Studie: Menschliche Aktivitätserkennung (HAR) mit dem c-med° alpha

Human Activity Recognition (HAR) ermöglicht die kontinuierliche Überwachung von statischen und dynamischen Verhaltensweisen in unterschiedlichen Umgebungsbedingungen. In Kombination mit der kontinuierlichen Messung von Vitalparametern ergibt sich ein großes Potenzial für den Gesundheitsbereich, z.B. für die Früherkennung von Krankheiten und die genaue Überwachung ihres Verlaufs. Lukas Boborzi, Doktorand an der Ludwig-Maximilians-Universität München, hat in Zusammenarbeit mit dem Deutschen Schwindel- und Gleichgewichtszentrum (DSGZ) eine Studie durchgeführt, die einen Ansatz zur Aktivitätserkennung mithilfe des Im-Ohr Sensors c-med° alpha untersucht.

HAR wird mittlerweile in verschiedenen Bereichen wie der Industrie, dem Sport und dem Gesundheitswesen eingesetzt. Besonders im Gesundheitsbereich bietet die HAR-Überwachung das Potenzial, wichtige Informationen über den Zustand eines/einer Patient:in in normalen Umgebungen zu sammeln. Sie hilft dabei, seltene und wechselnde Ereignisse aufzuspüren, die in kurzen klinischen Untersuchungen oft übersehen werden. Daher hat diese Technologie ein hohes Potenzial für die Erkennung von Krankheiten in präklinischen Stadien und die Überwachung des Krankheitsverlaufs. Sie ermöglicht auch, Auswirkungen von Interventionen zu bewerten und Stürze zu erkennen.

Das Ohr bietet im Gegensatz zu den unteren Extremitäten oder dem Rumpf – beides Orte, die bei anderen Ansätzen häufig verwendet werden – mehrere Vorteile für die Anbringung eines HAR-Geräts. Der Kopf bleibt während verschiedener Bewegungen sehr stabil, was eine zuverlässige und rauscharme Erkennung und Unterscheidung verschiedener körperlicher Aktivitäten ermöglicht.
Darüber hinaus stellt das Ohr einen idealen Messort für Vitalparameter und somit die Beurteilung des körperlichen und gesundheitlichen Zustands einer Person dar: Optische Im-Ohr Sensoren können Vitalparameter wie Herzfrequenz, Körpertemperatur und Sauerstoffsättigung im Gehörgang zuverlässig erfassen. Daher scheint das Ohr vielversprechend für das Tragen eines integrativen Sensorgeräts zu sein, das eine umfassende kontinuierliche Überwachung der Aktivität und des Gesundheitszustands einer Person im täglichen Leben ermöglicht. Die Kombination von Vitaldatenüberwachung und HAR ermöglicht die Beobachtung der Zusammenhänge zwischen Vitaldatenänderungen und -schwankungen sowie dem Verhalten einer Person. Dies bietet die Möglichkeit, Vitalparameter mit der körperlichen Aktivität in Zusammenhang zu bringen und individuelle Ausgangswerte festzulegen, um Abweichungen zu identifizieren. Es ermöglicht auch die Erkennung von Verhaltensmustern und Gewohnheiten, die sich auf die Gesundheit auswirken können.

Das Ziel dieser Studie war es, das Potenzial des c-med° alpha zur Klassifizierung verschiedener menschlicher Aktivitäten zu untersuchen. Bei fünfzig gesunden Personen im Alter von 20 bis 59 Jahren¹ wurden tägliche Aktivitäten wie Liegen, Sitzen, Stehen, Gehen, Laufen und Treppensteigen in einer freilebenden Umgebung aufgezeichnet und beschriftet, während sie den c-med° alpha trugen.
Für die Klassifizierung dieser Aktivitäten fand zunächst ein manuelles Labeling statt. Danach wurden maschinelle Lernalgorithmen eingesetzt. Hierbei wurde eine doppelte Strategie verfolgt: Zum Einsatz kamen flache maschinelle Lernmodelle, die interpretierbare Merkmale oder Parametrisierungen von Bewegungen (z.B. Bewegungsamplitude und -varianz) verwenden, sowie hochmoderne Deep-Learning-Algorithmen, die speziell für HAR entwickelt wurden.

c-med° alpha, ein medizinisches Messgerät der Klasse IIa, das kontinuierlich Datenströme von drei wichtigen Vitalparametern erzeugt: Körperkerntemperatur, Pulsfrequenz, Sauerstoffsättigung (SpO2).

Für das flache Lernen wurden die vom Sensor erfassten dreidimensionalen Bewegungszeitreihen (accx, accy, accz) mit Hilfe der Schiebefenstertechnik segmentiert, wobei verschiedene Größen von nicht überlappenden Fenstern (d.h.: 0,5, 1, 2 s) verwendet wurden, um eine optimale Konfiguration zu ermitteln. Nach der Segmentierung wurde für jedes Segment eine Reihe von Merkmalen im Zeit- und Frequenzbereich berechnet, die für die Zeitreihenanalyse physiologischer Signale festgelegt wurden. Darüber hinaus wurden die Korrelationskoeffizienten nach Pearson und Kendall für jede Kombination zwischen den Bewegungsachsen berechnet, so dass sich insgesamt 64 Merkmale ergaben. Die Verwendung dieser Merkmale in einer 2D-UMAP-Darstellung ergab für die meisten Aktivitäten gut erkennbare Cluster (siehe Abbildung 1).

Abbildung 1: Natürliches Clustering verschiedener Aktivitäten anhand von 64 statistischen Merkmalen.

Zur Vorbewertung wurden acht Standardmodelle für maschinelles Lernen trainiert. Die Modelle des maschinellen Lernens erreichten im besten Fall eine durchschnittliche Klassifizierungsgenauigkeit von 95 %. Es war möglich, die Aktivitäten Liegen, Sitzen/Stehen und Laufen fast perfekt zu identifizieren und zu unterscheiden. Einige Schwierigkeiten in der Unterscheidung gab es jedoch zwischen den Aktivitäten Gehen, Treppensteigen und Treppenabsteigen.
Es wurden zwei Deep-Learning-Modelle getestet, die speziell für die Erkennung menschlicher Aktivitäten anhand von Signalen von tragbaren Geräten entwickelt wurden. Das leistungsstärkste Modell war DeepConvLSTM, das ein Convolutional Neural Network mit einem Long-Short-Term Memory-Recurrent-Network (LSTM) kombiniert. Die effektivste Version dieses Modells verwendete eine Fenstergröße von 2 Sekunden. Dieser Klassifikator erbrachte eine sehr hohe Leistung und war in der Lage, Aktivitäten mit einer durchschnittlichen Genauigkeit von 98 % zu identifizieren (siehe Abbildung 2).

Abbildung 2: Konfusionsmatrix des leistungsstärksten Deep-Learning-Modells (DeepConvLSTM, 2s win).

Diese Studie hat gezeigt, dass der c-med° alpha für die Erkennung menschlicher Aktivitäten und die Langzeitüberwachung von Patient:innen gut geeignet sein könnte, wenn gewisse Deep-Learning-Algorithmen angewendet und möglicherweise in zukünftige Software-Iterationen integriert werden. Ein Beispiel dafür, wie dies in Zukunft aussehen könnte, ist in Abbildung 3 dargestellt.

Abbildung 3: Beispiel für die kombinierte Überwachung von HAR und Vitalparametern bei verschiedenen Aktivitäten.

Wie eingangs erwähnt, birgt die HAR-Technologie ein erhebliches Potenzial im klinischen und pflegerischen Bereich. Sie bietet die Möglichkeit, die Auswirkungen körperlicher Aktivität auf die Vitalparameter zu untersuchen und ermöglicht ein besseres Verständnis der täglichen Aktivitätsmuster, die den Gesundheitszustand beeinflussen. Darüber hinaus verspricht die Integration von HAR mit im Ohr gemessenen Vitalparametern Aufschluss über die wechselseitigen Beziehungen zwischen Krankheiten, Vitalparametern und Aktivitätsniveau.
Künftige Untersuchungen, die sich aus dieser Studie ergeben, könnten sich eingehender mit der Ganganalyse befassen. Dieser erweiterte Fokus könnte verschiedene klinische Anwendungen erleichtern, wie z. B. die Frühdiagnose bestimmter Erkrankungen (noch vor dem Auftreten sichtbarer Symptome), die Verfolgung des Krankheitsverlaufs, die Überwachung von Interventionen mithilfe digitaler Biomarker und die Risikostratifizierung (insbesondere für die Bewertung des Sturzrisikos). Solche Entwicklungen ebnen den Weg für wertvolle Gesundheitsmaßnahmen in der Zukunft.

Boborzi, L.; Decker, J.; Rezaei, R.; Schniepp, R.; Wuehr, M. Human Activity Recognition in a Free-Living Environment Using an Ear-Worn Motion Sensor. Sensors 2024, 24, 2665. https://doi.org/10.3390/s24092665