Wearable computing applications in eHealth

Non-communicable diseases are the leading cause of death and disability worldwide. Almost two thirds of them are linked to the following risk factors: physical inactivity, unhealthy diets, tobacco use, and harmful use of alcohol. At the same time, everyone is surrounded increasingly with wearables, like smartphones and smartwatches, making wearable computing an integral part of everyday life. The combination of addressing non-communicable diseases with the help of wearables seems one potential solution. In this thesis, methods and algorithms for three wearable computing applications in eHealth are presented: I) mobile breathing analysis, II) mobile electrocardiogram (ECG) analysis, and III) inertial measurement unit (IMU)-based activity recognition.

Respiratory inductance plethysmography (RIP) provides an unobtrusive and mobile method for measuring breathing characteristics, avoiding the measurement with flowmeters (FMs) as with them the natural breathing pattern is altered. The output of RIP devices needs to be adjusted to result in correct ventilatory tidal volumes. State of the art methods for adjusting RIP data can only be applied after the actual measurement as these require the simultaneous data acquisition of RIP and FM. In this thesis, novel adjustment algorithms were created enabling the usage of RIP solely, and by this outside the controlled laboratory environment. Respiratory diseases and infections are amongst the most leading deaths group. In future work, it has to be investigated how RIP devices can effectively be used for patients suffering from these conditions.

The reasons for mobile ECG analysis were to provide real-time algorithms for two particular scopes. The first scope dealt with identifying arrhythmic beats using only time instances of successive heartbeats – the RR intervals. In the second scope, three high-accurate single-lead, instantaneous P- and T-wave detection algorithms were compared. These two applications could help in addressing cardiovascular diseases that are the number one cause of deaths worldwide. An effective and easy to handle arrhythmia classification algorithm could send people in risk early to a physician. High-accurate P- and T-wave detection algorithms requiring only a single lead are beneficial for all ECG monitoring fields, and at the same time, enhance the patient’s comfort.

IMU-based activity recognition provides an objective method for classifying activities addressing the risk factor physical inactivity. Therefore, a common, publicly available dataset DaLiAc was created to enable the comparison of activity recognition algorithms (http://www.activitynet.org/). Using the benchmark dataset DaLiAc, a hierarchical classification system was created that outperformed six state of the art activity recognition algorithms. Recognizing single activities of daily living might increase the awareness of individuals to increase their physical activity as physical inactivity is one of the four leading risk factors for non-communicable diseases.

In this thesis, three different wearable computing applications addressing different non-communicable diseases were presented. Wearables have been continuously used for health monitoring in recent years – with still increasing trend – as they bring certain benefits to the user in daily life. This will be enlarged in the future and fostered by ongoing inventions, accumulating knowledge, technological process, and progressive digitalization. Nichtübertragbare Krankheiten sind weltweit die Hauptursache für Tod und Invalidität. Fast zwei Drittel der nichtübertragbaren Krankheiten können mit den folgenden Risikofaktoren in Verbindung gebracht werden: körperliche Inaktivität, ungesunde Ernährung, Tabakkonsum und schädlicher Alkoholkonsum. Gleichzeitig ist jeder zunehmend mit Wearables wie Smartphones und Smartwatches umgeben, sodass Wearable Computing ein fester Bestandteil des Alltags ist. Nichtübertragbare Krankheiten mit Hilfe von Wearables anzugehen, scheint eine mögliche Lösung zu sein. In dieser Arbeit wurden Methoden und Algorithmen für drei Wearable Computing Anwendungen im E-Health entwickelt: I) mobile Atemanalyse, II) Mobile Elektrokardiogramm (engl. ECG)-Analyse und III) Aktivitätserkennung mit Inertialsensoren (engl. IMUs).

Mobile Atemwegs-Induktivität-Plethysmographie (engl. RIP) stellt eine nicht-störende Methode dar, um Atmungsmerkmale zu messen. Mit RIP-Geräten könnte auf Durchflussmessgeräte (engl. FMs) verzichtet werden, die das natürliche Atemverhalten beeinflussen. Um korrekte Atemzugvolumina zu erhalten, müssen die mit RIP gemessenen Daten angepasst werden. Dem aktuellen Stand der Technik entsprechende Anpassungsalgorithmen können erst nach den tatsächlichen Messungen verwendet werden, da diese die gleichzeitige Messung von RIP und FM erfordern. In dieser Arbeit wurden neuartige Anpassungsalgorithmen entwickelt, die die Verwendung von RIP auch außerhalb der kontrollierten Laborumgebung ermöglichen. Atemwegserkrankungen und -infektionen gehören zu den häufigsten Todesursachen. Zukünftig sollte untersucht werden, wie RIP- Geräte effektiv für Patienten mit diesen Erkrankungen eingesetzt werden können.

Gründe für die mobile ECG-Analyse waren, echtzeitfähige Algorithmen für zwei bestimmte Bereiche zur Verfügung zu stellen. Im ersten Bereich wurden arrhythmische Herzschläge nur anhand der Zeitpunkte aufeinanderfolgender Herzschläge, der RR-Intervalle, unterschieden. Im zweiten Bereich wurden drei hochgenaue und verzögerungsfreie P- und T-Wellen-Erkennungsalgorithmen miteinander verglichen. Diese beide Bereiche könnten die Reduzierung von Herz-Kreislauf-Erkrankungen, welche weltweit die häufigste Todesursache sind, unterstützen. Ein effektiver und einfach handhabbarer Klassifizierungsalgorithmus für Arrhythmien könnte Personen mit erhöhtem Risiko frühzeitig zu einem Arzt schicken. Hochpräzise P- und T-Wellen-Erkennungsalgorithmen, die nur eine einzelne Ableitung benötigen, sind für alle Bereiche der EKG-Überwachung von Vorteil und erhöhen gleichzeitig den Tragekomfort der Patienten.

Aktivitätserkennung mit IMUs bietet eine objektive Möglichkeit zur Klassifikation von Aktivitäten um den Risikofaktor körperliche Inaktivität anzugehen. Dafür wurde der öffentlich verfügbare Datensatz DaLiAc aufgenommen um den Vergleich von Aktivitätserkennungsalgorithmen zu ermöglichen (http://www.activitynet.org/). Unter der Verwendung von DaLiAc wurde ein hierarcharisches Klassifikationsystem entwickelt. Das Erkennen einzelner Aktivitäten des täglichen Lebens kann das Bewusstsein jedes Einzelnen steigern, die körperliche Aktivität zu erhöhen. Denn, körperliche Inaktivität ist eine der vier Hauptrisikofaktoren für nichtübertragbare Krankheiten.

In dieser Arbeit wurden drei unterschiedliche Wearable Computing Anwendungen, die verschiedene nichtübertragbare Krankheiten angehen, vorgestellt. Wearables wurden in den letzten Jahren – mit anhaltendem steigenden Trend – vermehrt in der Gesundheitsüberwachung eingesetzt, da sie dem Nutzer im täglichen Leben Vorteile bringen. Dies wird durch das Entstehen neuer Anwendungen, gesammeltes Wissen, technische Fortschritte und der fortschreitenden Digitalisierung weiter vorangetrieben.