Vielversprechendes Potenzial f\u00fcr ein umfassendes Gesundheitsmonitoring<\/h2><\/div>Human Activity Recognition (HAR) erm\u00f6glicht die kontinuierliche \u00dcberwachung von statischen und dynamischen Verhaltensweisen in unterschiedlichen Umgebungsbedingungen. In Kombination mit der kontinuierlichen Messung von Vitalparametern ergibt sich ein gro\u00dfes Potenzial f\u00fcr den Gesundheitsbereich, z.B. f\u00fcr die Fr\u00fcherkennung von Krankheiten und die genaue \u00dcberwachung ihres Verlaufs. Lukas Boborzi, Doktorand an der Ludwig-Maximilians-Universit\u00e4t M\u00fcnchen, hat in Zusammenarbeit mit dem Deutschen Schwindel- und Gleichgewichtszentrum (DSGZ) eine Studie durchgef\u00fchrt, die einen Ansatz zur Aktivit\u00e4tserkennung mithilfe des Im-Ohr Sensors c-med\u00b0 alpha untersucht.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Human Activity Recognition (HAR) im Gesundheitswesen<\/h2><\/div>HAR wird mittlerweile in verschiedenen Bereichen wie der Industrie, dem Sport und dem Gesundheitswesen eingesetzt. Besonders im Gesundheitsbereich bietet die HAR-\u00dcberwachung das Potenzial, wichtige Informationen \u00fcber den Zustand eines\/einer Patient:in in normalen Umgebungen zu sammeln. Sie hilft dabei, seltene und wechselnde Ereignisse aufzusp\u00fcren, die in kurzen klinischen Untersuchungen oft \u00fcbersehen werden. Daher hat diese Technologie ein hohes Potenzial f\u00fcr die Erkennung von Krankheiten in pr\u00e4klinischen Stadien und die \u00dcberwachung des Krankheitsverlaufs. Sie erm\u00f6glicht auch, Auswirkungen von Interventionen zu bewerten und St\u00fcrze zu erkennen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Vorteile der Kombination aus Im-Ohr-Vitalparametermonitoring und HAR<\/h2><\/div>Das Ohr bietet im Gegensatz zu den unteren Extremit\u00e4ten oder dem Rumpf – beides Orte, die bei anderen Ans\u00e4tzen h\u00e4ufig verwendet werden – mehrere Vorteile f\u00fcr die Anbringung eines HAR-Ger\u00e4ts. Der Kopf bleibt w\u00e4hrend verschiedener Bewegungen sehr stabil, was eine zuverl\u00e4ssige und rauscharme Erkennung und Unterscheidung verschiedener k\u00f6rperlicher Aktivit\u00e4ten erm\u00f6glicht.
\nDar\u00fcber hinaus stellt das Ohr einen idealen Messort f\u00fcr Vitalparameter und somit die Beurteilung des k\u00f6rperlichen und gesundheitlichen Zustands einer Person dar: Optische Im-Ohr Sensoren k\u00f6nnen Vitalparameter wie Herzfrequenz<\/a>, K\u00f6rpertemperatur<\/a> und Sauerstoffs\u00e4ttigung<\/a> im Geh\u00f6rgang zuverl\u00e4ssig erfassen. Daher scheint das Ohr vielversprechend f\u00fcr das Tragen eines integrativen Sensorger\u00e4ts zu sein, das eine umfassende kontinuierliche \u00dcberwachung der Aktivit\u00e4t und des Gesundheitszustands einer Person im t\u00e4glichen Leben erm\u00f6glicht. Die Kombination von Vitaldaten\u00fcberwachung und HAR erm\u00f6glicht die Beobachtung der Zusammenh\u00e4nge zwischen Vitaldaten\u00e4nderungen und -schwankungen sowie dem Verhalten einer Person. Dies bietet die M\u00f6glichkeit, Vitalparameter mit der k\u00f6rperlichen Aktivit\u00e4t in Zusammenhang zu bringen und individuelle Ausgangswerte festzulegen, um Abweichungen zu identifizieren. Es erm\u00f6glicht auch die Erkennung von Verhaltensmustern und Gewohnheiten, die sich auf die Gesundheit auswirken k\u00f6nnen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Studienaufbau: Teilnehmer und Methoden<\/h2><\/div>Das Ziel dieser Studie war es, das Potenzial des c-med\u00b0 alpha<\/a> zur Klassifizierung verschiedener menschlicher Aktivit\u00e4ten zu untersuchen. Bei f\u00fcnfzig gesunden Personen im Alter von 20 bis 59 Jahren<\/span>1<\/sup><\/a><\/span> wurden t\u00e4gliche Aktivit\u00e4ten wie Liegen, Sitzen, Stehen, Gehen, Laufen und Treppensteigen in einer freilebenden Umgebung aufgezeichnet und beschriftet, w\u00e4hrend sie den c-med\u00b0 alpha trugen.
\nF\u00fcr die Klassifizierung dieser Aktivit\u00e4ten fand zun\u00e4chst 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 f\u00fcr HAR entwickelt wurden.<\/p>\n<\/div>![\"c-med\u00b0](\"https:\/\/www.cosinuss.com\/wp-content\/uploads\/2022\/08\/CMED-Waage-LRC-Web-092.jpg\" "\\"CMED-Waage-LRC-Web-092\\"")
<\/span><\/div>c-med\u00b0 alpha, ein medizinisches Messger\u00e4t der Klasse IIa, das kontinuierlich Datenstr\u00f6me von drei wichtigen Vitalparametern erzeugt: <\/em>K\u00f6rperkerntemperatur, <\/em>Pulsfrequenz, <\/em>Sauerstoffs\u00e4ttigung (SpO2).<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Ergebnisse: Aktivit\u00e4ts-Cluster und Klassifizierung<\/h2><\/div>F\u00fcr das flache Lernen wurden die vom Sensor erfassten dreidimensionalen Bewegungszeitreihen (accx, accy, accz) mit Hilfe der Schiebefenstertechnik segmentiert, wobei verschiedene Gr\u00f6\u00dfen von nicht \u00fcberlappenden Fenstern (d.h.: 0,5, 1, 2 s) verwendet wurden, um eine optimale Konfiguration zu ermitteln. Nach der Segmentierung wurde f\u00fcr jedes Segment eine Reihe von Merkmalen im Zeit- und Frequenzbereich berechnet, die f\u00fcr die Zeitreihenanalyse physiologischer Signale festgelegt wurden. Dar\u00fcber hinaus wurden die Korrelationskoeffizienten nach Pearson und Kendall f\u00fcr jede Kombination zwischen den Bewegungsachsen berechnet, so dass sich insgesamt 64 Merkmale ergaben. Die Verwendung dieser Merkmale in einer 2D-UMAP-Darstellung ergab f\u00fcr die meisten Aktivit\u00e4ten gut erkennbare Cluster (siehe Abbildung 1).<\/p>\n<\/div>
![\"Grafiken,](\"https:\/\/www.cosinuss.com\/wp-content\/uploads\/2024\/03\/boborzi_fig1.png\" "\\"boborzi_fig1\\"")
<\/span><\/div>Abbildung 1: Nat\u00fcrliches Clustering verschiedener Aktivit\u00e4ten anhand von 64 statistischen Merkmalen.
\n<\/em><\/p>\n<\/div>Zur Vorbewertung wurden acht Standardmodelle f\u00fcr maschinelles Lernen trainiert. Die Modelle des maschinellen Lernens erreichten im besten Fall eine durchschnittliche Klassifizierungsgenauigkeit von 95 %. Es war m\u00f6glich, die Aktivit\u00e4ten Liegen, Sitzen\/Stehen und Laufen fast perfekt zu identifizieren und zu unterscheiden. Einige Schwierigkeiten in der Unterscheidung gab es jedoch zwischen den Aktivit\u00e4ten Gehen, Treppensteigen und Treppenabsteigen.
\nEs wurden zwei Deep-Learning-Modelle getestet, die speziell f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten anhand von Signalen von tragbaren Ger\u00e4ten entwickelt wurden. Das leistungsst\u00e4rkste 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 Fenstergr\u00f6\u00dfe von 2 Sekunden. Dieser Klassifikator erbrachte eine sehr hohe Leistung und war in der Lage, Aktivit\u00e4ten mit einer durchschnittlichen Genauigkeit von 98 % zu identifizieren (siehe Abbildung 2).<\/p>\n<\/div>
![\"Grafik,](\"https:\/\/www.cosinuss.com\/wp-content\/uploads\/2024\/03\/boborzi_fig2.png\" "\\"boborzi_fig2\\"")
<\/span><\/div>Abbildung 2: Konfusionsmatrix des leistungsst\u00e4rksten Deep-Learning-Modells (DeepConvLSTM, 2s win).
\n<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Zusammenfassung & Ausblick: Praktische Anwendung der \u00dcberwachung von Vitalparametern in Verbindung mit HAR<\/h2><\/div>Diese Studie hat gezeigt, dass der c-med\u00b0 alpha f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten und die Langzeit\u00fcberwachung von Patient:innen gut geeignet sein k\u00f6nnte, wenn gewisse Deep-Learning-Algorithmen angewendet und m\u00f6glicherweise in zuk\u00fcnftige Software-Iterationen integriert werden. Ein Beispiel daf\u00fcr, wie dies in Zukunft aussehen k\u00f6nnte, ist in Abbildung 3 dargestellt.<\/p>\n<\/div>
![\"Grafik](\"https:\/\/www.cosinuss.com\/wp-content\/uploads\/2024\/03\/boborzi_fig3.png\" "\\"boborzi_fig3\\"")
<\/span><\/div>Abbildung 3: Beispiel f\u00fcr die kombinierte \u00dcberwachung von HAR und Vitalparametern bei verschiedenen Aktivit\u00e4ten.
\n<\/em><\/p>\n<\/div>Wie eingangs erw\u00e4hnt, birgt die HAR-Technologie ein erhebliches Potenzial im klinischen und pflegerischen Bereich. Sie bietet die M\u00f6glichkeit, die Auswirkungen k\u00f6rperlicher Aktivit\u00e4t auf die Vitalparameter zu untersuchen und erm\u00f6glicht ein besseres Verst\u00e4ndnis der t\u00e4glichen Aktivit\u00e4tsmuster, die den Gesundheitszustand beeinflussen. Dar\u00fcber hinaus verspricht die Integration von HAR mit im Ohr gemessenen Vitalparametern Aufschluss \u00fcber die wechselseitigen Beziehungen zwischen Krankheiten, Vitalparametern und Aktivit\u00e4tsniveau.
\nK\u00fcnftige Untersuchungen, die sich aus dieser Studie ergeben, k\u00f6nnten sich eingehender mit der Ganganalyse befassen. Dieser erweiterte Fokus k\u00f6nnte verschiedene klinische Anwendungen erleichtern, wie z. B. die Fr\u00fchdiagnose bestimmter Erkrankungen (noch vor dem Auftreten sichtbarer Symptome), die Verfolgung des Krankheitsverlaufs, die \u00dcberwachung von Interventionen mithilfe digitaler Biomarker und die Risikostratifizierung (insbesondere f\u00fcr die Bewertung des Sturzrisikos). Solche Entwicklungen ebnen den Weg f\u00fcr wertvolle Gesundheitsma\u00dfnahmen in der Zukunft.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Link zur Studie<\/h3><\/div>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<\/em> 2024<\/b>, 24<\/em>, 2665. https:\/\/doi.org\/10.3390\/s24092665<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>\n
Human Activity Recognition (HAR) erm\u00f6glicht die kontinuierliche \u00dcberwachung von statischen und dynamischen Verhaltensweisen in unterschiedlichen Umgebungsbedingungen. In Kombination mit der kontinuierlichen Messung von Vitalparametern ergibt sich ein gro\u00dfes Potenzial f\u00fcr den Gesundheitsbereich, z.B. f\u00fcr die Fr\u00fcherkennung von Krankheiten und die genaue \u00dcberwachung ihres Verlaufs. Lukas Boborzi, Doktorand an der Ludwig-Maximilians-Universit\u00e4t M\u00fcnchen, hat in Zusammenarbeit mit dem Deutschen Schwindel- und Gleichgewichtszentrum (DSGZ) eine Studie durchgef\u00fchrt, die einen Ansatz zur Aktivit\u00e4tserkennung mithilfe des Im-Ohr Sensors c-med\u00b0 alpha untersucht.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Human Activity Recognition (HAR) im Gesundheitswesen<\/h2><\/div>HAR wird mittlerweile in verschiedenen Bereichen wie der Industrie, dem Sport und dem Gesundheitswesen eingesetzt. Besonders im Gesundheitsbereich bietet die HAR-\u00dcberwachung das Potenzial, wichtige Informationen \u00fcber den Zustand eines\/einer Patient:in in normalen Umgebungen zu sammeln. Sie hilft dabei, seltene und wechselnde Ereignisse aufzusp\u00fcren, die in kurzen klinischen Untersuchungen oft \u00fcbersehen werden. Daher hat diese Technologie ein hohes Potenzial f\u00fcr die Erkennung von Krankheiten in pr\u00e4klinischen Stadien und die \u00dcberwachung des Krankheitsverlaufs. Sie erm\u00f6glicht auch, Auswirkungen von Interventionen zu bewerten und St\u00fcrze zu erkennen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Vorteile der Kombination aus Im-Ohr-Vitalparametermonitoring und HAR<\/h2><\/div>Das Ohr bietet im Gegensatz zu den unteren Extremit\u00e4ten oder dem Rumpf – beides Orte, die bei anderen Ans\u00e4tzen h\u00e4ufig verwendet werden – mehrere Vorteile f\u00fcr die Anbringung eines HAR-Ger\u00e4ts. Der Kopf bleibt w\u00e4hrend verschiedener Bewegungen sehr stabil, was eine zuverl\u00e4ssige und rauscharme Erkennung und Unterscheidung verschiedener k\u00f6rperlicher Aktivit\u00e4ten erm\u00f6glicht.
\nDar\u00fcber hinaus stellt das Ohr einen idealen Messort f\u00fcr Vitalparameter und somit die Beurteilung des k\u00f6rperlichen und gesundheitlichen Zustands einer Person dar: Optische Im-Ohr Sensoren k\u00f6nnen Vitalparameter wie Herzfrequenz<\/a>, K\u00f6rpertemperatur<\/a> und Sauerstoffs\u00e4ttigung<\/a> im Geh\u00f6rgang zuverl\u00e4ssig erfassen. Daher scheint das Ohr vielversprechend f\u00fcr das Tragen eines integrativen Sensorger\u00e4ts zu sein, das eine umfassende kontinuierliche \u00dcberwachung der Aktivit\u00e4t und des Gesundheitszustands einer Person im t\u00e4glichen Leben erm\u00f6glicht. Die Kombination von Vitaldaten\u00fcberwachung und HAR erm\u00f6glicht die Beobachtung der Zusammenh\u00e4nge zwischen Vitaldaten\u00e4nderungen und -schwankungen sowie dem Verhalten einer Person. Dies bietet die M\u00f6glichkeit, Vitalparameter mit der k\u00f6rperlichen Aktivit\u00e4t in Zusammenhang zu bringen und individuelle Ausgangswerte festzulegen, um Abweichungen zu identifizieren. Es erm\u00f6glicht auch die Erkennung von Verhaltensmustern und Gewohnheiten, die sich auf die Gesundheit auswirken k\u00f6nnen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Studienaufbau: Teilnehmer und Methoden<\/h2><\/div>Das Ziel dieser Studie war es, das Potenzial des c-med\u00b0 alpha<\/a> zur Klassifizierung verschiedener menschlicher Aktivit\u00e4ten zu untersuchen. Bei f\u00fcnfzig gesunden Personen im Alter von 20 bis 59 Jahren<\/span>1<\/sup><\/a><\/span> wurden t\u00e4gliche Aktivit\u00e4ten wie Liegen, Sitzen, Stehen, Gehen, Laufen und Treppensteigen in einer freilebenden Umgebung aufgezeichnet und beschriftet, w\u00e4hrend sie den c-med\u00b0 alpha trugen.
\nF\u00fcr die Klassifizierung dieser Aktivit\u00e4ten fand zun\u00e4chst 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 f\u00fcr HAR entwickelt wurden.<\/p>\n<\/div><\/span><\/div>c-med\u00b0 alpha, ein medizinisches Messger\u00e4t der Klasse IIa, das kontinuierlich Datenstr\u00f6me von drei wichtigen Vitalparametern erzeugt: <\/em>K\u00f6rperkerntemperatur, <\/em>Pulsfrequenz, <\/em>Sauerstoffs\u00e4ttigung (SpO2).<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Ergebnisse: Aktivit\u00e4ts-Cluster und Klassifizierung<\/h2><\/div>F\u00fcr das flache Lernen wurden die vom Sensor erfassten dreidimensionalen Bewegungszeitreihen (accx, accy, accz) mit Hilfe der Schiebefenstertechnik segmentiert, wobei verschiedene Gr\u00f6\u00dfen von nicht \u00fcberlappenden Fenstern (d.h.: 0,5, 1, 2 s) verwendet wurden, um eine optimale Konfiguration zu ermitteln. Nach der Segmentierung wurde f\u00fcr jedes Segment eine Reihe von Merkmalen im Zeit- und Frequenzbereich berechnet, die f\u00fcr die Zeitreihenanalyse physiologischer Signale festgelegt wurden. Dar\u00fcber hinaus wurden die Korrelationskoeffizienten nach Pearson und Kendall f\u00fcr jede Kombination zwischen den Bewegungsachsen berechnet, so dass sich insgesamt 64 Merkmale ergaben. Die Verwendung dieser Merkmale in einer 2D-UMAP-Darstellung ergab f\u00fcr die meisten Aktivit\u00e4ten gut erkennbare Cluster (siehe Abbildung 1).<\/p>\n<\/div>
<\/span><\/div>Abbildung 1: Nat\u00fcrliches Clustering verschiedener Aktivit\u00e4ten anhand von 64 statistischen Merkmalen.
\n<\/em><\/p>\n<\/div>Zur Vorbewertung wurden acht Standardmodelle f\u00fcr maschinelles Lernen trainiert. Die Modelle des maschinellen Lernens erreichten im besten Fall eine durchschnittliche Klassifizierungsgenauigkeit von 95 %. Es war m\u00f6glich, die Aktivit\u00e4ten Liegen, Sitzen\/Stehen und Laufen fast perfekt zu identifizieren und zu unterscheiden. Einige Schwierigkeiten in der Unterscheidung gab es jedoch zwischen den Aktivit\u00e4ten Gehen, Treppensteigen und Treppenabsteigen.
\nEs wurden zwei Deep-Learning-Modelle getestet, die speziell f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten anhand von Signalen von tragbaren Ger\u00e4ten entwickelt wurden. Das leistungsst\u00e4rkste 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 Fenstergr\u00f6\u00dfe von 2 Sekunden. Dieser Klassifikator erbrachte eine sehr hohe Leistung und war in der Lage, Aktivit\u00e4ten mit einer durchschnittlichen Genauigkeit von 98 % zu identifizieren (siehe Abbildung 2).<\/p>\n<\/div>
<\/span><\/div>Abbildung 2: Konfusionsmatrix des leistungsst\u00e4rksten Deep-Learning-Modells (DeepConvLSTM, 2s win).
\n<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Zusammenfassung & Ausblick: Praktische Anwendung der \u00dcberwachung von Vitalparametern in Verbindung mit HAR<\/h2><\/div>Diese Studie hat gezeigt, dass der c-med\u00b0 alpha f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten und die Langzeit\u00fcberwachung von Patient:innen gut geeignet sein k\u00f6nnte, wenn gewisse Deep-Learning-Algorithmen angewendet und m\u00f6glicherweise in zuk\u00fcnftige Software-Iterationen integriert werden. Ein Beispiel daf\u00fcr, wie dies in Zukunft aussehen k\u00f6nnte, ist in Abbildung 3 dargestellt.<\/p>\n<\/div>
<\/span><\/div>Abbildung 3: Beispiel f\u00fcr die kombinierte \u00dcberwachung von HAR und Vitalparametern bei verschiedenen Aktivit\u00e4ten.
\n<\/em><\/p>\n<\/div>Wie eingangs erw\u00e4hnt, birgt die HAR-Technologie ein erhebliches Potenzial im klinischen und pflegerischen Bereich. Sie bietet die M\u00f6glichkeit, die Auswirkungen k\u00f6rperlicher Aktivit\u00e4t auf die Vitalparameter zu untersuchen und erm\u00f6glicht ein besseres Verst\u00e4ndnis der t\u00e4glichen Aktivit\u00e4tsmuster, die den Gesundheitszustand beeinflussen. Dar\u00fcber hinaus verspricht die Integration von HAR mit im Ohr gemessenen Vitalparametern Aufschluss \u00fcber die wechselseitigen Beziehungen zwischen Krankheiten, Vitalparametern und Aktivit\u00e4tsniveau.
\nK\u00fcnftige Untersuchungen, die sich aus dieser Studie ergeben, k\u00f6nnten sich eingehender mit der Ganganalyse befassen. Dieser erweiterte Fokus k\u00f6nnte verschiedene klinische Anwendungen erleichtern, wie z. B. die Fr\u00fchdiagnose bestimmter Erkrankungen (noch vor dem Auftreten sichtbarer Symptome), die Verfolgung des Krankheitsverlaufs, die \u00dcberwachung von Interventionen mithilfe digitaler Biomarker und die Risikostratifizierung (insbesondere f\u00fcr die Bewertung des Sturzrisikos). Solche Entwicklungen ebnen den Weg f\u00fcr wertvolle Gesundheitsma\u00dfnahmen in der Zukunft.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Link zur Studie<\/h3><\/div>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<\/em> 2024<\/b>, 24<\/em>, 2665. https:\/\/doi.org\/10.3390\/s24092665<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>\n
HAR wird mittlerweile in verschiedenen Bereichen wie der Industrie, dem Sport und dem Gesundheitswesen eingesetzt. Besonders im Gesundheitsbereich bietet die HAR-\u00dcberwachung das Potenzial, wichtige Informationen \u00fcber den Zustand eines\/einer Patient:in in normalen Umgebungen zu sammeln. Sie hilft dabei, seltene und wechselnde Ereignisse aufzusp\u00fcren, die in kurzen klinischen Untersuchungen oft \u00fcbersehen werden. Daher hat diese Technologie ein hohes Potenzial f\u00fcr die Erkennung von Krankheiten in pr\u00e4klinischen Stadien und die \u00dcberwachung des Krankheitsverlaufs. Sie erm\u00f6glicht auch, Auswirkungen von Interventionen zu bewerten und St\u00fcrze zu erkennen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Vorteile der Kombination aus Im-Ohr-Vitalparametermonitoring und HAR<\/h2><\/div>Das Ohr bietet im Gegensatz zu den unteren Extremit\u00e4ten oder dem Rumpf – beides Orte, die bei anderen Ans\u00e4tzen h\u00e4ufig verwendet werden – mehrere Vorteile f\u00fcr die Anbringung eines HAR-Ger\u00e4ts. Der Kopf bleibt w\u00e4hrend verschiedener Bewegungen sehr stabil, was eine zuverl\u00e4ssige und rauscharme Erkennung und Unterscheidung verschiedener k\u00f6rperlicher Aktivit\u00e4ten erm\u00f6glicht.
\nDar\u00fcber hinaus stellt das Ohr einen idealen Messort f\u00fcr Vitalparameter und somit die Beurteilung des k\u00f6rperlichen und gesundheitlichen Zustands einer Person dar: Optische Im-Ohr Sensoren k\u00f6nnen Vitalparameter wie Herzfrequenz<\/a>, K\u00f6rpertemperatur<\/a> und Sauerstoffs\u00e4ttigung<\/a> im Geh\u00f6rgang zuverl\u00e4ssig erfassen. Daher scheint das Ohr vielversprechend f\u00fcr das Tragen eines integrativen Sensorger\u00e4ts zu sein, das eine umfassende kontinuierliche \u00dcberwachung der Aktivit\u00e4t und des Gesundheitszustands einer Person im t\u00e4glichen Leben erm\u00f6glicht. Die Kombination von Vitaldaten\u00fcberwachung und HAR erm\u00f6glicht die Beobachtung der Zusammenh\u00e4nge zwischen Vitaldaten\u00e4nderungen und -schwankungen sowie dem Verhalten einer Person. Dies bietet die M\u00f6glichkeit, Vitalparameter mit der k\u00f6rperlichen Aktivit\u00e4t in Zusammenhang zu bringen und individuelle Ausgangswerte festzulegen, um Abweichungen zu identifizieren. Es erm\u00f6glicht auch die Erkennung von Verhaltensmustern und Gewohnheiten, die sich auf die Gesundheit auswirken k\u00f6nnen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Studienaufbau: Teilnehmer und Methoden<\/h2><\/div>Das Ziel dieser Studie war es, das Potenzial des c-med\u00b0 alpha<\/a> zur Klassifizierung verschiedener menschlicher Aktivit\u00e4ten zu untersuchen. Bei f\u00fcnfzig gesunden Personen im Alter von 20 bis 59 Jahren<\/span>1<\/sup><\/a><\/span> wurden t\u00e4gliche Aktivit\u00e4ten wie Liegen, Sitzen, Stehen, Gehen, Laufen und Treppensteigen in einer freilebenden Umgebung aufgezeichnet und beschriftet, w\u00e4hrend sie den c-med\u00b0 alpha trugen.
\nF\u00fcr die Klassifizierung dieser Aktivit\u00e4ten fand zun\u00e4chst 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 f\u00fcr HAR entwickelt wurden.<\/p>\n<\/div><\/span><\/div>c-med\u00b0 alpha, ein medizinisches Messger\u00e4t der Klasse IIa, das kontinuierlich Datenstr\u00f6me von drei wichtigen Vitalparametern erzeugt: <\/em>K\u00f6rperkerntemperatur, <\/em>Pulsfrequenz, <\/em>Sauerstoffs\u00e4ttigung (SpO2).<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Ergebnisse: Aktivit\u00e4ts-Cluster und Klassifizierung<\/h2><\/div>F\u00fcr das flache Lernen wurden die vom Sensor erfassten dreidimensionalen Bewegungszeitreihen (accx, accy, accz) mit Hilfe der Schiebefenstertechnik segmentiert, wobei verschiedene Gr\u00f6\u00dfen von nicht \u00fcberlappenden Fenstern (d.h.: 0,5, 1, 2 s) verwendet wurden, um eine optimale Konfiguration zu ermitteln. Nach der Segmentierung wurde f\u00fcr jedes Segment eine Reihe von Merkmalen im Zeit- und Frequenzbereich berechnet, die f\u00fcr die Zeitreihenanalyse physiologischer Signale festgelegt wurden. Dar\u00fcber hinaus wurden die Korrelationskoeffizienten nach Pearson und Kendall f\u00fcr jede Kombination zwischen den Bewegungsachsen berechnet, so dass sich insgesamt 64 Merkmale ergaben. Die Verwendung dieser Merkmale in einer 2D-UMAP-Darstellung ergab f\u00fcr die meisten Aktivit\u00e4ten gut erkennbare Cluster (siehe Abbildung 1).<\/p>\n<\/div>
<\/span><\/div>Abbildung 1: Nat\u00fcrliches Clustering verschiedener Aktivit\u00e4ten anhand von 64 statistischen Merkmalen.
\n<\/em><\/p>\n<\/div>Zur Vorbewertung wurden acht Standardmodelle f\u00fcr maschinelles Lernen trainiert. Die Modelle des maschinellen Lernens erreichten im besten Fall eine durchschnittliche Klassifizierungsgenauigkeit von 95 %. Es war m\u00f6glich, die Aktivit\u00e4ten Liegen, Sitzen\/Stehen und Laufen fast perfekt zu identifizieren und zu unterscheiden. Einige Schwierigkeiten in der Unterscheidung gab es jedoch zwischen den Aktivit\u00e4ten Gehen, Treppensteigen und Treppenabsteigen.
\nEs wurden zwei Deep-Learning-Modelle getestet, die speziell f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten anhand von Signalen von tragbaren Ger\u00e4ten entwickelt wurden. Das leistungsst\u00e4rkste 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 Fenstergr\u00f6\u00dfe von 2 Sekunden. Dieser Klassifikator erbrachte eine sehr hohe Leistung und war in der Lage, Aktivit\u00e4ten mit einer durchschnittlichen Genauigkeit von 98 % zu identifizieren (siehe Abbildung 2).<\/p>\n<\/div>
<\/span><\/div>Abbildung 2: Konfusionsmatrix des leistungsst\u00e4rksten Deep-Learning-Modells (DeepConvLSTM, 2s win).
\n<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Zusammenfassung & Ausblick: Praktische Anwendung der \u00dcberwachung von Vitalparametern in Verbindung mit HAR<\/h2><\/div>Diese Studie hat gezeigt, dass der c-med\u00b0 alpha f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten und die Langzeit\u00fcberwachung von Patient:innen gut geeignet sein k\u00f6nnte, wenn gewisse Deep-Learning-Algorithmen angewendet und m\u00f6glicherweise in zuk\u00fcnftige Software-Iterationen integriert werden. Ein Beispiel daf\u00fcr, wie dies in Zukunft aussehen k\u00f6nnte, ist in Abbildung 3 dargestellt.<\/p>\n<\/div>
<\/span><\/div>Abbildung 3: Beispiel f\u00fcr die kombinierte \u00dcberwachung von HAR und Vitalparametern bei verschiedenen Aktivit\u00e4ten.
\n<\/em><\/p>\n<\/div>Wie eingangs erw\u00e4hnt, birgt die HAR-Technologie ein erhebliches Potenzial im klinischen und pflegerischen Bereich. Sie bietet die M\u00f6glichkeit, die Auswirkungen k\u00f6rperlicher Aktivit\u00e4t auf die Vitalparameter zu untersuchen und erm\u00f6glicht ein besseres Verst\u00e4ndnis der t\u00e4glichen Aktivit\u00e4tsmuster, die den Gesundheitszustand beeinflussen. Dar\u00fcber hinaus verspricht die Integration von HAR mit im Ohr gemessenen Vitalparametern Aufschluss \u00fcber die wechselseitigen Beziehungen zwischen Krankheiten, Vitalparametern und Aktivit\u00e4tsniveau.
\nK\u00fcnftige Untersuchungen, die sich aus dieser Studie ergeben, k\u00f6nnten sich eingehender mit der Ganganalyse befassen. Dieser erweiterte Fokus k\u00f6nnte verschiedene klinische Anwendungen erleichtern, wie z. B. die Fr\u00fchdiagnose bestimmter Erkrankungen (noch vor dem Auftreten sichtbarer Symptome), die Verfolgung des Krankheitsverlaufs, die \u00dcberwachung von Interventionen mithilfe digitaler Biomarker und die Risikostratifizierung (insbesondere f\u00fcr die Bewertung des Sturzrisikos). Solche Entwicklungen ebnen den Weg f\u00fcr wertvolle Gesundheitsma\u00dfnahmen in der Zukunft.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Link zur Studie<\/h3><\/div>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<\/em> 2024<\/b>, 24<\/em>, 2665. https:\/\/doi.org\/10.3390\/s24092665<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>\n
Das Ohr bietet im Gegensatz zu den unteren Extremit\u00e4ten oder dem Rumpf – beides Orte, die bei anderen Ans\u00e4tzen h\u00e4ufig verwendet werden – mehrere Vorteile f\u00fcr die Anbringung eines HAR-Ger\u00e4ts. Der Kopf bleibt w\u00e4hrend verschiedener Bewegungen sehr stabil, was eine zuverl\u00e4ssige und rauscharme Erkennung und Unterscheidung verschiedener k\u00f6rperlicher Aktivit\u00e4ten erm\u00f6glicht. Das Ziel dieser Studie war es, das Potenzial des c-med\u00b0 alpha<\/a> zur Klassifizierung verschiedener menschlicher Aktivit\u00e4ten zu untersuchen. Bei f\u00fcnfzig gesunden Personen im Alter von 20 bis 59 Jahren<\/span>1<\/sup><\/a><\/span> wurden t\u00e4gliche Aktivit\u00e4ten wie Liegen, Sitzen, Stehen, Gehen, Laufen und Treppensteigen in einer freilebenden Umgebung aufgezeichnet und beschriftet, w\u00e4hrend sie den c-med\u00b0 alpha trugen. c-med\u00b0 alpha, ein medizinisches Messger\u00e4t der Klasse IIa, das kontinuierlich Datenstr\u00f6me von drei wichtigen Vitalparametern erzeugt: <\/em>K\u00f6rperkerntemperatur, <\/em>Pulsfrequenz, <\/em>Sauerstoffs\u00e4ttigung (SpO2).<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div> F\u00fcr das flache Lernen wurden die vom Sensor erfassten dreidimensionalen Bewegungszeitreihen (accx, accy, accz) mit Hilfe der Schiebefenstertechnik segmentiert, wobei verschiedene Gr\u00f6\u00dfen von nicht \u00fcberlappenden Fenstern (d.h.: 0,5, 1, 2 s) verwendet wurden, um eine optimale Konfiguration zu ermitteln. Nach der Segmentierung wurde f\u00fcr jedes Segment eine Reihe von Merkmalen im Zeit- und Frequenzbereich berechnet, die f\u00fcr die Zeitreihenanalyse physiologischer Signale festgelegt wurden. Dar\u00fcber hinaus wurden die Korrelationskoeffizienten nach Pearson und Kendall f\u00fcr jede Kombination zwischen den Bewegungsachsen berechnet, so dass sich insgesamt 64 Merkmale ergaben. Die Verwendung dieser Merkmale in einer 2D-UMAP-Darstellung ergab f\u00fcr die meisten Aktivit\u00e4ten gut erkennbare Cluster (siehe Abbildung 1).<\/p>\n<\/div> Abbildung 1: Nat\u00fcrliches Clustering verschiedener Aktivit\u00e4ten anhand von 64 statistischen Merkmalen. Zur Vorbewertung wurden acht Standardmodelle f\u00fcr maschinelles Lernen trainiert. Die Modelle des maschinellen Lernens erreichten im besten Fall eine durchschnittliche Klassifizierungsgenauigkeit von 95 %. Es war m\u00f6glich, die Aktivit\u00e4ten Liegen, Sitzen\/Stehen und Laufen fast perfekt zu identifizieren und zu unterscheiden. Einige Schwierigkeiten in der Unterscheidung gab es jedoch zwischen den Aktivit\u00e4ten Gehen, Treppensteigen und Treppenabsteigen. Abbildung 2: Konfusionsmatrix des leistungsst\u00e4rksten Deep-Learning-Modells (DeepConvLSTM, 2s win). Diese Studie hat gezeigt, dass der c-med\u00b0 alpha f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten und die Langzeit\u00fcberwachung von Patient:innen gut geeignet sein k\u00f6nnte, wenn gewisse Deep-Learning-Algorithmen angewendet und m\u00f6glicherweise in zuk\u00fcnftige Software-Iterationen integriert werden. Ein Beispiel daf\u00fcr, wie dies in Zukunft aussehen k\u00f6nnte, ist in Abbildung 3 dargestellt.<\/p>\n<\/div> Abbildung 3: Beispiel f\u00fcr die kombinierte \u00dcberwachung von HAR und Vitalparametern bei verschiedenen Aktivit\u00e4ten. Wie eingangs erw\u00e4hnt, birgt die HAR-Technologie ein erhebliches Potenzial im klinischen und pflegerischen Bereich. Sie bietet die M\u00f6glichkeit, die Auswirkungen k\u00f6rperlicher Aktivit\u00e4t auf die Vitalparameter zu untersuchen und erm\u00f6glicht ein besseres Verst\u00e4ndnis der t\u00e4glichen Aktivit\u00e4tsmuster, die den Gesundheitszustand beeinflussen. Dar\u00fcber hinaus verspricht die Integration von HAR mit im Ohr gemessenen Vitalparametern Aufschluss \u00fcber die wechselseitigen Beziehungen zwischen Krankheiten, Vitalparametern und Aktivit\u00e4tsniveau. 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<\/em> 2024<\/b>, 24<\/em>, 2665. https:\/\/doi.org\/10.3390\/s24092665<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>\n
\nDar\u00fcber hinaus stellt das Ohr einen idealen Messort f\u00fcr Vitalparameter und somit die Beurteilung des k\u00f6rperlichen und gesundheitlichen Zustands einer Person dar: Optische Im-Ohr Sensoren k\u00f6nnen Vitalparameter wie Herzfrequenz<\/a>, K\u00f6rpertemperatur<\/a> und Sauerstoffs\u00e4ttigung<\/a> im Geh\u00f6rgang zuverl\u00e4ssig erfassen. Daher scheint das Ohr vielversprechend f\u00fcr das Tragen eines integrativen Sensorger\u00e4ts zu sein, das eine umfassende kontinuierliche \u00dcberwachung der Aktivit\u00e4t und des Gesundheitszustands einer Person im t\u00e4glichen Leben erm\u00f6glicht. Die Kombination von Vitaldaten\u00fcberwachung und HAR erm\u00f6glicht die Beobachtung der Zusammenh\u00e4nge zwischen Vitaldaten\u00e4nderungen und -schwankungen sowie dem Verhalten einer Person. Dies bietet die M\u00f6glichkeit, Vitalparameter mit der k\u00f6rperlichen Aktivit\u00e4t in Zusammenhang zu bringen und individuelle Ausgangswerte festzulegen, um Abweichungen zu identifizieren. Es erm\u00f6glicht auch die Erkennung von Verhaltensmustern und Gewohnheiten, die sich auf die Gesundheit auswirken k\u00f6nnen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Studienaufbau: Teilnehmer und Methoden<\/h2><\/div>
\nF\u00fcr die Klassifizierung dieser Aktivit\u00e4ten fand zun\u00e4chst 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 f\u00fcr HAR entwickelt wurden.<\/p>\n<\/div><\/span><\/div>Ergebnisse: Aktivit\u00e4ts-Cluster und Klassifizierung<\/h2><\/div>
<\/span><\/div>
\n<\/em><\/p>\n<\/div>
\nEs wurden zwei Deep-Learning-Modelle getestet, die speziell f\u00fcr die Erkennung menschlicher Aktivit\u00e4ten anhand von Signalen von tragbaren Ger\u00e4ten entwickelt wurden. Das leistungsst\u00e4rkste 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 Fenstergr\u00f6\u00dfe von 2 Sekunden. Dieser Klassifikator erbrachte eine sehr hohe Leistung und war in der Lage, Aktivit\u00e4ten mit einer durchschnittlichen Genauigkeit von 98 % zu identifizieren (siehe Abbildung 2).<\/p>\n<\/div><\/span><\/div>
\n<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/div>Zusammenfassung & Ausblick: Praktische Anwendung der \u00dcberwachung von Vitalparametern in Verbindung mit HAR<\/h2><\/div>
<\/span><\/div>
\n<\/em><\/p>\n<\/div>
\nK\u00fcnftige Untersuchungen, die sich aus dieser Studie ergeben, k\u00f6nnten sich eingehender mit der Ganganalyse befassen. Dieser erweiterte Fokus k\u00f6nnte verschiedene klinische Anwendungen erleichtern, wie z. B. die Fr\u00fchdiagnose bestimmter Erkrankungen (noch vor dem Auftreten sichtbarer Symptome), die Verfolgung des Krankheitsverlaufs, die \u00dcberwachung von Interventionen mithilfe digitaler Biomarker und die Risikostratifizierung (insbesondere f\u00fcr die Bewertung des Sturzrisikos). Solche Entwicklungen ebnen den Weg f\u00fcr wertvolle Gesundheitsma\u00dfnahmen in der Zukunft.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Link zur Studie<\/h3><\/div>