Erkennung menschlicher Aktivitäten in einer freilebenden Umgebung mit einem am Ohr getragenen Bewegungssensor

Die Technologie zur Erkennung menschlicher Aktivitäten (HAR) ermöglicht eine kontinuierliche Verhaltensüberwachung, die besonders im Gesundheitswesen wertvoll ist. Diese Studie untersucht die Machbarkeit der Verwendung eines am Ohr getragenen Bewegungssensors zur Klassifizierung täglicher Aktivitäten, einschließlich Liegen, Sitzen/Stehen, Gehen, Treppensteigen, Treppabsteigen und Laufen. Fünfzig gesunde Teilnehmer (im Alter zwischen 20 und 47 Jahren) führten diese Aktivitäten unter Überwachung aus. Verschiedene Maschinenlernalgorithmen, die von interpretierten flachen Modellen bis hin zu modernen Deep-Learning-Ansätzen für HAR (d.h. DeepConvLSTM und ConvTransformer) reichen, wurden zur Klassifizierung eingesetzt. Die Ergebnisse zeigen die Wirksamkeit des Ohrensensors, wobei Deep-Learning-Modelle eine Genauigkeitsrate von 98 % bei der Klassifizierung erreichen. Die erhaltenen Klassifizierungsmodelle sind unabhängig davon, welches Ohr der Sensor getragen wird, und robust gegenüber mäßigen Variationen in der Sensororientierung (z.B. aufgrund von Unterschieden in der Anatomie der Ohrmuschel), was bedeutet, dass keine initiale Kalibrierung der Sensororientierung erforderlich ist. Die Studie hebt die Wirksamkeit des Ohrs als geeigneten Ort zur Überwachung menschlicher Aktivitäten im Alltag hervor und legt nahe, dass es das Potenzial hat, HAR mit der Überwachung von Vitalzeichen im Ohr zu kombinieren. Dieser Ansatz bietet eine praktische Methode zur umfassenden Gesundheitsüberwachung durch die Integration von Sensoren an einem einzigen anatomischen Standort. Diese Integration erleichtert individuelle Gesundheitsbewertungen mit potenziellen Anwendungen in der Teleüberwachung, personalisierten Gesundheitsanalysen und der Optimierung von sportlichen Trainingsprogrammen.