Activity recognition of hospital patients for wearable noninvasive blood pressure monitoring

Abstract

Blood pressure (BP) is a vital sign monitored in hospital patients to assess their cardiovascular state. BP is commonly measured in hospital wards noninvasively at regular intervals, but these occasional noninvasive blood pressure (NIBP) readings do not provide enough information on patient condition or its deterioration. A wearable NIBP monitor that conducts measurements automatically when the patient is in a passive state is an attractive solution to this problem. Wearable, automated NIBP monitoring would increase patient comfort and safety, while reducing the workload of clinicians. However, the monitor should be able to recognize the physical activity state of the patient and delay the measurement if the patient is active when the measurement is about to start. Utilizing the activity information would thus improve the reliability of wearable, automated NIBP measurements.

The aim of this thesis is to recognize daily activities of hospital patients with machine learning methods applied to accelerometer data. The data are collected with wearable sensors from 25 patients and two different locations, wrist and chest. This thesis also aims at finding the optimal maximum delay that a wearable NIBP measurement can be postponed before a measurement must be taken, and the optimal minimum time that a patient should be classified into a nonactive state before an automated measurement can start. To find these parameters, simulations of wearable NIBP measurements are conducted with an activity-based triggering (ABT) algorithm.

The results show that daily activities of hospital patients can be recognized from accelerometer data to a limited extent and that wrist accelerometer data are more suitable for this purpose. Moreover, the results indicate that the suitable maximum delay for wearable NIBP measurements is 30 minutes, and the recommended minimum time in a nonactive state is 10 seconds.

The obtained results prove that implementing activity recognition into the wearable NIBP monitor is beneficial. However, the performance of activity recognition still needs to be improved. Also testing of the recognition capabilities using data obtained with an accelerometer that is embedded into a wearable NIBP monitor prototype is required.

Verenpaine on yksi sairaalapotilailta monitoroiduista elintoiminnoista heidän sydän- ja verenkiertoelimistönsä tilan arvioimiseksi. Verenpainetta mitataan tyypillisesti sairaalaosastoilla ei-invasiivisesti säännöllisin väliajoin, mutta nämä satunnaiset ei-invasiiviset verenpainelukemat eivät anna tarpeeksi tietoa potilaan tilasta tai sen heikkenemisestä. Kannettava ei-invasiivinen verenpainemittari, joka ottaa mittauksia automaattisesti potilaan ollessa rauhallisessa tilassa, on mahdollinen ratkaisu tähän ongelmaan. Kannettava, automatisoitu ei-invasiivinen verenpainemonitorointi lisäisi potilaiden mukavuutta ja turvallisuutta vähentäen samalla sairaalahenkilökunnan työmäärää. Laitteen pitäisi kuitenkin pystyä tunnistamaan potilaan fyysinen aktiivisuustila ja viivyttämään mittausta, jos potilas on aktiivinen, kun mittaus on alkamassa. Aktiivisuustietojen hyödyntäminen parantaisi täten kannettavien, automaattisten verenpainemittausten luotettavuutta.

Tämän diplomityön tavoitteena on tunnistaa sairaalapotilaiden päivittäisiä aktiivisuustiloja kiihtyvyysanturidatasta koneoppimisen keinoin. Data on kerätty kannettavin anturein 25 potilaalta ja kahdesta eri paikasta, ranteesta ja rinnasta. Lisäksi diplomityö tähtää löytämään optimaalisen maksimiviiveen, jolla kannettavaa verenpainemittausta voidaan myöhäistää, ennen kuin mittaus täytyy viimeistään ottaa, sekä optimaalisen minimiajan, joka potilaan tulisi olla luokiteltuna rauhalliseen tilaan ennen kuin automaattinen mittaus voi alkaa. Näiden parametrien löytämiseksi kannettavia verenpainemittauksia simuloidaan aktiivisuuspohjaisella mittauksen käynnistysalgoritmilla.

Diplomityön tulokset osoittavat, että sairaalapotilaiden päivittäisiä aktiivisuustiloja voidaan tunnistaa kiihtyvyysanturidatasta rajoitetusti, ja että ranteesta kerätty data soveltuu tähän tarkoitukseen paremmin. Tämän lisäksi tulokset osoittavat, että sopiva maksimiviiveaika kannettaville verenpainemittauksille on 30 minuuttia, ja suositeltu minimiaika rauhallisessa aktiivisuustilassa on 10 sekuntia.

Saadut tulokset todistavat aktiivisuuden tunnistuksen olevan hyödyllistä kannettavassa ei-invasiivisessa verenpainemonitoroinnissa. Aktiivisuuden tunnistuksen suorituskykyä tulee silti yhä parantaa, ja sen mahdollisuuksia kannettavalla verenpainemonitoriprototyypillä hankitulla kiihtyvyysanturidatalla tulee testata.