Одной из целей носимых медицинских технологий является определение и отслеживание физической активности пользователя. Однако достижение этой цели требует компромисса между точностью и мощностью, необходимой для анализа и хранения данных, что является проблемой, учитывая ограниченную мощность, доступную для носимых устройств.
«Отслеживание физической активности важно, потому что это ключевой компонент для размещения других данных о здоровье в контексте», — говорит Эдгар Лобатон, доцент кафедры электротехники и вычислительной техники в NC State и старший автор статьи о новой работе. «Например, скачок пульса — это нормально при тренировке, но может быть индикатором проблем со здоровьем в других обстоятельствах».Разработка технологии мониторинга физической активности предполагает решение двух задач.
Во-первых, программе необходимо знать, сколько данных нужно обработать при оценке активности. Например, просмотр всех данных, собранных за 10-секундный интервал, или тау, требует вдвое большей вычислительной мощности, чем оценка всех данных за пятисекундный тау.Вторая проблема — как хранить эту информацию. Одно из решений — объединить похожие профили активности под одним заголовком.
Например, некоторые сигнатуры данных могут быть сгруппированы вместе как «бег», а другие — как «ходьба». Задача здесь состоит в том, чтобы найти формулу, которая позволяет программе определять значимые профили (например, бег, ходьба или сидение): если формула слишком общая, профили настолько широки, что не имеют смысла; а если формула слишком конкретна, вы получите так много профилей активности, что будет сложно сохранить все соответствующие данные.Чтобы изучить эти проблемы, исследовательская группа попросила аспирантов прийти в лабораторию захвата движения и выполнить пять различных действий: гольф, езда на велосипеде, ходьба, размахивание руками и сидение.Затем исследователи оценили полученные данные с использованием тау, равных нулю секунд (то есть одной точке данных), двум секундам, четырем секундам и так далее, вплоть до 40 секунд.
Затем исследователи экспериментировали с различными параметрами для классификации данных об активности по конкретным профилям.«Основываясь на этом конкретном наборе экспериментальных данных, мы обнаружили, что можем точно идентифицировать пять соответствующих действий, используя тау в шесть секунд», — говорит Лобатон. "Это означает, что мы можем эффективно идентифицировать действия и хранить соответствующие данные.
«Это экспериментальное исследование, и мы находимся в процессе определения того, насколько хорошо этот подход будет работать, используя больше реальных данных», — говорит Лобатон. «Однако мы надеемся, что такой подход даст нам наилучшую возможность отслеживать и записывать данные о физической активности на практике, что дает значимую информацию пользователям носимых устройств для мониторинга здоровья».Документ «Анализ иерархической кластеризации активности для восстановления надежной графической структуры» будет представлен на Глобальной конференции IEEE по обработке сигналов и информации 2016 года, которая состоится 7-9 декабря в Вашингтоне, округ Колумбия. Ведущий автор статьи — Намита Локаре. доктор философии студент NC State.
Соавторы — Даниэль Бенавидес и Сахил Джунджа из штата Северная Каролина.Исследование было выполнено при поддержке Исследовательского центра наносистемной инженерии Национального научного фонда для усовершенствованных автономных систем интегрированных датчиков и технологий (ASSIST) в рамках гранта EEC-1160483.
Целью центра ASSIST, базирующегося в NC State, является создание носимых технологий, которые работают за счет движения или тепла тела пользователя и могут использоваться для долгосрочного мониторинга здоровья.