MACHINE LEARNING Sankt Augustin - mechentel news - Fortschreitendes Alter wird von einem Rückgang physischer Aktivitäten und einer verminderten Befähigung zur Durchführung täglicher Aktivitätsroutinen begleitet, was sowohl die physische wie auch die mentale Gesundheit beeinträchtigt. Senioren und ältere Patienten können durch ein automatisiertes System zur Erkennung menschlicher Aktivitäten (Human Activity Recognition (HAR) System), welches ihre täglichen Bewegungsmuster erfasst und bei veränderten Routinen oder kritischen Ereignissen reagiert, Unterstützung erfahren. Auf diese Weise kann ein HAR-System älteren Menschen ein eigenständigeres Leben ermöglichen. Ein Team des Fraunhofer Instituts für Intelligente Analyse- und Informationssysteme (IAIS) in Sankt Augustin, Deutschland, wendet zu diesem Zweck Machine-Learning basierte HAR-Methoden an, mittels derer menschliche Aktivitätsmuster identifiziert und analysiert werden können. Solch algorithmische Methoden benötigen zum Training der Modelle umfangreiche Datenbanken mit annotierten, strukturierten Datensätzen, welche verschiedenste Aktivitätsroutinen abbilden. Im Vergleich zu anderen Datenerhebungen unterscheidet sich der von den Autoren der Studie gewählte Ansatz zur Aufzeichnung von Daten dadurch, dass sie im Rahmen von realitätsnahen Experimenten gezielt Sensordaten älterer und erkrankter Menschen aufnahmen, die nicht dieselben körperlichen Voraussetzungen wie junge, gesunde Probanden aufwiesen. Um mittels eines parallel dazu entwickelten HAR-Systems diese spezielle Patientengruppe effektiv zu unterstützen, legte das Team den Fokus auf Routinen des Alltags (daily activities), im Besonderen auf hygienische Routinen, Routinen des Essverhaltens und Liegepositionen der Probanden, da diese Aktivitäten klinische Relevanz besitzen. Die Forscher stellen damit eine Methodik vor, wie Daten von älteren und kranken Probanden unter realistischen Bedingungen im Kontext einer Klinik, mit Hilfe von Wearable- und Ambient-Sensoren, aufgezeichnet werden können. Sie beschreiben, wie frühe Tests mit gesunden Probanden in einem Laborsetting durchgeführt wurden und anschließend der Ansatz auf ältere Patienten in einem Kliniksetting übertragen wurde. Darüber hinaus wird die Umsetzung einer so genannten Activity Recognition Chain (ARC) zur Erkennung menschlicher Aktivitätsmuster in Sensordaten, die mit Hilfe von Machine Learning Methoden implementiert wurden, beschrieben. Die Forscher stellen in der Februar-Ausgabe des Fachjournals JOURNAL OF POPULATION AGEING die bisherigen Ergebnisse ihrer Analyseexperimente vor und diskutieren verbleibende Herausforderungen und mögliche Ansätze für weitergehende Forschungen. (sk)

Autoren: Lisa Schrader 1, Agustín Vargas Toro 2, Sebastian Konietzny 3, Stefan Rüping 4, Barbara Schäpers 5, Martina Steinböck 6, Carmen Krewer 7, Friedemann Müller 8, Jörg Güttler & Thomas Bock 9, Korrespondenz: 1, 2, 3, Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS, 53757, Sankt Augustin, Germany , 4 , 5 , 6, 7 Schoen Clinic Bad Aibling, Kolbermoorer Str.72, 83043, Bad Aibling, Germany , 8 Chair of Building Realization and Robotics, Technical University of Munich, 80333, Munich, Germany, Studie: Advanced Sensing and Human Activity Recognition in Early Intervention and Rehabilitation of Elderly People, Quelle: Population Ageing (2020). https://doi.org/10.1007/s12062-020-09260-z ,

Kommentar

Das Horizon 2020 EU-Projekt „REACH“ (Responsive Engagement of the Elderly promoting Activity and Customized Healthcare), unter Fraunhofer IAIS Beteiligung, trägt erfolgreich Früchte. Unsere aufwendigen Experimente zur realitätsnahen Datensammlung und die darauf aufbauende Machine Learning basierte Methodik zur Analyse von Sensordaten für die Aktivitätserkennung (Human Activity Recognition) konnten erfolgreich für ältere Patienten erprobt werden. Es ist für mich schön zu sehen, dass dieses gemeinsame, langjährige Projekt als interdisziplinäre Teamleistung mit vielen Beteiligten zu einem erfolgreichen Ende gebracht werden konnte. Dabei handelte es sich um eine Kooperation zwischen dem Fraunhofer Institut für Intelligente Analyse- und Informationssysteme (IAIS), der TU-München und der Schön Klinik Bad Aibling. Das REACH-Projekt hat sich zum Ziel gesetzt, ein modular aufgebautes Assistenzsystem für ältere und erkrankte Senioren zu entwickeln, welches verschiedenste Aktivitäts-erkennende und -fördernde Technologiekomponenten auf eine Weise integriert, so dass Patienten ein gesünderes und selbst bestimmtes Leben führen können. (sk)

Autor: Dr. rer. nat. Sebastian G. A. Konietzny, Senior Data Scientist, ehemals Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS, 53757, Sankt Augustin, Germany