何をするのですか？ アップルウォッチ そして Nokia Pulse Ox 共通点がある？ 彼らは両方とも、血圧の変化に基づいて毛細血管の拡張および収縮であるフォトプレチスモグラフィ（PPG）を用いて心拍数を測定するパルスオキシメータセンサを有する。 彼らは正確です 程度に 彼らは光に基づいているのでかなりの量の電気を必要とします – 彼らは光ダイオードに戻って反射する肌に信号を発する。
スマートフォン、スマートウォッチ、および非重力加速度を測定するアクティビティトラッカーによく見られるセンサーである加速度計が、バッテリーを節約する代替手段の1つです。 〜で 紙 フィリップスヘルスとブリストル大学の研究者は、センサーからほぼ排他的に心拍数を予測し、装着されているウェアラブルのバッテリ寿命を向上させる機械学習アルゴリズムについて説明しています。
「消費者のPPGセンサーは、通常、ウェアラブルに使用される加速度計よりも最大5000倍の電力を消費します。これはウェアラブル技術で望まれる長いバッテリ寿命の障害です」と研究者らは書いています。 「加速度計は広く普及しており、心拍センサを含む可能性があるあらゆるデバイスに存在するため、心拍数を予測する手段として加速度の実現可能性を検討することに興味があります。
彼らは、 EurValveプロジェクト 心臓弁置換手術を受けた患者の多年にわたる臨床研究。 それぞれ加速度計（3週間のバッテリ寿命）とパルスオキシメータ（4日間のバッテリ寿命）を備えたフィリップスヘルスモニタを装備し、カスタム設計の計算ユニットであるSmart Home in a Box （SHiB） – 自宅に設置され、両方のウェアラブルデバイスからデータを受信して処理します。
研究者は2つの機械学習モデルを訓練した。 最初はベースラインでした：加速度計からのデータに専ら依存し、着用者の心拍数と調整し、将来の心拍数を予測しようとした回帰モデル。 SHiBユニット上で動作する第2のモデルは、状況に応じていずれかの健康モニタからデータを取り出すことを可能にする「能動的学習」アプローチを採用しました。
「この手法は、ストリーミング加速度計のデータから心拍数をオンラインで予測し、必要に応じてPPGを介して真の心拍数の測定を要求できるようになるでしょう」とチームは書いています。
彼らは、エネルギー使用を削減するためにいくつかの巧妙なトリックを採用しました。 第2のモデルは、歩行やジョギングのような特定の加速パターンが、心拍数が増加する可能性があることを示し、加速度計データまたはパルスオキシメーターデータを使用して心拍数を測定するかどうかを知的に判断することを示した。
「一般的に、アクティブな学習の問題では、サンプルのラベル、特にラベルが特に有用なデータサンプルを検索することが可能です」とチームは書いています。 しかし、これは、加速度データが絶えず到着し、心拍数の推定値を一貫して生成することを望んでおり、遡及的に心拍数を測定することはできません。
研究者らは3人の患者の能動的学習モデルを評価し、それぞれ4週間分のデータを2ヶ月間収集した。 平均絶対誤差（MAE、または2つの連続変数間の距離）はわずか2.5〜5心拍/分であり、エネルギー節約は有意であった。 1つの例では、心拍センサが20.25％の時間で照会された場合、MAEは2.89であった。
これは、フィットネスの狂信者やスマートウォッチのファンにとっても朗報です。