[논문 리뷰] Measuring Physical Activity of Older Adults via Smartwatch and Stigmergic Receptive Fields

Antonio Luca Alfeo, Mario G. C. A. Cimino외 1명|arXiv (Cornell University)|2019. 01. 02.

Time Series Analysis and Forecasting참고 문헌 10인용 수 4

한 줄 요약

이 논문은 노인 환자에서 심박수, 손목 운동 및 보행수계 데이터를 분석하여 지속적인 신체 활동 수준(PAL)을 모니터링하기 위해 스마트워치 기반 시스템을 제안한다. 이 방법은 스티그머지 스타일의 수용체 영역(SRFs)을 사용하며, 미세 행동을 탐지하고 일일 PAL을 유도하기 위해 미분 진화를 통해 최적화된 적응형 SRFs를 활용한다. 이는 건강 이상 징후를 조기에 탐지할 수 있도록 하며, 3명의 참가자 대상 개념 증명 검증을 통해 입증되었다.

ABSTRACT

Physical activity level (PAL) in older adults can enhance healthy aging, improve functional capacity, and prevent diseases. It is known that human annotations of PAL can be affected by subjectivity and inaccuracy. Recently developed smart devices can allow a non-invasive, analytic, and continuous gathering of physiological signals. We present an innovative computational system fed by signals of heartbeat rate, wrist motion and pedometer sensed by a smartwatch. More specifically, samples of each signal are aggregated by functional structures called trails. The trailing process is inspired by stigmergy, an insects' coordination mechanism, and is managed by computational units called stigmergic receptive fields (SRFs). SRFs, which compute the similarity between trails, are arranged in a stigmergic perceptron to detect a collection of micro-behaviours of the raw signal, called archetypes. A SRF is adaptive to subjects: its structural parameters are tuned by a differential evolution algorithm. SRFs are used in a multilayer architecture, providing further levels of processing to realize macro analyses in the application domain. As a result, the architecture provides a daily PAL, useful to detect behavioural shift indicating initial signs of disease or deviations in performance. As a proof of concept, the approach has been experimented on three subjects.

연구 동기 및 목표

• 노인 환자에서 건강한 노화와 질병 예방을 지원하기 위해 비침습적이고 지속적인 신체 활동 수준(PAL) 측정 방법을 개발하기 위해.
• 보행수계 데이터를 활용한 웨어러블 센서 신호를 통해 인간의 주관적 평가에 기반한 PAL 평가의 주관성과 부정확성을 극복하기 위해.
• 원시 생리적 신호에서 미세 행동을 탐지할 수 있는 계산 기반 아키텍처를 설계하기 위해.
• 개별 사용자에 맞게 조정되는 적응형 스티그머지 영향을 받는 처리 단위(SRFs)를 구현하여 개인화된 PAL 추정을 가능하게 하기 위해.
• 실제 환자 데이터를 기반으로 3명의 참가자로부터 수집된 실생활 데이터를 활용하여 행동 변화를 탐지할 수 있는 시스템의 타당성을 검증하기 위해.

제안 방법

• 스마트워치 센서(심박수, 손목 운동, 보행수계)의 원시 신호가 시간적 신호 패턴을 나타내는 기능적 구조인 '트레일'로 집계된다.
• 스티그머지 수용체 영역(SRFs)은 트레일 간 유사도를 계산하여 벌의 협업 방식인 스티그머지를 모방하여 신호 데이터 내에서 반복적인 미세 행동을 탐지한다.
• SRFs는 계층적 처리 및 거시 수준의 행동 분석을 가능하게 하기 위해 다층 스티그머지 퍼셉트론 아키텍처로 구성된다.
• SRF의 구조적 파라미터는 개인 사용자에 맞게 적응적으로 조정되며, 이는 미분 진화 알고리즘을 통해 최적화된다.
• 검출된 상징적 행동들을 집계하여 일일 PAL 점수를 계산함으로써 장기적인 신체 활동 추세 모니터링이 가능하다.
• 시스템은 실제 3명의 노인 참가자로부터 수집된 센서 데이터를 기반으로 훈련 및 테스트되어 행동 변화 탐지 능력을 평가한다.

실험 결과

연구 질문

• RQ1 스티그머지 영향을 받는 계산 모델은 노인 환자에서의 원시 스마트워치 신호에서 미세 행동을 효과적으로 탐지할 수 있는가?
• RQ2 적응형 SRFs는 노인 환자 간 개인적 차이를 고려하여 신체 활동 모니터링을 얼마나 잘 개인화할 수 있는가?
• RQ3 유도된 일일 PAL 점수는 조기 질병 발병 또는 기능 저하의 징후가 될 수 있는 행동 변화를 신뢰성 있게 나타낼 수 있는가?
• RQ4 다층 SRF 아키텍처를 사용하여 원시 센서 데이터를 임상적으로 유의미한 PAL 지표로 변환하는 데의 타당성은 어떠한가?
• RQ5 전통적인 PAL 평가 방법과 비교했을 때, 이 시스템은 객관성과 변화 감지 민감도 측면에서 얼마나 우수한가?

주요 결과

• 스티그머지 영향을 받는 수용체 영역(SRFs)을 사용하여 원시 스마트워치 신호에서 명확한 미세 행동을 성공적으로 탐지하였으며, 이는 스티그머지 영향을 받는 접근 방식의 타당성을 입증하였다.
• 미분 진화를 통해 최적화된 적응형 SRFs는 개인 참가자에게 효과적으로 적응하여 개인화 및 신호 해석 정확도를 향상시켰다.
• 다층 SRF 아키텍처는 계층적 처리를 가능하게 하여 원시 센서 데이터를 의미 있는 일일 PAL 점수로 변환하였다.
• 3명의 참가자에 대한 개념 증명 결과, 시스템은 시간에 따라 행동 변화를 탐지할 수 있었으며, 이는 조기 질병 탐지 잠재력이 있음을 시사하였다.
• 이 방법은 주관적인 인간 평가에 의존하지 않는 지속적이고 비침습적이며 객관적인 PAL 모니터링 방법을 제공한다.
• 심박수, 운동, 보행수계 등의 다중 생리적 신호에서 PAL을 유도할 수 있는 능력 덕분에 시스템의 강건성과 임상적 관련성이 향상되었다.