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

Este estudo apresenta um conjunto de dados aberto e código de fonte livre para classificar níveis de atividade e tipos de movimento natural a partir de acelerometria triaxial em ambiente ambulatorial, utilizando técnicas de processamento de sinal e redes neurais convolucionais que demonstraram desempenho promissor para apoiar ferramentas de monitoramento clínico e intervenções de saúde personalizadas.

O essencial

Imagine que o seu corpo é como um carro em movimento. O acelerômetro (o sensor que fica na sua roupa) é como o odômetro e o velocímetro desse carro. Ele sabe que você está se movendo, mas não sabe o que você está fazendo: se você está apenas parado no semáforo, andando devagar pelo bairro ou correndo em uma pista de corrida.

Este artigo de pesquisa é como um manual de instruções gratuito e aberto para ensinar computadores a lerem esse "odômetro" e entenderem a história completa do que você está fazendo.

Aqui está a explicação do estudo, traduzida para uma linguagem simples:

1. O Problema: O Sensor "Cego"

Hoje em dia, temos muitos sensores (como em relógios inteligentes) que medem batimentos cardíacos ou oxigênio. Mas esses sensores têm um problema: eles ficam confusos quando você se mexe.

• A Analogia: Imagine que você está ouvindo uma música calma (seu coração batendo normalmente). De repente, alguém começa a bater panelas perto de você (você começa a caminhar). O som fica alto e bagunçado. O sensor não sabe se o barulho alto é porque você está com medo (problema de saúde) ou porque você apenas levantou para pegar um copo d'água.
• O Objetivo: Os pesquisadores queriam criar um sistema que dissesse: "Ei, o coração acelerou porque a pessoa está correndo, não porque ela está tendo um ataque cardíaco".

2. A Solução: Duas Abordagens

Para resolver isso, eles criaram dois "detetives" digitais usando dados de um sensor de movimento (acelerômetro) colado no peito de 23 pessoas voluntárias.

• Detetive 1: O "Semáforo" (Classificação Simples)

  • Como funciona: Ele usa uma regra matemática simples. Se o movimento for fraco, é "Parado" (Sinal Verde). Se for forte, é "Ativo" (Sinal Vermelho).
  • O Truque: Eles não olharam apenas para um instante, mas fizeram uma "média móvel" (como olhar para os últimos 5 segundos). Isso evita que um pequeno espasmo ou um aperto de mão seja confundido com uma corrida.
  • Resultado: Funcionou muito bem para dizer se a pessoa está em repouso ou se mexendo.

• Detetive 2: O "Cérebro Artificial" (Rede Neural)

  • Como funciona: Este é mais inteligente. É como um aluno que estuda milhares de horas de vídeos de pessoas se movendo. Ele aprende a diferença entre os padrões de movimento de deitar, sentar, ficar em pé, caminhar e correr.
  • O Desafio: Diferenciar "sentar" de "ficar em pé" é difícil para um sensor no peito, porque o tronco fica quase na mesma posição. É como tentar distinguir se alguém está sentado ou em pé apenas olhando para o topo de uma árvore; você precisa ver as raízes (ou usar sensores em outras partes do corpo).
  • Resultado: O "cérebro" conseguiu identificar corretamente a maioria das atividades, mesmo com dados "sujos" e barulhentos, como acontece na vida real.

3. A Grande Inovação: "Tudo Aberto"

A parte mais legal desse estudo não é apenas o resultado, mas o que eles fizeram com ele.

• A Analogia: A maioria dos cientistas cria uma receita secreta e diz: "Coma isso, fica ótimo". Mas ninguém sabe os ingredientes exatos.
• O que eles fizeram: Eles pegaram a receita, os ingredientes (os dados brutos das pessoas) e o livro de instruções (o código do computador) e colocaram tudo na internet de graça.
• Por que isso importa? Qualquer pessoa, de um estudante a um médico, pode baixar, testar, melhorar e usar essa tecnologia para criar novos aplicativos de saúde. Não há segredos, apenas transparência.

4. O Que Eles Descobriram?

• Movimento é Contexto: Eles provaram que saber se a pessoa está correndo ou deitada muda completamente como interpretamos os dados de saúde. Um batimento cardíaco rápido é normal se você está correndo, mas preocupante se você está deitado.
• Dados do Mundo Real: Eles não usaram dados perfeitos de laboratório. Usaram dados de pessoas reais, com roupas reais, em escritórios reais, onde as coisas ficam bagunçadas. O sistema funcionou mesmo assim.
• Limitações: O sistema ainda tem dificuldade em dizer a diferença exata entre "sentado" e "em pé" se o sensor estiver apenas no peito. Seria como tentar adivinhar se alguém está sentado ou em pé olhando apenas para o topo de um prédio; às vezes, você precisa de mais ângulos.

Resumo Final

Este estudo é como dar um tradutor universal para os sensores de movimento. Ele ensina a máquina a entender a linguagem do corpo humano. Ao fazer isso de forma gratuita e aberta, eles estão ajudando a criar o futuro da medicina, onde os dispositivos de saúde não apenas coletam dados, mas entendem o contexto da sua vida, evitando alarmes falsos e ajudando os médicos a tomarem decisões melhores.

Em suma: Eles criaram um tradutor de movimentos gratuito que ajuda a separar o "barulho" da vida real dos sinais importantes de saúde.

Resumo técnico

Resumo Técnico: Abordagem de Código Aberto e Dados Abertos para Classificação de Atividade a partir de Acelerometria Triaxial em Ambiente Ambulatorial

1. Problema e Motivação

O monitoramento contínuo de parâmetros fisiológicos é crucial para a detecção precoce de deterioração clínica e estratégias de tratamento personalizado. No entanto, os dados de sensores vestíveis (wearables), como acelerômetros, são frequentemente contaminados por artefatos de movimento e ruído em ambientes reais (ambulatoriais).

• Desafio Principal: A interpretação de sinais fisiológicos (ex.: frequência cardíaca, saturação de oxigênio) é frequentemente prejudicada pela falta de contexto sobre o estado de atividade do paciente (ex.: se o aumento da frequência cardíaca é devido a estresse ou simplesmente a uma mudança de postura ou caminhada).
• Limitações Existentes: Métodos atuais de reconhecimento de atividade humana (HAR) muitas vezes dependem de conjuntos de dados controlados de laboratório, são sensíveis a ruídos, exigem fusão complexa de múltiplos sensores ou não são escaláveis para dispositivos de baixo custo. Além disso, há uma escassez de dados públicos e códigos reprodutíveis que reflitam as condições desordenadas e desbalanceadas do mundo real.

2. Metodologia

O estudo propõe e valida duas abordagens complementares para classificação de atividade utilizando apenas dados de acelerometria triaxial (50 Hz), coletados por um dispositivo vestível (patch ECG Vivalink VV330).

• Coleta de Dados:

  • Participantes: 23 sujeitos saudáveis (16 homens, 7 mulheres), idade 23-62 anos.
  • Protocolo: Atividades padronizadas simulando um ambiente hospitalar ambulatorial: deitado, sentado, em pé, caminhando e trotando. Incluiu também comportamentos naturais de "inquietação" (fidgeting) e interferências intencionais (riscar a pele, bater no patch) para testar robustez.
  • Duração: Média de ~26 minutos por sujeito.
  • Ground Truth: Vídeos sincronizados foram usados para rotulagem manual precisa.
  • Pré-processamento: Filtragem Butterworth passa-banda (0,05 Hz a 2 Hz) para remover deriva do sensor e ruído de alta frequência. Apenas os últimos 20 minutos de dados foram utilizados para análise para garantir consistência.

• Abordagens de Classificação:

  1. Classificação Binária (Nível de Atividade):
     • Objetivo: Distinguir entre "Ativo" (caminhada, trote) e "Inativo" (deitado, sentado, em pé).
     • Método: Cálculo da magnitude vetorial 3D (norma euclidiana) dos sinais filtrados. Aplicação de um limiar (cut-point) baseado na mediana rolante em uma janela de 5 segundos.
     • Vantagem: Computacionalmente eficiente, adequado para implementação em tempo real em dispositivos de borda.
  2. Classificação Multiclasse (Tipos de Movimento):
     • Objetivo: Classificar especificamente entre as 5 atividades (deitado, sentado, em pé, caminhando, trotando).
     • Método: Rede Neural Convolucional 1D (CNN) treinada com validação cruzada "Leave-One-Out" (LOOCV) para garantir generalização entre sujeitos.
     • Otimização: Pesos de classe foram aplicados para lidar com a distribuição desbalanceada dos dados (excesso de tempo sentado, pouco tempo trotando).

3. Contribuições Principais

• Dados Abertos e Código Aberto: Este é o primeiro estudo a liberar conjuntamente um conjunto de dados de acelerometria triaxial coletado em um cenário ambulatorial realista e o código fonte completo para reprodutibilidade total.
• Robustez em Condições Reais: Foco em dados ruidosos, desbalanceados e de curta duração, diferentemente de estudos anteriores baseados em laboratórios controlados.
• Eficiência Computacional: Desenvolvimento de métodos projetados para rodar em dispositivos de baixo custo e baixa energia, sem a necessidade de fusão complexa de sensores (apenas acelerômetro).
• Análise de Contexto Fisiológico: Demonstração de como a classificação de atividade pode contextualizar dados vitais (ex.: correlação entre magnitude do movimento e desvio da frequência cardíaca de repouso).

4. Resultados

• Classificação Binária (Ativo vs. Inativo):
  • O limiar de magnitude 3D de 0,07 (determinado empiricamente) alcançou uma precisão de 0,87, recall de 0,90 e um escore F1 de 0,79.
  • Superou significativamente métodos baseados em Desvio de Amplitude Média (MAD) existentes, que falharam em detectar janelas ativas neste conjunto de dados específico.
• Classificação Multiclasse (CNN):
  • O modelo CNN alcançou um escore F1 ponderado de 0,83 (precisão de 83%, recall de 77%, acurácia de 77%).
  • Desempenho por Classe: Trotar (F1=0,79) e Caminhar (F1=0,90) foram bem classificados. Sentado (F1=0,82) teve bom desempenho, mas houve confusão significativa entre "Sentado" e "Em pé" (F1=0,44) devido à similaridade das oscilações verticais no sensor torácico.
• Análise de Sensibilidade:
  • Aumentar a frequência de corte do filtro acima de 2 Hz degradou o desempenho, confirmando que sinais acima dessa frequência são predominantemente ruído para esta aplicação.
  • Janelas de tempo menores (<5s) e taxas de amostragem mais baixas (<25 Hz) reduziram significativamente a precisão.
• Correlação Fisiológica:
  • Houve uma correlação positiva estatisticamente significativa (r = 0,29, p < 0,0001) entre a intensidade do movimento (magnitude rolante) e o desvio da frequência cardíaca em relação à linha de base de repouso.

5. Significância e Implicações

• Melhoria na Interpretação Clínica: A capacidade de distinguir automaticamente o estado de atividade permite que os clínicos interpretem mudanças na frequência cardíaca ou outros sinais vitais com maior precisão, reduzindo falsos alarmes e evitando a atribuição errônea de estresse fisiológico a movimentos normais.
• Ferramentas de Decisão Futuras: Os dados e modelos fornecem uma base para o desenvolvimento de ferramentas de análise preditiva e intervenções de saúde personalizadas em ambientes de monitoramento remoto.
• Reprodutibilidade Científica: A disponibilidade pública dos dados e do código permite que a comunidade científica valide, compare e melhore os algoritmos sob condições de ruído e desbalanceamento que refletem o cenário real de saúde, superando a barreira de dados sintéticos ou de laboratório.
• Limitações e Futuro: O estudo reconhece que a distinção entre "sentado" e "em pé" é difícil com um único sensor torácico e que períodos de transição entre atividades não foram classificados (o que pode inflar artificialmente as métricas de desempenho em cenários contínuos). Trabalhos futuros devem focar na modelagem de transições e na validação em populações clínicas reais (pacientes hospitalizados).

Em suma, o artigo demonstra a viabilidade de criar sistemas de monitoramento de saúde robustos e acessíveis, utilizando apenas acelerometria e técnicas de aprendizado de máquina eficientes, com um forte compromisso com a transparência e a reprodutibilidade científica.