Clustering fitness tracker data to correct interdevice differences in energy expenditure estimation
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Author
Date
2023-05-15
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
67
Series
Abstract
An active lifestyle can prevent many chronic illnesses which has a positive impact not only on individuals but also on societies as a whole. With health care costs increasing, it is understandable that the promotion of a healthy lifestyle is beneficial for many parties. The promotion of activeness has been studied in the past and results suggest that with the help of wearables, people can be motivated to be more active. Unfortunately, systems built for physical activity promotion are built to work with only one specific brand and model of wearable because of inter-device differences. More precisely, different brands and models of wearables give different energy expenditure estimates for similar exercises and therefore results may vary. The primary goal of this thesis was to find out if clustering methods could be used to correct the differences in energy expenditure estimates from different devices for similar activities. If possible, the method could be used to build future activity recommendation systems that work with any device. The suggested procedure would be to cluster similar activities from different wearables in order to calculate an average energy expenditure estimate. The results suggest that the method could be plausible only if the distributions of users for different wearables are similar. While theoretically possible, it would require a lot of time and effort to gather enough users for all considered wearables.Aktiivisella elämäntavalla voidaan ehkäistä monia kroonisia sairauksia, millä on myönteinen vaikutus sekä yksilöille että yhteiskunnille. Terveydenhuoltokulut kasvavat maailmanlaajuisesti, joten on ymmärrettävää, että terveellisten elämäntapojen edistämisestä on hyötyä monelle taholle. Aktiivisuuden edistämistä on tutkittu aiemmin ja tulokset viittaavat siihen, että erilaisten aktiivisuusrannekkeiden avulla ihmisiä voidaan motivoida olemaan aktiivisempia. Valitettavasti aktiivisuuden edistämiseen rakennetut järjestelmät ovat rakennettu toimimaan vain yhden tietyn merkin ja mallin aktiivisuusrannekkeen avulla johtuen laitteiden välisistä eroista. Eri merkkiset ja malliset aktiivisuusrannekkeet antavat erilaisia energiankulutusarvioita samanlaisista aktiviteeteista ja siksi tulokset voivat vaihdella. Tämän opinnäytetyön ensisijaisena tavoitteena oli selvittää, että voiko aktiivisuusrannekkeiden välisten energiankulutuksen arviointieroja korjata klusterointimenetelmillä. Jos mahdollista, menetelmää voitaisiin käyttää rakentamaan aktiivisuuden edistämiseen tarkoitettuja järjestelmiä, jotka toimivat minkä tahansa aktiivisuusrannekkeen kanssa. Ehdotettu menettely on klusteroida samanlaiset aktiviteetit eri aktiivisuusrannekkeilta ja laskea keskimääräinen energiankulutusarvio klustereille. Tulokset viittaavat siihen, että menetelmä olisi mahdollinen, jos eri aktiivisuusrannekkeiden datan jakaumat ovat vastaavanlaisia. Menetelmä toimisi siis, jos jokaiselta aktiivisuusrannekkeelta löytyisi tarpeeksi samanlaista dataa, jonka kerääminen on kuitenkin vaivalloista.Description
Supervisor
Jung, AlexanderThesis advisor
Jung, AlexanderKeywords
clustering, health care data, fitness tracker, mixed data
