Il ruolo dell'apprendimento automatico nell'analisi dei dati indossabile

La tecnologia indossabile, inclusi i tracker di fitness, gli smartwatch e le patch mediche, è diventata una base nel monitoraggio della salute personale. Questi dispositivi raccolgono continuamente flussi di dati fisiologici e di attività: frequenza cardiaca, step conte, fasi del sonno, temperatura della pelle e persino attività elettrodermica.

Comprendere l'apprendimento della macchina nel contesto indossabile

L’apprendimento automatico, un sottoinsieme di intelligenza artificiale, comporta algoritmi di formazione sui dati in modo da poter fare previsioni o decisioni senza essere programmato esplicitamente per ogni scenario.

Tipi di algoritmi di apprendimento automatico per dati indossabili

Apprendimento supervisionato

L’apprendimento supervisionato richiede dati etichettati, dove ogni segmento dei sensori è contrassegnato con la verità di terra (ad esempio, “camminare”, “sbattere”, “sentire irregolare”).

  • Random Forests[[] – Ensemble di alberi di decisione che gestiscono bene i dati del sensore ad alta dimensione e forniscono punteggi di importanza caratteristica.
  • Support Vector Machines (SVM)[[] – Efficace per la classificazione dei tipi di attività, soprattutto quando il numero di caratteristiche è grande rispetto ai campioni.
  • Reti neurali convoluzionali (CNNs)[] – Modelli di apprendimento profondi che imparano automaticamente le caratteristiche spaziali e temporali dai segnali dei sensori grezzi; comunemente utilizzati nell'analisi della frequenza cardiaca e nel rilevamento dei passaggi.
  • Recurrent Neural Networks (RNNs) / LSTMs[] – Progettato per i dati sequenziali; ideale per modellare modelli di serie temporali in funzione, fasi di sonno o forme d'onda ECG.

Ad esempio, una CNN addestrata su dati accelerometro a tre assi può classificare attività quotidiane con oltre il 95% di precisione su set di dati pubblici come [] Riconoscimento di attività umana UCI[]]. I modelli supervisionati sono i cavalletti di lavoro delle più attuali caratteristiche di salute indossabili.

Imparare senza supervisione

Quando i dati etichettati sono scarse o costose da raccogliere, l'apprendimento non supervisionato trova strutture nascoste. Gli algoritmi di calcolo] (k‐means, DBSCAN, clustering gerarchico) possono raggruppare gli utenti con schemi di attività o segmenti di sonno simili. Riduzione della dimensione (NE-CA, i dati di auto

Il lavoro recente ha applicato il raggruppamento di dati indossabili per identificare traiettorie di salute condivise, ad esempio raggruppando individui con disturbi del ritmo circadiano simili (vedere questo studio 2021).

Apprendimento di rinforzo

L'apprendimento delle forze di forza (RL) addestra un agente a prendere sequenze di decisioni interagendo con un ambiente e ricevendo ricompense.

  • Adaptive coaching[[] – Un allenatore di salute virtuale che impara quando consegnare messaggi motivazionali per un'adesione ottimale.
  • Sistemi a loop chiuso[[[] – Regolazione in tempo reale dell'intensità delle vibrazioni o tempistiche di promemoria basate sulla reattività dell'utente.
  • Gestione energetica[[[] – Il dispositivo impara quando ridurre il campionamento dei sensori per conservare la batteria mantenendo la qualità dei dati.

Sebbene RL sia meno comune nei consumatori indossabili oggi, i prototipi di ricerca hanno dimostrato il suo potenziale nella personalizzazione del feedback senza una programmazione basata su regole esplicite.

Approcci di apprendimento profondo e dell'insieme

Oltre ai classici algoritmi poco profondi, l’apprendimento profondo è diventato una tecnica dominante per i dati indossabili. I meccanismi di attenzione] e Le architetture di trasformer stanno adattando alla serie di tempo dei sensori, permettendo ai modelli di concentrarsi sulle finestre temporali rilevanti (ad esempio, concentrandosi sui picchi di frequenza cardiaca durante l’esercizio).

Preelaborazione dei dati e ingegneria delle caratteristiche per i dispositivi indossabili

I dati del sensore grezzo sono notoriamente disordinati. Le letture dell'accelerometro contengono la deriva gravitazionale; i monitor della frequenza cardiaca sono suscettibili di movimento degli artefatti; i segnali di conduttanza della pelle includono punte indotte dal sudore. I modelli ML efficaci dipendono dalle caratteristiche pulite e ben ingegnerizzate.

  • Filtering[] – I filtri a basso passaggio eliminano il rumore ad alta frequenza; i filtri ad alto passaggio isolano l'accelerazione del corpo dalla gravità.
  • Windowing[[] – I flussi dei sensori sono segmentati in finestre sovrapposte (ad esempio, 2-10 secondi) per catturare il contesto temporale.
  • Normalization[[] – Le caratteristiche di scalabilità a zero media e la varianza di unità impediscono ai modelli di essere polarizzati dalle differenze di gamma dei sensori.
  • I dati mancanti[[] – Le tecniche di interpolazione o di imputazione riempiono le lacune dai pacchetti Bluetooth o dalle disconnessioni dei sensori.

L'ingegneria delle caratteristiche combina spesso caratteristiche doministiche temporali (media, deviazione standard, correlazione tra gli assi), caratteristiche doministiche (dimensioni FFFT, energia spettrale), e caratteristiche specifiche del dominio (intervallo RRR da PPG, velocità di crossing zero da accelerometers).

Applicazioni e studi di casi reali

Riconoscimento delle attività

I consumatori indossabili come Apple Watch e Fitbit usano ML per classificare camminando, correndo, pedalando, nuotando e scalando le scale. Gli algoritmi si basano su flussi di accelerometro e giroscopio, spesso in esecuzione su unità di elaborazione neurale dedicate (NPU) per mantenere la latenza bassa e scaricabile dalla batteria.

Tasso di Cuore e Monitoraggio Cardiac

I sensori fotopletismografia (PPG) in smartwatch misurano i cambiamenti del volume del sangue, ma il movimento e la luce ambientale presentano il rumore. I modelli ML, in particolare CNN e LSTM, sono artefatti del filtro e stimano la frequenza cardiaca in modo affidabile.

Classificazione della fase di sonno

Oggi, i indossabili usano l'accelerometria e la variabilità del cuore (HRV) per stimare il sonno sveglio, leggero, profondo e REM. I modelli ML sono formati su dati di polisomnografia-labeled e raggiungono circa l'80-85% di accordo con il punteggio manuale.

Monitoraggio della salute mentale e dello stress

I classificatori ML (ad esempio, aumento del gradiente, autoencoders) possono rilevare gli eventi di stress acuti con circa l'85% di precisione. Alcuni sistemi vanno oltre, predire fluttuazioni dell'umore nel disturbo bipolare combinando i dati indossabili con i report di autoprogettazione, come si vede nel [[AARC:0]MON]F

Vantaggi dell'integrazione dell'apprendimento della macchina in oggetti indossabili

L'articolo originale elencava tre vantaggi; espandiamo ciascuno con prove concrete:

  • Accuratezza avanzata[[] – ML riduce i falsi positivi e i falsi negativi. Ad esempio, un contapassi basato sulla soglia tradizionale potrebbe scompensare le vibrazioni degli autobus come passi; un modello forestale casuale che incorpora il contesto temporale e le caratteristiche di gravità taglia tali errori di oltre il 40%.
  • Personalizzazione – Modelli specifici per l'utente si adattano alla fisiologia unica. Un calcolatore generico della zona del battito cardiaco può essere spento di 15 bpm per un individuo, ma una CNN con le caratteristiche di trasferimento che si adattano alle caratteristiche di riposo dell'utente, HR e HRV produce zone di formazione personalizzate con un errore di <5 bpm.
  • Early Detection[[] – ML può individuare deviazioni sottili molto prima che diventino clinicamente evidenti. Un modello formato su dati HR continui da smartwatches è stato dimostrato di prevedere la diagnosi futura di ipertensione fino a sei mesi di anticipo, sulla base di cambiamenti graduali nelle risorse umane e nei tassi di recupero durante la notte.
  • Efficienza della batteria[[[] – Il dispositivo ML on-device può decidere quando svegliare i sensori. Invece di campionare l'accelerometro a 100 Hz in modo continuo, un classificatore a bassa potenza può funzionare a 1 Hz, e solo il campionamento a tasso pieno è abilitato quando viene rilevata l'instabilità del gait, risparmiando fino al 60% della batteria.
  • Scalability[] – I modelli con tecnologia cloud-trained possono essere utilizzati istantaneamente a milioni di dispositivi, consentendo ai produttori di implementare nuove funzionalità di salute tramite aggiornamenti software, come si vede con la funzionalità di fibrillazione atriale di Apple Watch pubblicata nel 2022.

Sfide e limitazioni

Nonostante la promessa, diversi ostacoli rimangono prima che i wearables ML-enhanced diventino standard nell'uso clinico e quotidiano:

  • Data Privacy e Sicurezza[[] – I dati sanitari sono altamente sensibili. I regolamenti come GDPR e HIPAA impongono regole severe sullo storage, la condivisione e l'elaborazione. Il trattamento on-device e l'apprendimento federato mitigano alcuni rischi, ma la superficie di attacco (app telefoniche, server cloud, data broker) è ancora grande.
  • Constraint computazionali[[] – I dispositivi indossabili hanno potenza, memoria e batteria limitata del processore. L'esecuzione di una rete neurale profonda può continuamente scaricare una batteria in ore. Le tecniche di compressione del modello (quantization, potuning, distillazione della conoscenza) sono essenziali, ma possono degradare l'accuratezza.
  • Data Quality and Labeling[[ – L'apprendimento supervisionato richiede grandi quantità di dati etichettati. Raccogliere etichette di base per condizioni di vita libera (ad esempio, "utente ha mangiato un pasto" o "esperto un attacco di panico") è estremamente difficile.
  • Bias e Generalizability[[[] – I modelli formati su popolazioni prevalentemente giovani, sane e bianche si esibiscono in modo negativo su gruppi diversi. Il tono della pelle influisce sulla qualità del segnale PPG; l'indice di massa corporea influenza il posizionamento dell'accelerometro.
  • Interpretabilità[[ – I modelli di apprendimento profondo sono spesso “scatole nere”. Un clinico può esitare ad agire su una previsione (ad esempio, “fall risk high”) senza comprendere i fattori che contribuiscono.
  • Gli ostacoli regolamentari[[ – L'accuratezza di livello medico richiede l'autorizzazione della FDA o la marcatura CE, che richiede una validazione clinica rigorosa. Molte aziende preferiscono commercializzare i loro dispositivi come "benessere" piuttosto che "medico" per evitare la sovraccarico di regolazione.

Le direzioni future

Allenamento di bordo AI e On-Device

I progressi in chip AI a bassa potenza (ad esempio, il motore neurale di Apple, le unità di elaborazione di Tensore di Google per dispositivi mobili) consentono di eseguire modelli complessi interamente sul dispositivo. La prossima frontiera è la regolazione fine-dispositiva di dispositivi, consentendo al dispositivo di ogni utente di continuare a imparare dai propri dati senza inviarlo al cloud.

Fusione multimodale

Combinando segnali da sensori multipli (accelerometro, giroscopio, PPG, temperatura, microfono, anche telecamera) creerà un quadro più ricco di stato dell'utente. Modelli ML che fondendo queste modalità possono migliorare la diagnosi di condizioni come l'apnea del sonno (combinando la saturazione di ossigeno con movimento) o lo stress (combinando HRV con tono vocale dal microfono del telefono).

Integrazione con i sistemi sanitari

I modelli ML potrebbero riassumere automaticamente l’attività del paziente e dormire nel mese scorso, la bandiera sulle tendenze e avvisare il team di assistenza. I programmi pilota sono già in corso nella gestione del cardiologia e del diabete.

Imparare autonomamente

Per ridurre la dipendenza dai dati etichettati, i modelli pre-trains (SSL) di apprendimento self-supervised (SSL) sui dati dei sensori non etichettati pre-considerando segmenti mancanti o attività contrastanti. I risultati iniziali mostrano che SSL può imparare le rappresentazioni che trasferiscono bene alle attività a valle come il rilevamento di caduta e la classificazione delle attività, che richiedono solo un piccolo set etichettato per la regolazione fine.

Conclusioni

Gli algoritmi di apprendimento automatico si sono spostati dai prototipi sperimentali al centro della moderna tecnologia indossabile, consentendo una classificazione accurata delle attività, un rilevamento in tempo reale delle anomalie e un coaching personalizzato, tutti i dati del sensore che gli utenti già generano. Tuttavia, raggiungere gli algoritmi di gestione della salute affidabili, equi e privati ML-enhanced richiede una continua ricerca nella compressione del modello, nell'apprendimento federato e nella mitigazione dei bias.