SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

Het dagelijks leven is een opeenvolging van kleine, vaak repetitieve bewegingen: tandenpoetsen, afwassen, naar de keuken lopen of een vloer dweilen. Voor artsen en verzorgers is het bijhouden van deze "activiteiten van het dagelijks leven" essentieel. Het vermogen van een persoon om deze taken zelfstandig uit te voeren, is een primaire indicator voor hun gezondheid en veiligheid. Traditioneel berust het meten hiervan op het vragen aan mensen wat ze hebben gedaan of op het laten observeren door een verpleegkundige op specifieke momenten. Deze methoden zijn imperfect; het menselijk geheugen is feilbaar en een momentopname mist het ritme van een hele dag. Om een echt beeld te krijgen van hoe iemand functioneert, hebben we een manier nodig om hen continu te observeren zonder indringend te zijn. Hier komt de smartwatch om de hoek kijken. Gedragen om de pols bevat het sensoren die de subtiele verschuivingen in beweging kunnen voelen, wat een potentieel venster biedt op de dagelijkse routine van een persoon. Maar er is een addertje onder het gras: een computerprogramma dat getraind is om deze bewegingen te herkennen in een rustige, gecontroleerde laboratoriumomgeving, faalt vaak wanneer dezelfde persoon de watch draagt in de rommelige, onvoorspelbare realiteit van hun eigen huis.

Onderzoekers aan de Queen Margaret University en de Edinburgh Napier University zetten zich in om dit specifieke probleem op te lossen. Ze vroegen zich af of een smartwatch-systeem kon leren om de dagelijkse activiteiten van een persoon te herkennen terwijl het wordt gebruikt, zonder dat het volledig vanaf nul opnieuw getraind hoeft te worden. Ze ontwikkelden een systeem genaamd SmartADAPT-Net, ontworpen om in twee afzonderlijke fasen te werken. Eerst gebruikt het een algemeen "populatiemodel"—een set regels geleerd van veel verschillende mensen in een lab—om een eerste gok te doen over welke activiteit plaatsvindt. Ten tweede leert het langzaam van de specifieke persoon die het draagt, maar alleen wanneer die persoon de gok van de watch bevestigt of corrigeert. Het doel was om te zien of deze tweestapsbenadering de kloof kon overbruggen tussen een in het lab getrainde robot en een behulpzame, gepersonaliseerde assistent in de echte wereld.

De onderzoekers begonnen met het bouwen van de fundering van hun systeem in een gesimuleerde huiselijke omgeving. Dertig vrijwilligers voerden zes veelvoorkomende taken uit: tandenpoetsen, dweilen of stofzuigen, spullen in een kast zetten, lopen, afwassen en het gezicht wassen. Ze droegen Apple Watches die de beweging van hun polsen registreerden. Het team gebruikte deze data om een computermodel te leren de patronen van deze bewegingen te herkennen. Dit initiële model was "bevroren", wat betekent dat de kern van het brein vaststond en later niet zou veranderen. De onderzoekers voegden echter een slimme laag van aanpassing toe, genaamd "complexity-aware modulation". Deze functie kijkt naar hoe chaotisch of onregelmatig een beweging is. Wandelen is bijvoorbeeld meestal ritmisch, terwijl afwassen meer grillig kan zijn. Door deze complexiteit te meten, kon het systeem een snelle, slimme aanpassing maken aan zijn initiële gok, waardoor de nauwkeurigheid werd verbeterd nog voordat het wist wie de gebruiker was.

De echte test kwam toen ze dit systeem inzetten bij een nieuwe groep van zeventien mensen in hun eigen huizen gedurende twintig dagen. Deze deelnemers droegen de watch en startten een opname telkens wanneer zij een van de zes doelactiviteiten uitvoerden. Het systeem kende deze mensen niet vooraf. Wanneer de watch een voorspelling deed, werd de gebruiker gevraagd om te bevestigen of deze correct was of om de juiste activiteit uit een lijst te selecteren. Deze feedback was de sleutel. Het systeem trainde niet het hoofdbrein opnieuw, wat te zwaar zou zijn voor de batterij en de processor van de watch. In plaats daarvan sloeg het compacte "prototypes" op—beknopte samenvattingen van hoe de bewegingen van die specifieke persoon eruit zagen voor elke activiteit. Naarmate de gebruiker meer acties bevestigde, paste het systeem zijn uiteindelijke beslissing langzaam aan, waarbij de algemene populatiekennis werd gecombineerd met de specifieke gewoonten van de gebruiker.

De resultaten toonden een duidelijke en krachtige progressie. Wanneer het systeem alleen vertrouwde op zijn initiële, bevroren brein, kreeg het de activiteit ongeveer 62 procent van de tijd goed. Deze daling ten opzichte van de prestaties in het lab was verwacht, aangezien het echte leven rommeliger is dan een gecontroleerd experiment. Echter, op het moment dat het systeem de "complexity-aware" aanpassing toepaste, sprong de nauwkeurigheid naar 78 procent. Deze verbetering gebeurde onmiddellijk, zonder enige persoonlijke data van de gebruiker. Terwijl de gebruikers hun activiteiten bleven bevestigen gedurende de twintig dagen, kwam de personalisatie van het systeem op gang, en steeg de uiteindelijke nauwkeurigheid naar 89 procent. Dit betekent dat door een slimme, onmiddellijke correctie te combineren met een langzaam, gestaag leerproces, het systeem zijn initiële fouten herstelde en zeer betrouwbaar werd.

Niet elke activiteit was even gemakkelijk te beheersen. Wandelen en dweilen werden met een hoge nauwkeurigheid herkend. Het wassen van het gezicht bleef echter het moeilijkst. Zelfs na twintig dagen van personalisatie worstelde het systeem nog steeds met deze taak en kreeg het het slechts ongeveer 79 procent van de tijd goed. De onderzoekers ontdekten dat hoewel het systeem veel van zijn vroege fouten kon corrigeren, er nog steeds verwarring bestond tussen het wassen van het gezicht en andere bewegingen. Dit suggereert dat de polssensor, hoewel uitstekend in het volgen van armbewegingen, soms de fijne details mist die nodig zijn om zeer gelijkaardige handelingen te onderscheiden. Desondanks bewees het systeem dat het van een gebruiker kon leren zonder een enorme hoeveelheid data of een complex her-trainingsproces nodig te hebben.

De studie bevestigde ook dat deze aanpak praktisch is voor dagelijks gebruik. Het volledige systeem, inclusief de geheugenruimte die nodig is om de specifieke gewoonten van een gebruiker te onthouden, nam zeer weinig ruimte in beslag op de watch—ongeveer de grootte van een klein fotobestand. Het draaide snel en maakte in minder dan een tiende van een seconde een beslissing, en de extra batterijbelasting was minimaal, met een verbruik van ongeveer 3,5 procent van de batterij per uur actief gebruik. Deze efficiëntie is cruciaal; een systeem dat een watch binnen enkele uren leegtrekt, is nutteloos voor langdurige gezondheidsmonitoring.

De onderzoekers waren zorgvuldig in het benoemen van de beperkingen van hun bevindingen. De "correcte" antwoorden die werden gebruikt om het systeem te testen, kwamen van de gebruikers zelf, die de gok van de watch zagen voordat ze deze bevestigden. Dit betekent dat het systeem beïnvloed had kunnen worden door het zelfvertrouwen of de bias van de gebruiker, in plaats van door een onafhankelijke waarnemer. Daarnaast richtte de studie zich op zes specifieke activiteiten die de gebruiker handmatig startte, in plaats van een systeem dat een persoon de hele dag volgt en automatisch ontdekt wat diegene aan het doen is. Het systeem probeerde ook niet om nieuwe soorten activiteiten te leren buiten de zes waarvoor het was getraind.

Niettemin is de kernontdekking significant. Het demonstreert dat een draagbaar apparaat kan beginnen met een algemeen begrip van menselijke beweging en zich vervolgens kan aanpassen aan de unieke stijl van een individu via eenvoudige, "human-in-the-loop" feedback. Het heeft geen blanco blad nodig dat weken aan data wacht, noch hoeft het een rigide, onveranderlijk programma te zijn. Door de onmiddellijke, slimme aanpassingen te scheiden van het langzame, persoonlijke leerproces, biedt het systeem een pad naar smartwatches die niet alleen sensoren zijn, maar werkelijk adaptieve metgezellen voor het monitoren van de gezondheid in de echte wereld. De studie suggereert dat de toekomst van draagbare gezondheidsmonitoring niet ligt in het slimmer maken van de computer in isolatie, maar in het creëren van een partnerschap waarbij het apparaat leert van de persoon die het draagt, één bevestigde activiteit per keer.