Show simple item record

dc.contributor.advisorFrank Lindseth
dc.contributor.authorEivind Fjeldstad
dc.date.accessioned2019-10-31T15:15:40Z
dc.date.available2019-10-31T15:15:40Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2625780
dc.description.abstractTingenes internett-produkter utstyrt med sensorer for å spore fysiologiske signaler har blitt stadig vanligere de siste årene. Ved å kombinere data fra flere slike enheter kan det være mulig å konstruere en digital sanntidsrepresentasjon av brukerens fysiologiske tilstand, en digital tvilling. Når en slik representasjon kombineres med moderne maskinlæringsteknikker kan den bli et kraftig verktøy for personlig helsestyring. Et konseptbevis på en digital tvilling ble utviklet for å kunne samle helsedata fra tre kommersielt tilgjengelige helse- og treningssporere. Et system for å varsle brukere om helserelaterte uregelmessigheter ble implementert, og teknikker for å holde brukeres helsedata private og trygge ble utforsket. Systemet ble testet for å evaluere gjennomførbarhet og lagringskrav, og dataene samlet inn under testene ble brukt til å trene en rudimentær maskinlæringsmodell. Denne avhandlingen viser hvordan en digital tvilling kan implementeres som en nettjeneste med en JSON API og en tilhørende mobilapplikasjon, og hvordan brukere kan bli varslet om potensielle helseproblemer ved bruk av push-meldinger. Testing avslørte at en forsinkelse på 0 til 20 minutter, noen ganger mer, må forventes ved synkronisering av helseprøver fra de utvalgte helse- og treningssporerne til den digitale tvillingen, og at gjennomsnittsstørrelsen på en lagret helseprøve var 220 byte. Resultatene viser at digital tvilling-konseptet er gjennomførbart, men at å innhente sanntidsinformasjon fra kommersielt tilgjengelige helse- og treningssporere kan være vanskelig på grunn av tilgangsbegrensninger og synkroniseringsforsinkelser. De demonstrere også hvordan push-meldinger kan benyttes for å gi brukere informasjon om deres helsetilstand, samt hvordan data fra digitale tvillinger kan brukes til å trene maskinlæringsmodeller. Testfasen ga informasjon om lagringskapasiteten som kreves av systemet, og en formel ble foreslått for å kalkulere lagrinskravene til en større utplassering.
dc.description.abstractInternet of Things devices equipped with sensors to measure physiological signals have become increasingly common in recent years. By combining data from multiple health and fitness tracking devices, it could be possible to construct a real-time, digital representation of the user's physiological state in the cloud, a Digital Twin. When combined with modern machine learning techniques, this data could become a powerful health management tool. A proof-of-concept implementation of a Digital Twin was developed in order to collect data from three off-the-shelf health and fitness trackers. A system for alerting users to health-related irregularities was implemented, and techniques for keeping users' health data private and secure were explored. The system was tested in order to assess feasibility and storage requirements, and a proof-of-concept machine learning model was trained using data gathered by the system. This thesis shows how a Digital Twin can be implemented as a web service with a JSON API and a companion mobile application, and how users can be alerted to potential health problems using push notifications. Testing revealed that delays of 0 to 20 minutes, sometimes more, must be expected when synchronizing health samples from the chosen health and fitness trackers to the Digital Twin, and that the average size of a health sample stored by the system was 220 bytes. The results show that the Digital Twin concept is feasible, but that obtaining real-time information from off-the-shelf health and fitness trackers can be difficult due to access restrictions and synchronization delays. They also demonstrate how push notifications can be used to give users insights about their health, and how data from Digital Twins can be used to train machine learning models. The testing phase provided insights about the storage requirements of the system, and a formula was proposed for calculating storage requirements for a large deployment.
dc.languageeng
dc.publisherNTNU
dc.titleA Proof-of-Concept Digital Twin
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record