野外条件下での青年の加速度計からのジョギング期間の自動機械学習ベースの識別

背景：身体活動に関連する健康上の利点の評価は、活動期間、強度、頻度に依存するため、疫学的および臨床研究では、正しい識別は非常に価値があり重要です。この研究の目的は次のとおりです。目的のジョギング期間の自動識別のためのアルゴリズムを開発することです。また、いずれかの位置で1つだけを使用する場合と比較して、股関節と足首で2つの加速度計を使用するときに識別パフォーマンスが向上するかどうかを評価します。 方法：この研究では、Giniplus研究の一環として、フィールド条件下で収集された、39歳の青年からの19歳の青少年からの日中のジョギング期間と対応する加速度計データを使用しました。データは、股関節と足首に配置された2つの加速度計から取得されました。生の加速度計の測定値から機能を抽出し、最も重要な機能のサブセットを選択するために、自動機能エンジニアリング手法が実行されました。分類には、ロジスティック回帰、サポートベクターマシン、ランダムフォレスト、および非常にランダム化された木の4つの機械学習アルゴリズムが使用されました。分類は、股関節加速度計のデータのみを使用して、両方の加速度計のデータを使用して、股関節加速度計のデータのみを使用して実行されました。 結果：報告されたジョギング期間は、目視検査により検証され、ゴールデンスタンダードとして使用されました。分類アルゴリズムの機能選択とチューニングの後、すべてのオプションは、60年代または180年代のスライドウィンドウを備えた適用されたセグメンテーション戦略とは無関係に、少なくとも0.99の分類精度を提供しました。最良のマッチング比、つまり、見逃した時間を含む合計時間に関連する正しく識別されたジョギング期間の長さは最大0.875でした。さらに、分類後の規則を適用することにより、最大0.967に改善される可能性があり、これは休憩の期間とジョギング期間を考慮しています。2つの加速度計を使用することの明らかな利点はありませんでしたが、いずれかの加速度計の位置からほぼ同じ性能を達成できました。 結論：機械学習技術は、日記を保持するときよりもはるかに正確なアクティビティ認識を提供するため、自動アクティビティ認識を提供するために使用できます。思春期のジョギング期間の識別は、1つの加速度計のみを使用して実行できます。パフォーマンスに関しては、両方の場所で加速度計を使用することから大きな利点はありません。

BACKGROUND: Assessment of health benefits associated with physical activity depend on the activity duration, intensity and frequency, therefore their correct identification is very valuable and important in epidemiological and clinical studies. The aims of this study are: to develop an algorithm for automatic identification of intended jogging periods; and to assess whether the identification performance is improved when using two accelerometers at the hip and ankle, compared to when using only one at either position. METHODS: The study used diarized jogging periods and the corresponding accelerometer data from thirty-nine, 15-year-old adolescents, collected under field conditions, as part of the GINIplus study. The data was obtained from two accelerometers placed at the hip and ankle. Automated feature engineering technique was performed to extract features from the raw accelerometer readings and to select a subset of the most significant features. Four machine learning algorithms were used for classification: Logistic regression, Support Vector Machines, Random Forest and Extremely Randomized Trees. Classification was performed using only data from the hip accelerometer, using only data from ankle accelerometer and using data from both accelerometers. RESULTS: The reported jogging periods were verified by visual inspection and used as golden standard. After the feature selection and tuning of the classification algorithms, all options provided a classification accuracy of at least 0.99, independent of the applied segmentation strategy with sliding windows of either 60s or 180s. The best matching ratio, i.e. the length of correctly identified jogging periods related to the total time including the missed ones, was up to 0.875. It could be additionally improved up to 0.967 by application of post-classification rules, which considered the duration of breaks and jogging periods. There was no obvious benefit of using two accelerometers, rather almost the same performance could be achieved from either accelerometer position. CONCLUSIONS: Machine learning techniques can be used for automatic activity recognition, as they provide very accurate activity recognition, significantly more accurate than when keeping a diary. Identification of jogging periods in adolescents can be performed using only one accelerometer. Performance-wise there is no significant benefit from using accelerometers on both locations.