gms | German Medical Science

MAINZ//2011: 56. GMDS-Jahrestagung und 6. DGEpi-Jahrestagung

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

26. - 29.09.2011 in Mainz

Hidden-Markov-Modelle zur Klassifizierung von körperlicher Aktivität basierend auf Akzelerometerdaten

Meeting Abstract

Search Medline for

  • Ronja Foraita - Bremer Institut für Präventionsforschung und Sozialmedizin, Bremen
  • Barbara Brachmann - Bremer Institut für Präventionsforschung und Sozialmedizin, Bremen
  • Iris Pigeot - Bremer Institut für Präventionsforschung und Sozialmedizin, Bremen

Mainz//2011. 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi). Mainz, 26.-29.09.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11gmds073

doi: 10.3205/11gmds073, urn:nbn:de:0183-11gmds0731

Published: September 20, 2011

© 2011 Foraita et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Hintergrund: Zur objektiven Erfassung von körperlicher Aktivität (KA) werden vermehrt tragbare Sensoren (Akzelerometer) eingesetzt, deren Nutzen durch die fehlende Genauigkeit bestehender Analysemethoden beschränkt ist. Eine übliche Methode zur Auswertung von Akzelerometerdaten ist die Schwellenwertmethode (SWM), die basierend auf der Stärke eines Akzelerometerimpulses diesem einen von vier Aktivitätsbereichen (sedentary, light, moderate, vigorous) zuordnet. Kalibrierte Aktivitätsbereiche lassen sich mit dem Energieverbrauch in Beziehung setzen und umgekehrt ermöglicht die Einteilung der Akzelerometerimpulse in Aktivitätsbereiche die Vorhersage des Energieverbrauchs. Im Gegensatz zur SWM betrachten Hidden-Markov-Modelle (HMM) die Impulse nicht separat, sondern als Bestandteil eines stochastischen Prozesses und führen so zur genaueren Einteilung der Impulse in Aktivitätsbereich. Dabei können unterschiedliche Aktivitäten in einen Aktivitätsbereich fallen.

Pober et al. [1] haben bisher als einzige HMMs zur Auswertung von markierten Akzelerometerdaten verwendet, bei denen für jeden gemessenen Impuls die ausgeführte Aktivität bekannt ist. In Populationsstudien wie der IDEFICS-Studie [2] handelt es sich jedoch um unmarkierte Daten, d.h. es ist nicht bekannt wann, sich die Probanden in welcher Aktivität befunden haben. Für unmarkierte Daten stellen wir eine geeignete Auswertungsstrategie basierend auf HMMs vor.

Material und Methoden: Es werden neue Ansätze zur Auswertung von markierten und unmarkierten Akzelerometerdaten mittels HMMs vorgestellt. Die gemessenen Impulse werden zunächst dekodiert und daraufhin Aktivitätsbereichen zugeordnet. Für unmarkierte Daten benötigt der zweite Schritt eine kalibrierte Zuordnungsvorschrift, die mit Hilfe von Schwellenwerten erfolgt.

Der aussichtsreichste Ansatz wird in verschiedenen Simulationsstudien mit der SWM verglichen und auf die deutschen IDEFICS-Daten angewendet (N=1426 Kinder im Alter von 2 bis 9).

Ergebnisse: Die mittlere Missklassifikationsrate (SD) in dem komplexesten der vier Simulationsszenarien (1,000 Tage mit je 2,880 Impulsen und sechs Aktivitäten in drei Aktivitätsbereichen) beträgt für die SWM 3.04% (3.53%) und für HMM 1.16% (4.14%). Je intensiver die Aktivität wird, desto höher wird für die SWM die Falsch-Negativ-Rate (SWM_moderate 7.90% (12.83%), HMM_moderate 1.24% (10.93%)). Der Anteil vollständig richtig klassifizierter Tage ist bei der SWM 14.3% und bei HMM 83.3%. Mit der SWM ist eine Ermittlung von Aktivitäten nicht möglich.

Diskussion: Die neue HMM-Methode ist der SWM im Erkennen des Aktivitätslevels in allen Simulationsszenarien überlegen und erlaubt somit genauere Schätzungen für KA basierend auf unmarkierten Akzelerometerdaten. Insbesondere können Ausreißer erkannt und richtig zugeordnet werden und die Anzahl der Aktivitäten geschätzt werden. Für die verbesserte Genauigkeit muss jedoch mehr Berechnungszeit investiert werden.


Literatur

1.
Pober DM, Staudenmayer J, Raphael C, Freedson PS. Development of novel techniques to classify physical activity mode using accelerometers. Medicine & Science in Sports and Exercises. 2006;38:1626-1634.
2.
Ahrens W, Bammann K, Siani A, Buchecker K, De Henauw S, Iacoviello L, Hebestreit A, Krogh V, Lissner L, Marild S, Molnár D, Moreno LA, Pitsiladis YP, Reisch L, Tornaritis M, Veidebaum T, Pigeot I. The IDEFICS cohort: design, characteristics and participation in the baseline survey. International Journal of Obesity. 2011;35:3-15.