[論文レビュー] MedSensor: Medication Adherence Monitoring Using Neural Networks on Smartwatch Accelerometer Sensor Data

Chrisogonas O. Odhiambo, Pamela J. Wright+2 more|arXiv (Cornell University)|May 19, 2021

Medication Adherence and Compliance参考文献 27被引用数 5

ひとこと要約

MedSensorは、加速度計データと深層ニューラルネットワークを用いたスマートウォッチベースのシステムを提案する。薬を飲む動作を、プロトコルに従った動きでは97%、自然な動作では95%の正確さで検出可能であり、最小限のユーザー操作で非侵襲的かつリアルタイムの服薬遵守状況の監視を可能にする。

ABSTRACT

Poor medication adherence presents serious economic and health problems including compromised treatment effectiveness, medical complications, and loss of billions of dollars in wasted medicine or procedures. Though various interventions have been proposed to address this problem, there is an urgent need to leverage light, smart, and minimally obtrusive technology such as smartwatches to develop user tools to improve medication use and adherence. In this study, we conducted several experiments on medication-taking activities, developed a smartwatch android application to collect the accelerometer hand gesture data from the smartwatch, and conveyed the data collected to a central cloud database. We developed neural networks, then trained the networks on the sensor data to recognize medication and non-medication gestures. With the proposed machine learning algorithm approach, this study was able to achieve average accuracy scores of 97% on the protocol-guided gesture data, and 95% on natural gesture data.

研究の動機と目的

• 服薬遵守の低さという、公共の健康上の大きな課題に対処するため、ウェアラブルセンサーを用いた最小限の干渉を伴う技術的ソリューションを開発すること。
• スマートウォッチを着用しながら薬を飲む動作とその他の手の動きの両方において、加速度計データを収集・分析すること。
• 収集したデータをもとにニューラルネットワークを訓練・評価し、薬を飲む動作とその他の動作を区別すること。
• 実世界の状況下で、プロトコルに従った動作と自然に発生する動作の両方に対して、システムの性能を評価すること。
• 市販のスマートウォッチを用いた、正確でスケーラブルな服薬遵守状況監視の実現可能性を示すこと。

提案手法

• スマートウォッチの原始的な加速度計データを収集するためのAndroidアプリケーションを開発した。
• 被験者がスマートウォッチを着用した状態で、プロトコルに従った動作と自然に発生する動作の両方を実行した際のデータを収集した。
• 加速度計データを固定長のウィンドウに分割し、時間領域および周波数領域の特徴量を抽出するための特徴工学的手法を適用して前処理を行った。
• 分類されたデータを用いて、薬を飲む動作かそうでないかを識別する複数のニューラルネットワークアーキテクチャを訓練した。
• クラウドベースのデータベースを活用して、モデルの訓練および評価に使用するための収集済みセンサデータの保存および管理を実施した。
• 標準的な指標（精度を含む）を用いて、制御された状況と実世界の動作セットの両方でモデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 スマートウォッチの加速度計データは、薬を飲む動作と他の手の動きを信頼性高く区別できるか？
• RQ2 プロトコルに従った動作と自然に発生する動作の間で、モデルの正確さはどのように変化するか？
• RQ3 センサデータを用いて訓練されたニューラルネットワークが、薬を飲む行動を高精度に分類できるまでの程度はどの程度か？
• RQ4 最小限の干渉を伴うウェアラブルベースのシステムは、リアルタイムの服薬遵守状況監視に効果的に展開可能か？
• RQ5 制御された繰り返し動作と実世界の即興的な動作の両方に対して、システムの性能はどの程度か？

主な発見

• プロトコルに従った動きにおける薬を飲む動作の分類において、平均97%の正確さを達成した。
• 自然に発生する即興的な動作においても、95%という高い正確さを維持した。
• ニューラルネットワークモデルは多様な動作パターンにわたって優れた一般化性能を示し、現実世界のばらつきに対しても強靭であることが示された。
• スマートウォッチの加速度計データの活用により、追加のハードウェアやユーザー入力が不要な非侵襲的かつ継続的な監視が可能になった。
• 市販のスマートウォッチが、スケーラブルな服薬遵守状況監視のための効果的なプラットフォームとして機能できることを示唆している。
• 本研究は、ウェアラブルセンサデータを用いた機械学習が、臨床的服薬遵守支援介入を支援する上で実現可能であることを示している。