 0.90).
  • Confronto con il metodo MAD (Mean Amplitude Deviation) esistente: il metodo MAD ha fallito nel rilevare attività (Precisione/Recall = 0.00), dimostrando che la soglia proposta è più robusta per dati ambulatoriali reali.

• Classificazione Multi-Classe (CNN):

  • Il modello CNN ha raggiunto un F1-score ponderato di 0.83 (Accuratezza: 77%, Precisione: 83%, Recall: 77%).
  • Performance per classe: Camminata (90%), Seduto (82%), Jogging (79%), Sdraiato (55%), In piedi (44%).
  • Analisi degli errori: Il modello confonde prevalentemente "seduto" e "in piedi" (poiché entrambi mostrano fluttuazioni verticali simili sul torace) e talvolta "in piedi" con "camminata" se la finestra include piccoli movimenti. Non confonde attività distinte come camminata e sdraiato.

• Analisi di Sensibilità:

  • Frequenza di taglio: Un taglio superiore a 2 Hz introduce rumore senza migliorare le prestazioni.
  • Dimensione della finestra e frequenza di campionamento: Finestre più piccole (<5s) e frequenze di campionamento più basse (<25 Hz) riducono significativamente le prestazioni. La finestra di 5s a 50 Hz è risultata ottimale.
  • Modelli ad effetti misti: Hanno confermato che le dimensioni della finestra e la frequenza di campionamento sono i fattori dominanti per le prestazioni, più della variabilità inter-individuale.

• Correlazione Fisiologica:

  • È stata trovata una correlazione positiva significativa ma modesta (r = 0.29) tra l'intensità del movimento e la deviazione della frequenza cardiaca, confermando che il movimento contribuisce alle variazioni fisiologiche ma non le spiega completamente.

4. Contributi Principali

1. Dataset Open Data: Pubblicazione di un dataset triassiale di accelerometria raccolto in un ambiente ambulatoriale realistico (non di laboratorio), caratterizzato da rumore, sbilanciamento delle classi e brevi registrazioni.
2. Codice Open-Source: Rilascio completo del codice per il preprocessing, la classificazione binaria e il modello CNN, permettendo la riproducibilità e il benchmarking indipendente.
3. Metodologia Robusta: Dimostrazione che è possibile ottenere classificazione accurata utilizzando solo accelerometria (senza fusione di sensori complessi) e dispositivi a basso costo, gestendo efficacemente i dati reali e rumorosi.
4. Analisi Comparativa: Validazione empirica che i metodi basati su magnitudine 3D superano i metodi basati su MAD in contesti ambulatoriali dinamici.

5. Significato e Implicazioni

• Contestualizzazione Clinica: La capacità di classificare l'attività permette di interpretare correttamente i dati fisiologici (es. distinguere un aumento della frequenza cardiaca dovuto all'esercizio da uno dovuto a stress patologico), riducendo i falsi allarmi nei sistemi di monitoraggio.
• Scalabilità: L'approccio computazionalmente efficiente (specialmente il metodo basato su soglia e la CNN ottimizzata) è adatto per l'implementazione su dispositivi edge a basso costo e basso consumo energetico.
• Sviluppo Futuro: Questo lavoro getta le basi per strumenti di supporto alle decisioni cliniche, analisi predittiva e interventi di salute personalizzati.
• Limitazioni e Prospettive: Lo studio riconosce la difficoltà nel distinguere "seduto" da "in piedi" con un singolo sensore toracico e la necessità di validazione su pazienti clinici (non solo volontari sani). Tuttavia, l'esclusione delle finestre di transizione è stata una scelta metodologica per la stabilità, sebbene il riconoscimento delle transizioni stesse rappresenti una futura direzione di ricerca promettente per valutare l'invecchiamento e la mobilità.

In sintesi, questo studio fornisce un framework completo, trasparente e riproducibile per trasformare dati grezzi di accelerometria in informazioni cliniche contestuali, superando le barriere del rumore e della variabilità tipiche degli ambienti sanitari reali.