Intervalos de normalidad en medidas de actimetría: un estudio para diferentes tipos de actímetros

Abstract

La actimetría es un método de monitorización de actividad no invasivo que está tomando cada vez más protagonismo en la vida cotidiana como marcador de vida saludable. Sin embargo, existen en el mercado diferentes tipos de actímetros, pero sólo algunos de ellos cumplen los requisitos necesarios para su validez en el diagnóstico clínico. En este Trabajo Fin de Máster se comparan características extraídas mediante estos distintos tipos de actímetros. A fin de hacer comparables los datos proporcionados por un actímetro válido en el ámbito clínico, en este caso el wGT3X-BT de Actigraph, y los datos extraídos de un dispositivo comercial, la pulsera inteligente Microsoft Band 2, se aproximan los datos de actividad (counts) del primero a partir de los datos de aceleración del segundo. Para ello, fue necesario el desarrollo de una aplicación móvil que permitiese extraer los datos de aceleración del actímetro comercial. Una vez extraídos dichos datos se llevó a cabo un preprocesado consistente en un remuestreo y alineación de los mismos de manera que las señales quedaran acondicionadas para su posterior procesado. La aproximación de counts a partir de los datos de aceleración se lleva a cabo mediante aprendizaje automático, analizando los resultados obtenidos mediante redes neuronales y bosques aleatorios. Finalmente, se extraen características de los datos de ambos actímetros, siendo éstas comparables.

Actimetry is a method to monitor activity in a non-invasive manner that is increasingly taking a leading role in everyday life as a marker of healthy life. However, there are different types of actimeters on the market, but only some of them meet the requirements for their validity in clinical diagnosis. In this Master’s Thesis we compare features extracted by these different types of actimeters. In order to make the data provided by a valid actimeter in the clinical field, in this case Actigraph’s wGT3X-BT, comparable to data extracted from a commercial device, the Microsoft Band 2 smartband, the activity data from the first one (counts) are aproximated from the acceleration data of the second. For this, it was necessary to develop a mobile application that allowed to extract the data of acceleration of the commercial actimeter. Once this data was extracted a preprocessing consisting of a resampling and alignment was carried out so that the signals were conditioned for further processing. The approximation of counts from the acceleration data is performed through machine learning, analyzing the results obtained through neural networks and random forests. Finally, data characteristics of both actimeters are extracted, being these comparable.