//Logo Image
作者:姜依帆、徐業良(2015-06-06);推薦:徐業良(2015-06-06)
附註: 本文發表於2015福祉科技與服務管理國際研討會暨大師級講座,東海大學,台中,台灣,20150606.

以加速規為核心發展穿戴式裝置個人生活型態模式分析技術

1.      研究背景與目的

穿戴式裝置如智慧手錶、智慧手環等逐漸蔚為風潮,許多市售穿戴式裝置搭載特殊感測器,量測使用者各種動作訊號或生理訊號,如能進一步分析這些大量訊號,找出使用者每天活動中的隱藏關聯和模式,進而規劃、提供相關的衍生服務,才能為穿戴式裝置產生出真正的價值。穿戴式裝置可以量測的生理訊號以心率、體溫、體汗為主,有量測位置的限制,且需要電極緊貼皮膚。穿戴式裝置常以G-sensor量測使用者動作訊號,較無量測位置限制,亦不需電極緊貼皮膚,實務使用上較為方便,設計彈性也較大。本研究目的在發展個人生活型態模式分析技術將穿戴式裝置G-sensor輸出的使用者動作訊號轉換成活動強度,並進而分析個人生活型態模式資訊

2.      研究方法

活動強度有各種不同定義,基本上十分類似,本研究以衛生福利部國民健康署之「活動強度」分級為主要依據,分為坐式(sedentary)、輕度(light)、中度(moderate)、費力(hard)四個等級活動強度。活動強度的估計上,攝氧量能準確估計熱量消耗,但必須在實驗室環境使用心肺運動測定儀來量測。因此本研究採用較簡易的心率儲備法(heart rate reserve)估計活動強度,以下式計算出百分比,判別活動強度:(HR–HRrest)/(HRmax–HRrest),其中HRmax=220–AgeHRrest為測試者靜坐5分鐘後,量測第6分鐘心率。由此式可以看出,心率儲備法考慮了年齡因素和測試者個別差異。

G-sensor量測活動強度辨識特徵(feature)選取上,經過初步實驗後,發現坐式與輕度活動之步頻(cadence)遠較中度與費力活動為低,而中度與費力活動步頻接近,但費力活動高G值數據比例較高。因此本研究決定以「高G值(超過0.5g~1.5g)數據比例」及平均步頻作為活動強度辨識特徵,蒐集活動樣本以進行機器學習。蒐集活動樣本步驟敘述如下:(1)測試器材:心跳帶、手機G-sensor與計步器App(2)心跳帶每1分鐘輸出心跳;(3)G-sensor與計步器App2分鐘輸出G值(0.2秒取樣1次)及步頻數據;(4)測試時間:特定運動持續至測試者心率符合心率儲備法估計活動樣本為所需活動強度(坐式、輕度、中度、費力);(5)運動第1分鐘心率、G值及步頻數據不使用;(6)紀錄2分鐘運動樣本「高G值(超過0.5g~1.5g)數據比例」及平均步頻。

1上為本研究蒐集之80個活動樣本,其中橫坐標為高G值(超過0.5g~1.5g範圍)數據比例,縱坐標為平均步頻,資料點以顏色區分活動強度,-坐式、-輕度、-中度、-費力。將所蒐集之活動樣本輸入機器學習軟體Weka (Machine Learning Group at the University of Waikato, 2014),除80個活動樣本之外,亦增加20個靜止(rest)樣本,高G值數據比及平均步頻均為零。機器學習選擇Naive Bayes Classifier,以“10 fold cross validation”評估,機器學習模型預估正確率為94%,預估錯誤的樣本集中在中度(moderate)、費力(hard)兩個等級。圖1下將所得機器學習模型視覺化顯示,其中橫坐標為高G值(超過0.5g~1.5g範圍)數據比例,縱坐標為平均步頻,資料點以顏色區分活動強度,-坐式、-輕度、-中度、-費力;依此模型進行活動強度預測,輸入「高G值(超過0.5g~1.5g)數據比例」及平均步頻,即可得到預估之活動強度為坐式、輕度、中度、或費力,進而推估其日常生活型態指標PAL (Physical Activity Level) (Roza & Shizgal, 1984)

3.      結果與討論

本研究邀請四位不同年齡與職業的測試者,分別為大學生(20歲)、上班族(22歲)、上班族(31歲)、服飾店老闆(58歲),均為男性,且每天均有固定運動習慣。測試者配戴裝有G-sensor App之手機14(2014/12/09~2014/12/22),紀錄並分析四位測試者之生活模式。如圖2為測試者D服飾店老闆一天的活動強度資料,是四位測試者中唯一中高年人,每天作息時間十分規律,早上約6時起床、11時入睡,下午並有1.5小時左右午睡,每天早晨固定慢跑一小時左右;且由於工作性質,工作期間以站立居多,輕度、中度活動混合,身體活動量較高。如圖2,測試者D當日PAL1.84,屬中度活動生活型態。本研究應用於穿戴式裝置G-sensor量測使用者動作訊號,發展之活活動強度辨識技術,可具體闡釋不同年齡、職業,以及平日/假日之活動強度和生活型態差異。

1. 本研究蒐集之80個活動樣本與機器學習模型視覺化顯示

2. 測試者C一天的活動強度資料

參考文獻

1.          Machine Learning Group at the University of Waikato. Weka 3: Data Mining Software in Java. Retrieved December 14, 2014, from http://www.cs.waikato.ac.nz/ml/weka/

2.          Roza, A., & Shizgal, H. (1984). The Harris Benedict equation reevaluated. American Journal of Clinical Nutrition, 40(1), 168-182.