Diseño de un sistema basado en tecnologías móviles, wearables y análisis de datos para promover el envejecimiento activo en mayores

Abstract

En las evaluaciones tradicionales del estado de salud de las personas mayores, como la fragilidad o la dependencia, subyace un componente subjetivo basado en las respuestas de los encuestados, unos costes asociados de recursos para los sistemas sociosanitarios y una falta de gestión de la prevención realista, pues no se detectan problemas de salud de forma temprana. Por ello, es necesario el desarrollo e implementación de nuevos sistemas tecnológicos que sean capaces de monitorizar y evaluar estos estados de salud, de forma objetiva, ubicua y transparente para sus usuarios, contribuyendo a la disminución de los costes derivados y promoviendo la prevención. En este trabajo se presenta el diseño de un sistema mobile-Health, lo que significa utilizar diversos dispositivos móviles como wearables, para recopilar datos fisiológicos de las personas mayores, procesarlos y analizarlos de forma objetiva. El trabajo está motivado por la superación de las limitaciones de las evaluaciones tradicionales de los estados de fragilidad y dependencia en las personas mayores. En este sentido, se propone la arquitectura del sistema dentro del paradigma del Internet de las cosas (IoT), m- IoTHealth, donde los distintos dispositivos móviles están interconectados. En concreto el sistema se basa en el estilo arquitectónico de microservicios, donde cada uno de los componentes del sistema está especializado en una tarea concreta. Más concretamente, se proponen los componentes necesarios para recopilar y federar las diferentes fuentes de datos heterogéneas, procesarlas y analizarlas. Además, en este trabajo se generan modelos de aprendizaje automático para evaluar la fragilidad y la dependencia. Asimismo, se propone un modelo de detección de la intención motora como una primera aproximación en el estudio de datos cognitivos. Los resultados de esta tesis aportan una solución tecnológica integral para abordar las evaluaciones de fragilidad y dependencia en personas mayores, la cual no se había abordado antes de esta manera en el estado del arte. Esta solución incluye el diseño de alto nivel de una arquitectura basada en microservicios para organizar el sistema en componentes altamente especializados en las diferentes tareas que se esperan de un m-Health: recopilación, procesamiento y análisis de los datos de los pacientes. En este sentido, hasta donde sabemos, es la primera vez que se hace uso de dispositivos móviles para recopilar datos fisiológicos en un entorno real —durante el desempeño de una actividad compleja (multidimensional: física, social y cognitiva) como es ir a hacer la compra—, procesar esos datos y generar modelos de aprendizaje automático, objetivamente precisos en la evaluación de los estados de fragilidad y dependencia en mayores. Asimismo, gracias al diseño propuesto basado en microservicios especializados, la solución es flexible y permite la reutilización e incorporación de sus distintos componentes para generar nuevos modelos de evaluación e integrarlos en el sistema, como el caso de nuestro modelo de detección de la intención motora. Para la generación de estos modelos, se utilizaron los dispositivos wearables Samsung Gear S3 y Empatica E4, sus sensores de acelerómetro, giroscopio, ritmo cardíaco, temperatura, actividad electrodérmica de la piel (EDA) y la diadema Muse 2, que mide señales de electroencefalograma (EEG). Los datos recopilados de estos dispositivos se preprocesaron con diferentes técnicas como la segmentación en ventanas y el alineamiento de señales. Asimismo, se exploraron diferentes algoritmos de aprendizaje automático como k-Nearest Neighbors, Random Forest, Naïve Bayes y redes neuronales para series temporales (LSTM). Con todo ello, se optimizó la generación de los mejores modelos realizando una búsqueda de los mejores hiperparámetros y la selección de características para reducir la dimensionalidad y encontrar las características más relevantes para la evaluación de fragilidad, dependencia e intención motora. Esta propuesta tiene el potencial, en general, de promover la prevención del deterioro del estado de salud y, en particular, de fragilidad y dependencia, suponiendo una evaluación y monitorización objetiva y una reducción de costes sociosanitarios.

Traditional assessments of the elderly’s health status, such as frailty or dependence, rely on subjective responses to questionnaires. These questionaries have associated resource costs for healthcare systems and entail a lack of realistic prevention management. Hence, it is necessary to develop new technological systems capable of evaluating these health conditions, in an objective, ubiquitous and transparent way for the users, contributing to reducing the derived costs and promoting prevention. This work presents a mobile-Health system that collects and analyzes physiological data from the elders using various mobile devices. The system architecture follows the Internet of Things (IoT) paradigm, m-IoTHealth, interconnecting different mobile devices. Specifically, the system adopts the microservices architectural style, in which each component specializes in a single, fine-grained, task. These tasks consist of collecting, federating, and analyzing the heterogeneous data sources. To assess our system, we generated machine-learning models to evaluate the fragility and dependency status. We also proposed a motor imagery detection model as the first approach to study cognitive data. The results of this thesis provide a comprehensive technological solution to assess frailty and dependency of elderly people. This solution includes the high-level design of a microservices-based architecture with highly specialized components for the different tasks expected from an m-Health. To the best of our knowledge, this is the first time a system collects and processes physiological data generating machine-learning models during the performance of a complex activity (multidimensional: physical, social, and cognitive) such as shopping. The results are objective and accurate in the assessment of the frailty and dependency status of older adults. Thanks to the proposed design based on specialized microservices, the solution is flexible, and allows the reuse and integration of its different components to generate new assessment models, as in the case of our motor imagery detection model The generation of these models involved the use of different sensors embedded in the Samsung Gear S3, Empatica E4, and Muse 2 wearables, such as the accelerometer, gyroscope, heart rate, temperature, electrodermal skin activity (EDA), and electroencephalogram (EEG) signals. We use different preprocessing techniques, such as window segmentation and signal alignment, and explore several machine learning algorithms such as k-Nearest Neighbors, Random Forest, Naïve Bayes, and neural networks for time series (LSTM). To optimize the models, we search for hyperparameters that reduce dimensionality and identify relevant features. This proposal could promote the prevention of the deterioration of the health status by the early detection of decay. In particular, it could prevent frailty and dependence, reducing, at the same time, social and healthcare costs.