Activity Recognition To Support Blood Pressure Measurements - A proposed Transfer Learning System
Description
Full text not available
Abstract
Hjerte- og karsykdommer har blitt verdens største helseproblem og er ansvarlig forover 30% av globale dødsfall. En viktig risikofaktor for slike sykdommer er hypertensjon eller oftere kalt høyt blodtrykk. Tradisjonelle blodtrykksm˚alere har sineulemper med upraktiske ledninger, plassering og oppbl˚asbar mansjett, noe som kanføre til utilstrekkelige m˚alinger. For ˚a takle disse begrensningene har et forskningsprosjekt kalt Hypersension blitt iverksatt for ˚a utviklet en kontinuerlig ikke-invasivblodtrykksm˚aler, som kan forbedre oppdagelsen av hypertensjon. Hypersensionprosjektet ønsker ˚a utvikle et system for ˚a gjenkjenn bevegelser og aktiviteter, for ˚aforbedre m˚alingene til enheten deres og gi helsepersonell mer informasjon om derespasienter. Gruppen mangler ressursene til ˚a merke data fra enheten deres, men haren stor mengde umerket data.Denne masteroppgaven vil dermed designe og implementere et system for˚a detekterebevegelse ved hjelp av overførbar læring som benytter offentlig tilgjengelige data fralignende datadomener. Oppgaven skal utforske feltet for overførbar læring for ˚afinne passende metoder for Hypersension prosjektet. Den skal ogs˚a utforske eksisterende offentlige tilgjengelige databaser for tilgjengelig kildedata. Deretter vil denpresentere et klassifiseringssystem, som benytter et konvolusjonalt nevralt nettverkfor ˚a trekke ut generelle egenskaper som kan benyttes p˚a Hypersension sin enhet.M˚alet med dette arbeidet er˚a legge et grunnlag for videre arbeid med bevegelsesgjenkjenning ved ˚a benytte overførbar læring for smarte helsesystemer som Hypersensionsin m˚aleenhet. Verifisering av det foresl˚atte systemet ble gjort ved ˚a gjennomføreto eksperimenter p˚a offentlige data. Resultater fra forsøkene viste at systemet kankonkurrere med eksisterende metoder for overførbar læring for tre intensitetsklasser(lav, middels og høy intensitet). Imidlertid var ytelsen utilstrekkelig n˚ar man ønsket˚a klassifisere seks spesifikke aktiviteter (sittende, st˚aende, liggende, g˚a, g˚a opp ogned trapper, samt løping). Systemet kan brukes for ˚a klassifisere intensitetsklassenesom inneholder de seks aktvitetene. Dette systemet kan brukes for ˚a forst˚a pasienters treningsintensitet, men m˚a forbedres for ˚a skille spesifikke aktiviteter.Oppgaven presenterer systemets begrensninger, men ogs˚a flere m˚ater systemet kanforbedres i fremtidig arbeid. kildedataene er et avgjørende skritt mot ˚a forbedreytelsen. Det presenteres at datasettene brukt i denne oppgaven var til en viss gradikke kompatible og bør derfor utbedres og forbedres for ˚a øke ytelsen. I tillegg børman skaffe mer data for ˚a øke den samlede trenings mengden. Et annet kritisksteg er ˚a forbedre metoden for overførbar læring. Dette kan, for eksempel, gjøresved ˚a benytte en uoverv˚aket klyngebasert tilnærming i tillegg til den presentertemetoden. Hypersension-gruppen jobber n˚a med ˚a merke noen av dataene deres. Ifremtiden bør systemet verifiseres p˚a denne dataen. I tillegg burde man utvikle ensemi-overv˚aket tilnærming for ˚a sammenligne ytelsen mellom læringsoppleggene. Cardiovascular diseases (CVD) have become the world’s biggest health problemand are responsible for over 30% of global deaths. An important risk factor forsuch diseases is hypertension or more commonly called high Blood Pressure (BP).Traditional BP measuring devices have their drawbacks with inconvenient wires,placement and inflatable cuff, which can lead to inadequate BP measurements. Totackle these limitations, a research project called Hypersension (together with a teamfrom SINTEF) has developed a continuous Non-Invasive Blood Pressure (cNIBP) device that can improve the detection of hypertension.The Hypersension project wants to develop a Human Activity Recognition (HAR) system, to improve their device and give health professionals more information abouttheir patients. The group lacks the resources to label data from their device buthas a vast amount of unlabelled data. Hence, this master thesis will design andimplement a Transfer Learning (TL) HAR system that utilises public available datafrom similar data domains.The thesis will conduct research into the field of TL to find suitable learning schemesfor the Hypersension case. It will also explore existing public repositories for similarsource data. Then it will present a proposed classification system from the self-labelling branch, which utilises a Convolutional Neural Network (CNN) model toextract general features that can be utilised on the Hypersension device. The goalof this work is to lay the foundation for a HAR system which utilises TL for theHypersension case. Verifying the proposed system was done by conducting twoexperiments on the public data. Results from the experiments showed that thesystem could rival existing state-of-the-art TL approaches for three intensity classes(low-, middle- and high-intensity). However, the performance was inadequate whengoing deeper and trying to classify six specific activities (sitting, standing, lying,walking, walking up and down stairs and running) within these intensity classes.Therefore, the conclusion is that the system can be used to understand patients’exercise intensities but needs to be improved to distinguish specific activities.There are several ways that the system can be improved in future work. Improvingthe source data is a crucial step toward enhancing performance. The presenteddatasets were to some degree not compatible and should therefore be improved toenhance performance. In addition, one should acquire more data to increase theoverall training pool. Another critical step is to improve the TL scheme with, forinstance, an unsupervised cluster-based approach. The Hypersesion group is workingon labelling some of their data. In the future, the system should be verified on thisdata and a semi-supervised