[论文解读] Measuring Physical Activity of Older Adults via Smartwatch and Stigmergic Receptive Fields

Antonio Luca Alfeo, Mario G. C. A. Cimino+1 more|arXiv (Cornell University)|Jan 2, 2019

Time Series Analysis and Forecasting参考文献 10被引用 4

一句话总结

本文提出一种基于智能手表的系统，利用自适应性趋同感受野（SRFs）持续监测老年人的体力活动水平（PAL），通过分析心率、手腕运动和计步器数据实现。该方法采用受趋同作用启发的轨迹与自适应SRFs——通过差分进化算法优化——以检测微行为并推导出每日PAL，实现对健康异常的早期发现，并通过三名受试者的概念验证得到证实。

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.

研究动机与目标

• 开发一种非侵入性、连续的体力活动水平（PAL）测量方法，用于老年人，以支持健康老龄化和疾病预防。
• 利用可穿戴传感器数据克服人工标注PAL评估中的主观性和不准确性。
• 设计一种计算架构，从原始生理信号中检测微行为，以支持更高级别的行为分析。
• 实现自适应的、受趋同作用启发的处理单元（SRFs），根据个体用户进行调优，实现个性化的PAL估计。
• 通过三名受试者的实际数据验证系统在检测可能提示早期健康衰退的行为变化方面的可行性。

提出的方法

• 将智能手表传感器（心率、手腕运动、计步器）的原始信号聚合为称为“轨迹”的功能结构，以表示时间上的信号模式。
• 趋同感受野（SRFs）计算轨迹之间的相似性，通过模仿昆虫通过趋同作用协调的方式，检测信号数据中的重复微行为。
• 将SRFs组织为多层趋同感知器架构，以实现分层处理和宏观行为分析。
• 利用差分进化算法自适应调优SRFs的结构参数，以个性化匹配个体用户。
• 通过聚合检测到的典型行为，计算每日PAL评分，实现体力活动趋势的纵向监测。
• 在三名老年受试者的实际传感器数据上训练并测试该架构，以评估其检测行为变化的能力。

实验结果

研究问题

• RQ1 基于趋同作用的计算模型能否有效检测老年人原始智能手表信号中的微行为？
• RQ2 自适应SRFs在老年人个体差异背景下，能否有效实现体力活动监测的个性化？
• RQ3 所推导出的每日PAL评分能否可靠地指示可能提示早期疾病发生或功能衰退的行为变化？
• RQ4 使用多层SRF架构将原始传感器数据转化为临床相关的PAL指标是否具有可行性？
• RQ5 与传统PAL评估方法相比，该系统在客观性及对变化的敏感性方面表现如何？

主要发现

• 该系统成功利用趋同感受野（SRFs）从原始智能手表信号中检测出显著的微行为，证明了趋同作用启发方法的可行性。
• 通过差分进化优化的自适应SRFs有效适配至个体受试者，提升了个性化程度和信号解读的准确性。
• 多层SRF架构实现了分层处理，将原始传感器数据转化为有意义的每日PAL评分。
• 对三名受试者的概念验证表明，系统能够随时间检测到行为变化，提示其在早期疾病检测方面的潜力。
• 该方法提供了一种连续、非侵入性且客观的PAL监测方式，减少了对主观人工标注的依赖。
• 系统能够整合心率、运动和计步器等多种生理信号推导PAL，增强了其鲁棒性和临床相关性。