Search

Introduction: Accelerometer-based measurements of physical activity types are commonly used to replace self-reports. To advance the field, it is desirable that such measurements allow accurate detection of key daily physical activity types. This study aimed to evaluate the performance of a machine learning classifier for detecting sitting, standing, lying, walking, running, and cycling based on a dual versus single accelerometer setups during free-living. Methods: Twenty-two adults (mean age [SD, range] 38.7 [14.4, 25–68] years) were wearing two Axivity AX3 accelerometers positioned on the low back and thigh along with a GoPro camera positioned on the chest to record lower body movements during free-living. The labeled videos were used as ground truth for training an eXtreme Gradient Boosting classifier using window lengths of 1, 3, and 5 s. Performance of the classifier was evaluated using leave-one-out cross-validation. Results: Total recording time was ∼38 hr. Based on 5-s windowing, the overall accuracy was 96% for the dual accelerometer setup and 93% and 84% for the single thigh and back accelerometer setups, respectively. The decreased accuracy for the single accelerometer setup was due to a poor precision in detecting lying based on the thigh accelerometer recording (77%) and standing based on the back accelerometer recording (64%). Conclusion: Key daily physical activity types can be accurately detected during free-living based on dual accelerometer recording, using an eXtreme Gradient Boosting classifier. The overall accuracy decreases marginally when predictions are based on single thigh accelerometer recording, but detection of lying is poor.

Søvn er essensielt for å opprettholde god fysisk og psykisk helse. Et viktig aspekt ved søvn er mønsteret av søvnstadier, som kan si mye om en persons søvnkvalitet. Innenfor søvnstadie-klassifisering er målet å kunne skille mellom våkenhet og ulike stadier av søvn. Dette gjøres fortrinnsvis med Polysomnografi (PSG), som er en prosedyre hvor fysiologiske signaler, som hjerneaktivitet, hjerterytme og muskelaktivitet, måles mens pasienten sover. Prosedyren gjennomføres vanligvis på et sykehus, og dataene må klassifiseres manuelt av en spesialist. På grunn av den høye kostnaden og ubehaget som mange pasienter opplever ved metoden, er ikke PSG optimal for alle typer søvnstudier. Aktigrafi har vist seg å være et godt alternativ til PSG, spesielt når målet kun er å skille mellom våkenhet og søvn, uten å skille mellom søvnstadier. Dette er en metode hvor sensorer festet til kroppen samler akselerometerdata, og eventuelt andre målinger, i en naturlig setting. Aktigrafidata egner seg for klassifisering med maskinlæring. I dette prosjektet er hovedmålet vårt å muliggjøre søvnanalyse av aktigrafidata fra HUNT4-studien. Dette er en befolkningsundersøkelse fra Norge, hvor 35.000 personer deltok i innsamling av aktigrafidata fra \'{e}n sensor på ryggen og \'{e}n på låret. Analyse av dataene kan forhåpentligvis gi ny kunnskap om søvn og helse. To separate datasett, med samme sensorplassering som i HUNT4, blir brukt i dette prosjektet. Aktigrafi-målingene har blitt utført samtidig som PSG, og dette gir oss merkelapper for søvnklassene i aktigrafidataene. Dette blir brukt av veiledede maskinlæringsmetoder i eksperimentene våre. Det finnes mange ulike måter å kategorisere søvn. I dette prosjektet klassifiserer vi søvndataene som lett søvn, dyp søvn og REM(Rapid eye movement - rask øyebevegelse)-søvn. Både klassifisering av søvn og våkenhet, og søvnstadieklassifisering testes i våre eksperimenter med fire ulike maskinlæringsalgoritmer: Random Forest, XGBoost, K-NN og SVM. Ettersom utstyret som brukes i HUNT4-dataene og våre testdatasett også måler hudtemperatur, eksperimenterer vi med å inkludere temperaturdata. I tillegg inneholder testdatasettene en sensor plassert på håndleddet, og resultatet av å inkludere håndleddsdataene blir også undersøkt. For klassifisering av søvn og våkenhet oppnås de beste resultatene av XGBoost med både akselererometer- og temperaturdata fra rygg-, lår- og håndleddssensor kombinert. Dette gir nøyaktighet, F1-skår, areal under ROC-kurven, sensitivitet og spesifisitet på 0.91, 0.94, 0.94, 0.97 and 0.72, respektivt. Sleep is essential for maintaining good physical and mental health. One important aspect of sleep is the pattern of sleep stages, which can tell a lot about a person's sleep quality. In the field of sleep stage classification the goal is to differentiate between wakefulness and the various stages of sleep. This is preferably done with Polysomnography (PSG), which is a procedure where physiological signals, like brain activity, heart rate and muscle activity, are measured while the subject is sleeping. The procedure is usually performed in a hospital, and the data must be classified manually by a specialist. Because of its high cost and the discomfort experienced by many patients during the procedure, PSG is not optimal for all studies of sleep. Actigraphy has shown to be a successful alternative to PSG, especially when the goal is to separate wakefulness from sleep, without considering sleep stages. This is a method where body-worn sensors collect accelerometer data, and possibly other measurements, in a natural setting. The actigraphy data is suitable for classification with machine learning. In this project, our main goal is to enable sleep analysis of the actigraphy data from the HUNT4 study. This is a population study from Norway, where 35,000 subjects participated in collection of actigraphy data from one sensor on the back and one on the thigh. Analysis of this data can ideally expand on the knowledge of sleep and health. Two separate datasets, with the same sensor placements as in HUNT4, are used in this project. The actigraphy is collected simultaneously as PSG, which gives sleep class labels to the actigraphy data. This is used by supervised machine learning methods in our experiments. There are several ways to categorize sleep. In this project we classify the sleep data as light sleep, deep sleep and rapid eye movement (REM) sleep. Both sleep-wake classification and classification of sleep stages are tested in our experiments with four different machine learning algorithms: Random Forest, XGBoost, K-NN and SVM. As the equipment used in the HUNT4 data and our test datasets also measure skin temperature, we experiment with inclusion of temperature data. In addition, our test datasets include a sensor placed on the wrist, and the results of incorporating the wrist data is investigated as well. For sleep--wake classification the best results are achieved by XGBoost using accelerometer and temperature data from back, thigh and wrist sensors combined. This results in accuracy, F1-score, area under ROC-curve, sensitivity and specificity of 0.91, 0.94, 0.94, 0.97 and 0.72, respectively.