Monitoring and Prediction of Mood in Elderly People during Daily Life Activities

Dit artikel presenteert een intelligent draagbaar systeem dat, middels een polsband en machine learning, de stemming van ouderen tijdens hun dagelijkse activiteiten monitort en voorspelt met resultaten die vergelijkbaar zijn met de huidige stand van de techniek.

De kern

Stel je voor dat je een slimme horlogeband draagt die niet alleen je stappen telt, maar ook kan "luisteren" naar hoe je je voelt. Dat is precies wat deze wetenschappers hebben ontwikkeld: een systeem dat de stemming van ouderen in hun dagelijkse leven in de gaten houdt en zelfs voorspelt.

Hier is de uitleg, vertaald naar gewoon Nederlands met een paar verhelderende vergelijkingen:

1. Het Probleem: De Onzichtbare Last

Veel ouderen willen zo lang mogelijk zelfstandig thuis wonen. Maar vaak voelen ze zich eenzaam, depressief of angstig, en dat merken anderen niet altijd. Bestaande apparaten zijn vaak te groot, te oncomfortabel of werken alleen in een laboratorium (zoals een proefkonijn in een kooi), wat niet werkt in het echte leven.

2. De Oplossing: Een Slimme "Stemming-Regisseur"

De onderzoekers hebben een systeem gebouwd dat twee dingen doet, net als een goed orkest:

• De Muzikant (De Armband): Een comfortabele armband (de Empatica E4) die 24/7 om de pols zit. Hij meet van alles: je hartslag, je huidtemperatuur, hoe zweet je huid is en hoe je beweegt. Denk aan deze armband als een detective die duizenden kleine aanwijzingen verzamelt over hoe je lichaam reageert.
• De Regisseur (De App): Een simpele app op de telefoon. Deze vraagt de gebruiker vijf keer per dag heel kort: "Hoe blij ben je?" en "Hoe actief voel je je?". Dit noemen ze "Ecologische Momentary Assessment". Het is alsof je een dagboek bijhoudt, maar dan in korte, snelle notities in plaats van lange essays.

3. Hoe het Werkt: Het Leren van de Computer

De computer moet leren wat een "blij" gevoel betekent in termen van hartslag en beweging.

• De Training: De armband verzamelt data, en tegelijkertijd vult de gebruiker in de app in hoe hij zich voelt. De computer koppelt deze twee: "Ah, als de hartslag zo is en de huid zo heet, en de gebruiker zegt 'ik ben blij', dan betekent die combinatie 'blij'."
• De Voorspelling: Zodra de computer dit patroon heeft geleerd, kan hij alleen op basis van de armbanddata voorspellen of iemand blij, verdrietig of actief is, zonder dat de gebruiker iets hoeft in te vullen.

4. De Uitdaging: Het Koppelen van Momenten

Er is een klein probleem: mensen vullen de app niet altijd precies op het moment in dat de armband meet.

• De Analogie: Stel je voor dat je een filmpje maakt van je dag, maar je schrijft de titel pas op als je thuiskomt. De onderzoekers hebben een slimme manier bedacht om het filmpje (de data) en de titel (de stemming) toch op elkaar af te stemmen. Ze kijken naar een 60-minuten venster rondom het moment dat iemand antwoordt. Het is alsof je zegt: "Wat er in het uur ervoor en erna is gebeurd, past bij dit antwoord."

5. Wat Vonden Ze? (De Resultaten)

• Het werkt goed: Het systeem kon de stemming van de deelnemers met ongeveer 90% nauwkeurigheid voorspellen. Dat is vergelijkbaar met de beste systemen die we nu hebben, maar dan voor ouderen in hun eigen huis.
• De "Nieuwe Dag" Test: Toen ze het systeem testten met een dag die het nog nooit had gezien (alsof je een nieuwe student een proef neemt die je nog niet hebt gegeven), was de nauwkeurigheid lager (rond de 40%). Dit is logisch: elke dag is uniek. Om 100% te scoren, heb je waarschijnlijk meer data nodig (meer dagen), net zoals je meer tijd nodig hebt om iemand echt goed te leren kennen.

6. Conclusie: Waarom is dit belangrijk?

Dit systeem is als een onzichtbare zorgverlener. Het is niet opdringerig, de ouderen merken er weinig van, en het kan vroegtijdig waarschuwen als iemand zich niet goed voelt.

In de toekomst hopen de onderzoekers om:

1. Meer mensen te testen (zodat het systeem voor iedereen werkt, niet alleen voor de huidige groep).
2. Meer data te verzamelen (zodat de "leerling" langer kan studeren en slimmer wordt).
3. Misschien zelfs de telefoon-gebruikspatronen toe te voegen als extra hint voor de computer.

Kortom: Het is een stap in de richting van technologie die niet alleen telt, maar ook begrijpt en zorgt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Monitoring and Prediction of Mood in Elderly People during Daily Life Activities", geschreven in het Nederlands.

Probleemstelling

De vergrijzing van de bevolking, met name in de EU, leidt tot een toename van ouderen die alleen wonen. Deze groep loopt een verhoogd risico op mentale gezondheidsproblemen zoals depressie, angst en een laag zelfbeeld. Bestaande gezondheidsmonitoringsystemen besteden echter weinig aandacht aan de mentale gezondheid en zijn vaak niet geschikt voor dagelijks gebruik in de thuissituatie.

• Uitdaging 1: Laboratoriumstudies gebruiken vaak omvangrijke sensoren die niet comfortabel zijn voor dagelijks dragen.
• Uitdaging 2: Bestaande methoden in het veld maken vaak gebruik van lange psychologische vragenlijsten die niet herhaaldelijk gedurende de dag kunnen worden afgenomen zonder de validiteit te verliezen of de gebruiker te belasten.
• Doel: Het ontwikkelen van een onopvallend, draagbaar systeem dat de stemming (mood) van ouderen automatisch voorspelt op basis van fysiologische data tijdens hun dagelijkse activiteiten.

Methodologie

Het voorgestelde systeem bestaat uit drie hoofdcomponenten: een draagbaar apparaat, een mobiele applicatie en een machine learning-model.

1. Dataverzameling en Sensoren

• Apparaat: Gebruik van de Empatica E4 polsband. Deze meet:
  • Bloedvolumepuls (BVP) -> leidt tot Hartslag (HR) en Interbeat Interval (IBI).
  • Electrodermale activiteit (EDA) -> huidgeleidingsniveau (SCL) en respons (SCR).
  • Perifere huidtemperatuur.
  • 3-assige versnellingsmeter (accelerometer).
• Proefpersonen: 4 deelnemers uit de Senior Universiteit van Cartagena (leeftijd 55-67 jaar), zonder ernstige psychische stoornissen. De data werd 15 opeenvolgende dagen verzameld.

2. Ecologische Momentary Assessment (EMA)
Om de "ground truth" (de werkelijke stemming) te verkrijgen, werd een mobiele app ontwikkeld.

• Model: Gebaseerd op het Russell-model, waarbij stemming wordt gemeten op twee assen: Gelukkigheid (Happiness) en Actiefheid (Activeness) op een 5-punts Likert-schaal (0-4).
• Frequentie: Deelnemers kregen 5 keer per dag een melding om hun stemming in te vullen. Dit is een compromis om de belasting laag te houden.
• Data-uitbreiding: Omdat de EMA-antwoorden slechts 5 keer per dag binnenkomen, worden deze tijdsstempels uitgebreid naar de omliggende tijd (vensters van 30, 60 en 120 minuten) om te corresponderen met de continue fysiologische data.

3. Signaalverwerking en Feature Extractie

• Preprocessing: Signalen worden gefilterd (bijv. Butterworth-filters) en genormaliseerd.
• Venstergrootte: Een schuifend venster van 60 seconden met 10% overlap.
• Features: Er worden 203 features geëxtraheerd uit de verschillende signalen, inclusief:
  • Tijd-domein: Gemiddelde, variantie, RMS, afgeleiden, etc.
  • Frequentie-domein: Spectrale vermogens, pieken, verhoudingen (bijv. LF/HF ratio voor HRV).
  • Specifieke features voor EDA (tonisch en phasisch) en versnellingsdata.

4. Classificatie

• Algoritme: Support Vector Machine (SVM) met een Radiale Basis Functie (RBF) kernel.
• Trainingsscenario's:
  1. Random Split: 75% training, 25% test (herhaald 5 keer).
  2. Leave-One-Day-Out: Eén volledige dag als testset, de rest van de dagen als trainset. Dit simuleert de voorspelling op een volledig nieuwe dag.
• Doelklassen: Voorspelling van specifieke stemmingen (bijv. plezier, slaap, opwinding) en de dimensies gelukkigheid en actiefheid.

Belangrijkste Resultaten

• Optimale Venstergrootte: Een EMA-venster van 60 minuten leverde de beste resultaten op, significant beter dan 30 of 120 minuten.
• Binnenpersoonlijke Accuratie (Random Split):
  • Stemmingsclassificatie: Tot 90,05% (deelnemer 3).
  • Gelukkigheid: Tot 88,93% (deelnemer 4).
  • Actiefheid: Tot 87,21% (deelnemer 4).
• Generalisatie (Leave-One-Day-Out):
  • De accuratie daalde naar onder de 40%. Dit wordt verklaard door het gebrek aan vergelijkbare voorbeelden in de trainingsdata voor een volledig nieuwe dag. De auteurs wijzen erop dat literatuur suggereert dat 40-60 dagen data nodig zijn om accuracies boven de 80% te bereiken voor persoonlijk gepersonaliseerde modellen.
• Vergelijking: De resultaten voor gelukkigheid (bij de leave-one-day-out methode) liggen in lijn met eerdere studies (zoals Likamwa et al.), wat de validiteit van de aanpak bevestigt.

Bijdragen en Innovatie

1. Real-life Applicatie: Het systeem is ontworpen voor dagelijks gebruik in de thuissituatie, in plaats van een laboratoriumomgeving, met comfortabele sensoren.
2. Efficiënte Ground Truth: Het gebruik van korte EMA-vragen (2 vragen) via een app lost het probleem op van te lange vragenlijsten die niet herhaaldelijk kunnen worden afgenomen.
3. Uitgebreide Feature Set: Het extraheren van 203 features uit meerdere fysiologische kanalen (EDA, HRV, Temp, Accelerometer) voor het voorspellen van complexe emotionele toestanden bij ouderen.
4. Validatie: Het tonen dat het systeem werkt zonder de gebruiker te storen, wat de haalbaarheid voor langetermijnmonitoring aantoont.

Significantie en Toekomstperspectief

De studie toont aan dat het automatisch monitoren van de mentale gezondheid van ouderen via draagbare technologie haalbaar is en veelbelovende resultaten oplevert voor het detecteren van gelukkigheid en actiefheid.

• Beperkingen: De huidige modellen zijn sterk gepersonaliseerd en vereisen veel data (dagen) om goed te generaliseren naar nieuwe dagen.
• Toekomstig Werk:
  • Uitbreiden van het aantal proefpersonen en de duur van de studie (naar 40-60 dagen).
  • Integratie van extra databronnen (zoals mobiele telefoongebruik of agenda's).
  • Toepassing van diep learning (deep learning) methoden zodra grotere datasets beschikbaar zijn.
  • Onderzoek naar de overdraagbaarheid van modellen tussen verschillende gebruikers.

Concluderend biedt dit systeem een veelbelovende, niet-invasieve oplossing voor het vroegtijdig signaleren van mentale gezondheidsproblemen bij ouderen, wat kan bijdragen aan een betere kwaliteit van leven en zelfstandigheid.