[논문 리뷰] MedSensor: Medication Adherence Monitoring Using Neural Networks on Smartwatch Accelerometer Sensor Data

Chrisogonas O. Odhiambo, Pamela J. Wright외 2명|arXiv (Cornell University)|2021. 05. 19.

Medication Adherence and Compliance참고 문헌 27인용 수 5

한 줄 요약

MedSensor는 스마트워치 기반의 시스템을 제안하며, 가속도계 데이터와 딥 뉴럴 네트워크를 활용해 약물 복용 동작을 식별한다. 제원 지침에 따라 수행된 동작에서는 97%의 정확도를 달성했고, 자연스러운 동작에서는 95%의 정확도를 기록하여 최소한의 사용자 상호작용으로 비침습적이고 실시간 약물 복용 준수 모니터링을 가능하게 한다.

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.

연구 동기 및 목표

• 약물 복용 준수 문제, 즉 주요 공중보건 과제를 해결하기 위해, 웨어러블 센서를 활용한 최소한의 간섭이 수반되는 기술 기반 솔루션을 개발한다.
• 약물 복용 및 비약물 복용 수동 동작 동안 스마트워치에서 수집한 가속도계 데이터를 수집하고 분석한다.
• 이 데이터를 바탕으로 신경망을 훈련하고 평가하여 약물 복용 동작와 비약물 복용 동작를 구분한다.
• 실제 환경 조건에서 제원 지침에 따라 수행된 동작과 자연스러운 동작 모두에서 시스템 성능을 평가한다.
• 일반 소매 스마트워치를 활용한 정확하고 확장 가능한 약물 복용 준수 모니터링의 가능성을 입증한다.

제안 방법

• 스마트워치에서 약물 복용 및 제어 동작 동안 원시 가속도계 데이터를 수집하기 위한 안드로이드 애플리케이션을 개발했다.
• 스마트워치 착용 중 제원 지침에 따른 동작과 자연스러운 동작을 수행한 참가자들로부터 데이터를 수집했다.
• 고정 길이 윈도우로 데이터를 분할하고 시간 도메인 및 주파수 도메인 특징을 추출하기 위해 특징 공학을 적용하여 가속도계 데이터를 전처리했다.
• 분할된 데이터를 바탕으로 다양한 신경망 아키텍처를 훈련시켜 동작을 약물 복용 또는 비약물 복용으로 분류하도록 했다.
• 모델 훈련 및 평가를 위해 수집된 센서 데이터를 저장하고 관리하기 위해 클라우드 기반 데이터베이스를 사용했다.
• 정확도와 같은 표준 지표를 사용하여 제어된 동작 세트와 실제 환경 동작 세트에서의 모델 성능을 평가했다.

실험 결과

연구 질문

• RQ1 스마트워치 가속도계 데이터는 다른 수동 동작과 구분하여 약물 복용 동작을 신뢰성 있게 식별할 수 있는가?
• RQ2 제원 지침에 따른 동작과 자연스러운 동작 간 모델 정확도는 어떻게 달라지는가?
• RQ3 센서 데이터를 기반으로 훈련된 신경망이 얼마나 높은 정확도로 약물 복용 행동을 분류할 수 있는가?
• RQ4 최소한의 간섭이 수반되는 웨어러블 기반 시스템이 실시간 약물 복용 준수 모니터링에 효과적으로 구현될 수 있는가?
• RQ5 통제된 반복 동작과 실제 환경에서의 즉흥적인 동작에 대해 시스템의 성능은 어떻게 나타나는가?

주요 결과

• 제원 지침에 따라 수행된 동작에서 시스템은 평균 97%의 정확도로 약물 복용 동작을 분류했다.
• 자연스럽고 즉흥적인 동작에서는 모델이 여전히 95%의 높은 정확도를 유지했다.
• 신경망 모델은 다양한 동작 패턴에 대해 강력한 일반화 능력을 보이며 실제 환경의 변동성에 대비한 견고성을 나타냈다.
• 스마트워치 가속도계 데이터의 사용은 추가 하드웨어나 사용자 입력 없이도 비침습적이고 지속적인 모니터링을 가능하게 했다.
• 결과적으로 일반 소매 스마트워치가 확장 가능한 약물 복용 준수 모니터링 플랫폼으로 효과적으로 활용될 수 있음을 시사한다.
• 본 연구는 기계 학습을 활용해 웨어러블 센서 데이터를 분석함으로써 임상적 준수 개선 조치를 뒷받침할 수 있음을 입증한다.