Entwicklung von Klassifizierungsverfahren zur automatisierten Dokumentation von Alltagsaktivitäten

Abstract

Die Klassifizierung menschlicher Bewegungen mittels Smartwatches und Maschinellem Lernen stellt einen Ansatz dar, Pfleger bei der täglichen Dokumentation von Alltagsaktivitäten der Patienten zu unterstützen, bei denen eine Kontrolle der Bewegungsdaten aus gesundheitlichen Gründen sinnvoll erscheint und die bei dieser Kontrolle einer Unterstützung bedürfen. Durch die Automatisierung von Betreuungsdokumentationen soll eine langfristige Entlastung des Pflegepersonals und eine Verbesserung der Diagnostik erreicht werden.

Die Anwendung ist in der Praxis jedoch mit Herausforderungen verbunden. Zum Einen sind die Alltagsaktivitäten schwer einzeln zu identifizieren und dementsprechend schwer klassifizierbar. Grund dafür ist, dass es zur Klassifizierung von alltäglichen motorischen Tätigkeiten im häuslichen Bereich der Klassifizierung von Bewegungen bedarf, die primär mit den Armen ausgeführt werden. Diese sind sich jedoch sehr ähnlich und mitunter subtil, sodass sie schwer zu differenzieren sind. Des Weiteren müssen Anwendbarkeit und Alltagsangemessenheit dieser Klassifizierungen während der Pflege einer ständigen Prüfung unterliegen.

Anlass zu der Entwicklung einer automatisierten Bewegungsdokumentation gab einerseits die ansteigende Anzahl pflegebedürftiger Menschen im Rahmen des demografischen Wandels, andererseits der zunehmende Mangel an Pflegepersonal: Prognosen zeigen, dass in den nächsten 15 Jahren allein in der ambulanten Pflege über 66.000 Fachkräfte fehlen werden.

Ziel dieser Arbeit ist die Entwicklung von Klassifizierungsverfahren zur Automatisierung der Betreuungsdokumentation, welche langfristig das Pflegepersonal entlasten soll. Dazu werden die Möglichkeiten einer sequenziellen Gewinnung und Klassifizierung von Daten durch Smartwatchsensorik untersucht, die Alltagsaktivitäten beschreiben können. In diesem Zusammenhang werden vier Klassifizierungskonzepte vorgestellt, durch die eine Differenzierung und damit bessere Identifizierung von Alltagsaktivitäten ermöglicht werden soll. Innerhalb der Konzepte wird zwischen kontinuierlicher Klassifizierung, der Klassifizierung über einen Zeitraum, der Klassifizierung unter realen Bedingungen und der Klassifizierung von komplexen Alltagsaktivitäten unterschieden. Auf diese vier Klassifizierungskonzepte werden zwei Verfahren angewendet. Einmal das Schiebefensterverfahren zur Skalierung der Eingabesequenzengröße der Daten aus Smartwatches in unterschiedlichen Modellen des Maschinellen Lernens, zum anderen das Schwellenwertverfahren, bestehend aus Gruppen- und Vorhersageschwellenwert, welche die Anzahl der Klassifizierungen eines Zeitraums filtern. Die Konzepte und Verfahren wurden im Rahmen von 16 Versuchen evaluiert. Es wird vorgeschlagen, eine differenzierte Klassifizierung von Alltagsaktivitäten vorzunehmen, da dadurch genauere Ergebnisse hinsichtlich der Klassifizierung derselben erzielt werden können. Hierfür wird eine Differenzierung zwischen kontinuierlicher Klassifizierung, der Klassifizierung über einen Zeitraum, der Klassifizierung unter realen Bedingungen und der Klassifizierung von komplexen Alltagsaktivitäten als Konzepte vorgenommen, die dem Prinzip eines evolutionären Prototypings entsprechen. Für die Unterstützung des Pflegepersonals ist die Integration eines Systems zur Pflegedokumentation empfehlenswert. Außerdem sollten für den Einsatz in der Pflege alle vier Konzepte und die damit verbundenen Klassifikatiosverfahren, die in diesem Dissertationsvorhaben konzeptuell modelliert, implementiert und evaluiert wurden, ineinandergreifen.

The classification of human movement using smartwatches and machine learning is an approach to assist caregivers in the daily documentation of the daily activities of patients for whom it makes sense to monitor movement data for health reasons and who need assistance with this monitoring. The automation of care documentation is intended to provide long-term relief for caregivers and improve diagnosis.

In practice, however, many challenges can be observed. Firstly, activities of daily living are difficult to identify individually and therefore difficult to classify. This is because the classification of activities of daily living in the home requires the classification of movements that are primarily performed with the arms. However, these are very similar and sometimes subtle, making them difficult to differentiate. Furthermore, the applicability and day-to-day appropriateness of these classifications needs to be constantly reviewed during care.

The development of automated movement documentation has been prompted by the increasing number of people in need of care as a result of demographic change, as well as the growing shortage of nursing staff: it is predicted that there will be a shortage of more than 66,000 professionals in outpatient care alone over the next 15 years.

The aim of this work is to develop classification methods for the automation of nursing documentation, which should reduce the workload of nursing staff in the long term. To this end, the possibilities of sequential data acquisition and classification using smartwatch sensor technology, which can describe everyday activities, will be investigated. In this context, four classification concepts are presented, which should enable a differentiation and thus a better identification of daily activities. Within the concepts, a distinction is made between continuous classification, classification over a period of time, classification under real-life conditions, and classification of complex everyday activities. Two methods are applied to these four classification concepts. One is the sliding window method for scaling the input sequence size of smartwatch data in different machine learning models, and the other is the threshold method consisting of group and prediction thresholds that filter the number of classifications in a time period.

The concepts and methods have been evaluated in 16 experiments. It is proposed to perform a differentiated classification of everyday activities, as this allows to obtain more accurate results regarding their classification. For this purpose, a distinction is made between continuous classification, classification over a period of time, classification under real conditions and the classification of complex everyday activities as concepts according to the principle of evolutionary prototyping. The integration of a care documentation system is recommended to support caregivers. In addition, all four concepts and the associated classification procedures, which were conceptually modelled, implemented, and evaluated in this dissertation project, should be linked for use in care.