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

Dit artikel presenteert een open-source dataset en code voor het classificeren van patiëntenactiviteiten op basis van 50 Hz tri-axiale versnellingsmetingen, waarbij een CNN-model een F1-score van 0,83 bereikte bij het onderscheiden van vijf verschillende bewegingstypen.

De kern

Hoe een slim horloge je hartslag beter begrijpt: Een verhaal over bewegen en meten

Stel je voor dat je een slimmedisch apparaatje op je borst hebt zitten, net als een pleister. Dit apparaatje doet twee dingen: het luistert naar je hartslag (alsof het een stethoscoop is) en het voelt elke beweging die je maakt (alsof het een heel gevoelige dansleraar is).

De onderzoekers van dit papier wilden een probleem oplossen: Wanneer je hartslag sneller gaat, is dat dan omdat je ziek bent, of gewoon omdat je opstaat en gaat lopen?

Zonder te weten wat je doet, kan een computer denken: "Oh, hartslag gaat omhoog! Alarm!" Maar als het apparaatje ook weet: "Ah, de persoon staat net op en loopt naar de koffie," dan weet het: "Geen alarm, dit is normaal."

Hier is hoe ze dat hebben gedaan, vertaald in simpele taal:

1. Het Experiment: Een dag in het leven van 23 mensen

De onderzoekers vroegen 23 gezonde mensen (mannen en vrouwen) om een pleister op hun borst te dragen. Ze deden een dagje "simulatie-hospitaal":

• Lekker liggen op de bank.
• Zitten op een stoel.
• Staan en wachten.
• Lopen door de kamer.
• Joggen (een beetje rennen).

Tijdens al deze activiteiten hield het apparaatje elke seconde bij hoe ze bewogen. Ze maakten ook video's om precies te weten wat de mensen deden, zodat ze later konden controleren of het apparaatje het goed had.

2. De Twee Slimme Manieren om te Kijken

De onderzoekers ontwikkelden twee verschillende "hersenen" (computeralgoritmen) om de bewegingen te begrijpen.

Manier A: De "Snelheidscontrole" (De Signal Processing)

Stel je voor dat je een snelheidsmeter hebt die alleen twee dingen kan zeggen: "Stil" of "Beweging".

• Ze keken naar de totale kracht van de beweging.
• Ze stelden een grens in (een drempelwaarde). Als de beweging onder die lijn bleef, was de persoon rustig. Boven die lijn? Dan was het actief.
• Resultaat: Dit werkte heel goed om te onderscheiden tussen "rusten" en "doen". Het was als een simpele schakelaar: aan of uit.

Manier B: De "Detective" (De Kunstmatige Intelligentie)

Deze methode was veel slimmer. Het was alsof je een detective hebt die niet alleen ziet of iemand beweegt, maar ook wat ze precies doen.

• Ze gebruikten een speciaal type computerprogramma (een Convolutional Neural Network of CNN). Denk hierbij aan een super-slimme leerling die duizenden voorbeelden van bewegingen heeft gezien.
• Deze detective leerde het verschil tussen:
  • Liggen (zoals een vis op een plank).
  • Zitten (zoals een kikker op een steen).
  • Staan (zoals een boom).
  • Lopen (zoals een wandelaar).
  • Joggen (zoals een haas).
• Resultaat: De detective had in 83% van de gevallen gelijk! Dat is heel goed, zelfs als de data soms rommelig was (zoals in het echte leven).

3. De Grote Ontdekking: Context is Koning

Het belangrijkste wat ze ontdekten, is dat beweging en hartslag met elkaar verbonden zijn.

• Ze zagen dat als iemand bewoog, de hartslag ook iets omhoog ging.
• De Metafoor: Stel je voor dat je hartslag een auto is. Als je in de file zit (rustig), is de motor zachtjes aan het draaien. Als je op de snelweg rijdt (joggen), draait de motor harder.
• Zonder de bewegingsdata zou de computer denken: "De motor draait hard, er is iets mis!" Maar met de bewegingsdata zegt de computer: "Ah, hij rijdt hard, dat is logisch. Alles is oké."

4. Waarom is dit zo belangrijk?

Vroeger waren medische apparaten vaak "dof". Ze zagen alleen een getal (bijv. hartslag 100) en schreeuwden alarm als dat getal te hoog was.
Met deze nieuwe methode wordt het apparaat slimmer:

• Het weet wat je doet.
• Het geeft minder vals alarm.
• Het helpt artsen om te begrijpen of een patiënt echt ziek is, of gewoon even aan het wandelen is.

5. De "Open Deur" Politiek

Het mooiste aan dit onderzoek is dat ze alles gratis hebben gedeeld.

• Ze hebben de data (de bewegingen van de 23 mensen) openbaar gemaakt.
• Ze hebben de code (de instructies voor de computer) openbaar gemaakt.
• Dit is alsof ze een recept voor een heerlijke taart hebben geschreven en het recept aan iedereen hebben gegeven, zodat andere bakkers het ook kunnen proberen en verbeteren.

Samenvatting

Kortom: Deze onderzoekers hebben bewezen dat je met een simpele bewegingssensor (een versnellingsmeter) heel goed kunt begrijpen wat een patiënt doet. Door dit te combineren met hartslagmetingen, krijgen artsen een veel duidelijker beeld van de gezondheid van een patiënt, zonder dat er constant vals alarm slaat. Het is een stap naar slimme, persoonlijke zorg die meekijkt met wat je doet.

Technische samenvatting

Probleemstelling

Continue monitoring van fysiologische parameters is cruciaal voor de moderne gezondheidszorg, maar wearable sensoren (zoals accelerometers) worden vaak beïnvloed door bewegingsartefacten. Beweging van de patiënt (lopen, zitten, liggen) introduceert ruis in data zoals hartslag en zuurstofverzadiging, wat kan leiden tot valse alarmen of verkeerde interpretaties van de klinische toestand. Bestaande methoden voor menselijke activiteitsherkenning (HAR) hebben vaak te kampen met:

• Gebrek aan open, realistische datasets (veel studies gebruiken gecontroleerde labomgevingen).
• Moeilijkheden bij het hanteren van onbalans in data en ruis in ambulaire (dagelijkse) settings.
• Complexiteit bij real-time implementatie en generalisatie naar verschillende populaties.

Het doel van deze studie is het ontwikkelen van robuuste, schaalbare methoden voor activiteitsclassificatie uitsluitend op basis van 3D-accelerometrie, gepaard gaande met een open-source dataset en code om transparantie en reproduceerbaarheid te waarborgen.

Methodologie

1. Dataverzameling:

• Deelnemers: 23 gezonde vrijwilligers (16 mannen, 7 vrouwen), leeftijd 23-62 jaar.
• Apparatuur: Een draagbare ECG-patch (Vivalink VV330) met een triaxiale accelerometer (50 Hz) en een ECG-lead II (128 Hz).
• Protocol: Deelnemers voerden een gestandaardiseerd reeks activiteiten uit in een kantooromgeving die een ziekenhuiswachtkamer simuleerde: liggen, zitten, staan, lopen en joggen. Er werden ook "fidgeting" (onrustig bewegen) en verstoringen (tikken op de patch) opgenomen om realistische ruis te simuleren.
• Ground Truth: Video-opnames werden gesynchroniseerd met de sensordata voor handmatige labeling.
• Preprocessing: De accelerometrie-data werd gefilterd met een Butterworth bandpassfilter (0,05 Hz - 2 Hz) om sensor-drift en hoge frequentie ruis te verwijderen. Alleen de laatste 20 minuten van de opname per deelnemer werden gebruikt voor analyse om voorbereidingstijd uit te sluiten.

2. Classificatiebenaderingen:
De auteurs implementeerden twee complementaire methoden:

• A. Cut-Point Based Classificatie (Signal Processing):

  • Doel: Binair onderscheid tussen "actief" (hoge activiteit) en "inactief" (lage activiteit).
  • Methode: Berekening van de vectorgrootte (Euclidische norm) van de 3D-acceleratie. Een rollende mediaan over een 5-seconden venster werd gebruikt om de signaalgrootte te gladstrijken.
  • Drempelwaarde: Een empirisch bepaalde drempel van 0,07 werd gebruikt om de twee klassen te scheiden.

• B. Multi-Class Classificatie (Deep Learning):

  • Doel: Gedetailleerde classificatie van vijf specifieke activiteiten (liggen, zitten, staan, lopen, joggen).
  • Model: Een 1-dimensionale Convolutional Neural Network (CNN).
  • Validatie: Leave-One-Out Cross-Validation (LOOCV), waarbij het model getraind werd op 22 deelnemers en getest op 1 deelnemer (iteratief voor iedereen).
  • Omgaan met onbalans: Klassen-specifieke weging werd toegepast tijdens training om ondervertegenwoordigde klassen (zoals joggen) te compenseren.

3. Evaluatie:
De prestaties werden gemeten aan de hand van nauwkeurigheid, precisie, recall en F1-score (gewogen gemiddelde). Er werd ook een lineair gemengd-effectenmodel (mixed-effects model) gebruikt om het effect van venstergrootte en samplefrequentie te analyseren.

Belangrijkste Resultaten

• Binair Classificatie (Actief/Inactief):

  • De cut-point methode behaalde een F1-score van 0,79.
  • De nauwkeurigheid was 0,87, met een hoge recall (0,90), wat aangeeft dat het model actief gedrag goed detecteert.
  • Vergelijking met een bestaande MAD-methode (Mean Amplitude Deviation) toonde aan dat de voorgestelde 3D-magnitude methode superieur is in deze ruisige dataset (de MAD-methode faalde volledig bij het detecteren van actieve vensters).

• Multi-Class Classificatie (CNN):

  • De CNN behaalde een gewogen F1-score van 0,83 en een nauwkeurigheid van 77%.
  • Per klasse prestaties:
    • Joggen: 79% F1 (sterk voor een minderheidsklasse).
    • Lopen: 90% F1.
    • Zitten: 82% F1.
    • Liggen: 55% F1.
    • Staan: 44% F1.
  • Uitdagingen: Het model had moeite om 'zitten' en 'staan' te onderscheiden (verwarring door vergelijkbare verticale fluctuaties) en 'staan' soms met 'lopen' te verwarren bij kleine bewegingen.
  • Parameter Sensitiviteit: De prestaties daalden significant bij kortere venstergroottes (<5s) en lagere samplefrequenties (<25 Hz). Een venstergrootte van 5s en 50 Hz bleek de optimale balans.

• Fysiologische Correlatie:

  • Er werd een statistisch significante, maar bescheiden positieve correlatie gevonden (r = 0,29) tussen de bewegingsintensiteit (rollende 3D-magnitude) en de afwijking van de rusthartslag. Dit bevestigt dat beweging een belangrijke contextuele factor is voor hartslaginterpretatie.

Bijdragen

1. Open Data & Open Source: Dit is naar verluidt de eerste studie die zowel een open-access triaxiale accelerometrie-dataset (verzameld in een realistische ambulaire setting) als volledig reproduceerbare open-source code voor HAR publiceert.
2. Robuustheid in Ruisige Omgevingen: In plaats van te streven naar perfectie in gecontroleerde labs, focust de studie op methoden die werken met onbalans, ruis en variabele tijdsduur, zoals voorkomt in echte zorgomgevingen.
3. Efficiënte Architectuur: De voorgestelde methoden zijn computerefficiënt ontworpen, waardoor ze geschikt zijn voor implementatie op goedkope edge-apparaten voor real-time monitoring.
4. Contextuele Interpretatie: De studie demonstreert hoe activiteitsclassificatie kan dienen als metadata om fysiologische signalen (zoals hartslag) beter te interpreteren en valse alarmen te verminderen.

Betekenis en Toekomstperspectief

De studie onderstreept dat het integreren van bewegingsdata in gezondheidsmonitoring essentieel is voor het verminderen van artefacten en het verbeteren van de klinische besluitvorming. De ontwikkelde methoden kunnen bijdragen aan:

• Klinische Toepassingen: Betere monitoring van patiënten op afdelingen zoals de spoedeisende hulp of thuiszorg, met name voor het detecteren van over-sedatie, delirium of slaapstoornissen.
• Persoonlijke Gezondheid: Het bieden van context voor hartslagvariabiliteit, waardoor artsen kunnen onderscheiden of veranderingen in hartslag fysiologisch of bewegingsgerelateerd zijn.
• Beperkingen & Richting: De studie erkent beperkingen, zoals de moeilijkheid om zitten en staan te onderscheiden met slechts één sensor op de borst, en het ontbreken van demografische data (ras, opleiding). Toekomstig werk moet zich richten op het modelleren van overgangsfases (transities) tussen activiteiten en het valideren van de modellen op klinische patiëntenpopulaties.

Kortom, deze paper levert een cruciale basis voor de volgende generatie wearables die niet alleen meten, maar ook begrijpen wat de patiënt doet, waardoor de interpretatie van vitale tekens nauwkeuriger en betrouwbaarder wordt.