Activity Recognition To Support Blood Pressure Measurements - A proposed Transfer Learning System

Abstract

Hjerte- og karsykdommer har blitt verdens største helseproblem og er ansvarlig for over 30% av globale dødsfall. En viktig risikofaktor for slike sykdommer er hypertensjon eller oftere kalt høyt blodtrykk. Tradisjonelle blodtrykksm˚alere har sine ulemper med upraktiske ledninger, plassering og oppbl˚asbar mansjett, noe som kan føre til utilstrekkelige m˚alinger. For ˚a takle disse begrensningene har et forskningsprosjekt kalt Hypersension blitt iverksatt for ˚a utviklet en kontinuerlig ikke-invasiv blodtrykksm˚aler, som kan forbedre oppdagelsen av hypertensjon. Hypersensionprosjektet ønsker ˚a utvikle et system for ˚a gjenkjenn bevegelser og aktiviteter, for ˚a forbedre m˚alingene til enheten deres og gi helsepersonell mer informasjon om deres pasienter. Gruppen mangler ressursene til ˚a merke data fra enheten deres, men har en stor mengde umerket data. Denne masteroppgaven vil dermed designe og implementere et system for˚a detektere bevegelse ved hjelp av overførbar læring som benytter offentlig tilgjengelige data fra lignende datadomener. Oppgaven skal utforske feltet for overførbar læring for ˚a finne passende metoder for Hypersension prosjektet. Den skal ogs˚a utforske eksisterende offentlige tilgjengelige databaser for tilgjengelig kildedata. Deretter vil den presentere et klassifiseringssystem, som benytter et konvolusjonalt nevralt nettverk for ˚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 Hypersension sin m˚aleenhet. Verifisering av det foresl˚atte systemet ble gjort ved ˚a gjennomføre to eksperimenter p˚a offentlige data. Resultater fra forsøkene viste at systemet kan konkurrere 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 og ned trapper, samt løping). Systemet kan brukes for ˚a klassifisere intensitetsklassene som 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 kan forbedres i fremtidig arbeid. kildedataene er et avgjørende skritt mot ˚a forbedre ytelsen. Det presenteres at datasettene brukt i denne oppgaven var til en viss grad ikke kompatible og bør derfor utbedres og forbedres for ˚a øke ytelsen. I tillegg bør man skaffe mer data for ˚a øke den samlede trenings mengden. Et annet kritisk steg er ˚a forbedre metoden for overførbar læring. Dette kan, for eksempel, gjøres ved ˚a benytte en uoverv˚aket klyngebasert tilnærming i tillegg til den presenterte metoden. Hypersension-gruppen jobber n˚a med ˚a merke noen av dataene deres. I fremtiden bør systemet verifiseres p˚a denne dataen. I tillegg burde man utvikle en semi-overv˚aket tilnærming for ˚a sammenligne ytelsen mellom læringsoppleggene.

Cardiovascular diseases (CVD) have become the world’s biggest health problem and are responsible for over 30% of global deaths. An important risk factor for such 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. To tackle these limitations, a research project called Hypersension (together with a team from 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 about their patients. The group lacks the resources to label data from their device but has a vast amount of unlabelled data. Hence, this master thesis will design and implement a Transfer Learning (TL) HAR system that utilises public available data from similar data domains. The thesis will conduct research into the field of TL to find suitable learning schemes for the Hypersension case. It will also explore existing public repositories for similar source data. Then it will present a proposed classification system from the self-labelling branch, which utilises a Convolutional Neural Network (CNN) model to extract general features that can be utilised on the Hypersension device. The goal of this work is to lay the foundation for a HAR system which utilises TL for the Hypersension case. Verifying the proposed system was done by conducting two experiments on the public data. Results from the experiments showed that the system could rival existing state-of-the-art TL approaches for three intensity classes (low-, middle- and high-intensity). However, the performance was inadequate when going 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. Improving the source data is a crucial step toward enhancing performance. The presented datasets were to some degree not compatible and should therefore be improved to enhance performance. In addition, one should acquire more data to increase the overall training pool. Another critical step is to improve the TL scheme with, for instance, an unsupervised cluster-based approach. The Hypersesion group is working on labelling some of their data. In the future, the system should be verified on this data and a semi-supervised