Journal of NeuroEngineering and Rehabilitation, 2005; 2: 17-17 (más artículos en esta revista)

Cascos y sistemas de retroalimentación para la rehabilitación

BioMed Central
Michael Sung (msung@media.mit.edu) [1], Carl Marci (cmarci@partners.org) [2], Alex Pentland (sandy@media.mit.edu) [1]
[1] El Laboratorio de Medios, Instituto de Tecnología de Massachusetts, Cambridge, MA, EE.UU.
[2] Massachusetts General Hospital, Departamento de Psiquiatría, Boston, MA, EE.UU.

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons License (http://creativecommons.org/licenses/by/2.0], que permite el uso irrestricto, la distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada.

Resumen

En el presente trabajo se describen LiveNet, una plataforma flexible portátiles destinados al ambulatorio a largo plazo de vigilancia de la salud con datos en tiempo real y el streaming contexto clasificación. Sobre la base de la Computación del MIT usables del Grupo de arquitectura de sistema distribuido móviles, LiveNet es un país estable, que combina el sistema de acceso de bajo costo, producto de hardware, un sensor flexible / periféricos interconexión autobús, y un poderoso, liviano distribuido de detección, clasificación, y entre procesos Arquitectura de software de comunicaciones para facilitar el desarrollo de la distribución en tiempo real multimodal y aplicaciones sensibles al contexto. LiveNet es capaz de vigilar continuamente una amplia gama de señales fisiológicas, junto con la actividad del usuario y el contexto, para desarrollar una personalizada, rico en datos de salud de un perfil de usuario con el tiempo. Estamos demostrar el poder y la funcionalidad de esta plataforma mediante la descripción de una serie de aplicaciones de vigilancia de la salud mediante el sistema de LiveNet en una variedad de estudios clínicos que están en marcha. Las evaluaciones iniciales de estos experimentos piloto demuestran la posibilidad de utilizar el sistema de LiveNet para aplicaciones en el mundo real en la medicina de rehabilitación.

Antecedentes e Introducción

En el próximo decenio, cambios dramáticos en los sistemas de salud se necesitan en todo el mundo. En los Estados Unidos exclusivamente, 76 millones de "baby boomers" están llegando a la edad de jubilación en la próxima década [1]. Actual de los sistemas de salud no están estructuradas para poder adecuadamente el servicio de las necesidades de la creciente población que envejece, y una grave crisis es inminente. El sistema actual está dominada por las frecuentes y caras visitas de pacientes a médicos y salas de emergencia para la prevención y el tratamiento de la enfermedad. El hecho de no hacer más frecuentes y regulares de vigilancia de la salud es particularmente problemática para los ancianos con co-morbilidad múltiple y, a menudo, tenue y rápida evolución de los estados de salud. Aún más inquietante es el hecho de que especialistas médicos actuales no pueden explicar cómo desarrollar la mayoría de los problemas, ya que por lo general sólo ven los pacientes cuando algo ya ha ido mal.

Dada esta inminente crisis de la asistencia sanitaria, es imprescindible ampliar los servicios sanitarios de los hospitales en los ambientes domésticos. Aunque ha habido poco éxito en la ampliación de la atención de la salud en el hogar, es claramente una enorme demanda. En 1997, los estadounidenses gastaron $ 27 millones en la atención de la salud fuera del centro sanitario, y de esa cantidad ha ido en aumento [2]. Además, nuestra forma espectacular envejecimiento de la población hace que sea absolutamente necesario desarrollar sistemas que mantienen a las personas fuera de los hospitales. Para el año 2030, casi 1 de cada 2 hogares incluirá a alguien que necesita ayuda para realizar actividades básicas de la vida diaria y de trabajo de las intervenciones será impracticable debido a la escasez de personal y el costo [2].

La mejor solución a estos problemas radica en las tecnologías de asistencia sanitaria más activa que poner más control en manos de los pacientes. La visión es la de un sistema de salud que ayuden a una persona a mantener su perfil de salud normal mediante el suministro de un mejor seguimiento y retroalimentación, a fin de que los primeros signos de problemas de salud pueden ser detectados y corregidos. Esto puede lograrse mediante la supervisión continuada asequible una gran variedad de señales vitales, suministro de los sistemas de alerta temprana para las personas con alto riesgo de problemas médicos, y "cuidado de las personas mayores" sistemas de vigilancia que va a ayudar a mantener a las personas mayores de hogares de ancianos y en su vida independiente Arreglos.

La mayoría dispone de las plataformas comerciales móviles de asistencia sanitaria se han centrado en las aplicaciones de adquisición de datos, con poca atención que se presta a que permite en tiempo real, aplicaciones sensibles al contexto. Empresas como VivoMetrics [3], Bodymedia [4], y Mini-Mitter [5], han ampliado el concepto básico de los ambulatorios Holter monitor (que permite a un médico para un paciente del registro ECG continuada durante 24-48 horas), que para Tres décadas ha sido el único de salud en el hogar monitor con el uso generalizado [6]. Adiciones a este paradigma de la vigilancia individual se han extendido a lo largo de dos frentes: médico y telemetría en tiempo real crítico de vigilancia de la salud. En cuanto a las primeras, los diversos sistemas de telemetría médica hospitalaria se han desarrollado en los últimos años, centrado en proporcionar una infraestructura de transporte y almacenamiento de los datos de los pacientes a los cuidadores para su posterior análisis [7]. En cuanto a este último, algunos sistemas han ampliado el concepto de vigilancia de la salud mediante el aumento de seguimiento de carácter fisiológico (por lo general, sobre la base de un único sensor fisiológico) con algoritmos especializados para la supervisión en tiempo real en determinados ámbitos de aplicación, como la arritmia del corazón, los ataques de epilepsia, Y la apnea del sueño, que puede activar algunos críticos alertas cuando las condiciones o eventos ocurren [8, 9]. Sin embargo, el dinámico desarrollo de la atención sanitaria más allá de estas tecnologías básicas de telemedicina y aplicaciones de monitoreo de eventos individuales ha sido bastante lento. La principal limitación ha sido la gran inflexibilidad de los costos y limita las modalidades de vigilancia relacionados con estas tecnologías y la impracticality para el uso a largo plazo en la configuración general.

Este trabajo presenta LiveNet, una plataforma flexible distribuido móviles que pueden desplegarse para una variedad de aplicaciones dinámicas de atención médica que permite monitorear el contexto inmediato y proporcionar retroalimentación. Sobre la base de los costos efectivos de PDA hardware personalizado con sensores y adquisición de datos además de un centro de la infraestructura de software ligero, es capaz de LiveNet locales de detección en tiempo real de los procesos de transformación y flujo de datos distribuidos. Este sistema integrado de vigilancia, también podemos incluir cuerpo fuera de los recursos para infraestructura inalámbrica, de largo plazo y el registro de datos de almacenamiento, la visualización o la pantalla, complejo de detección, y procesamiento de cómputo intensivo. LiveNet El sistema permite a la gente recibir en tiempo real información de sus continuamente supervisada y analizada estado de salud. Además, LiveNet pueden comunicar información de salud a las personas que cuidan y otros miembros de un individuo red social de apoyo y la interacción. Así, mediante la combinación de los fines generales de salud especializados con hardware / contexto de sensores dentro de un entorno de red, es posible la construcción de un multi-funcional de la asistencia sanitaria de dispositivos móviles que es, al mismo tiempo, personal de salud en tiempo real seguimiento, retroalimentación interfaz multimodal, Sensible al contexto agente, y la red social de apoyo al servicio y comunicador.

Con el desarrollo de la cada vez más poderosa tecnología de detección de diagnóstico, los médicos pueden obtener información específica contexto más directamente, en lugar de depender de un paciente recuerdo de los acontecimientos pasados y de los síntomas, que suelen ser vagas, incompletas y propenso a errores. Si bien muchas de estas tecnologías especializadas de detección han mejorado con el tiempo, la mayoría de los equipos médicos está aún lejos de la visión de barato, pequeño, móvil y de los monitores no invasivos. Moderna tecnología de la imagen cuesta miles de dólares al escanear, requiere habitación de tamaño cámaras equipo, incómodo y requiere de tiempo y dinero en procedimientos. Personal de los sistemas de salud, por otra parte, debe ser ligero, fácil de utilizar, discreta y flexible, y no invasivos para avanzar dispositivos como viable que la gente va a usar.

Como tal, existe un potencial enorme para la básica no invasiva de vigilancia como complemento de la más invasivas de diagnóstico dispositivos de detección. LiveNet El sistema se centra en la utilización de combinaciones de no invasivos de detección y características del contexto (por ejemplo, la frecuencia cardiaca, movimiento, funciones de voz, conductancia de la piel, temperatura y flujo de calor, la ubicación) que se puede correlacionar con mayor participación de la fisiología clínica de detección tales como pulso Oximetría, presión arterial, plomo y multi-ECG. LiveNet sensores en el sistema autonómico puede vigilar continuamente la fisiología, la actividad motora, patrones de sueño, y otros indicadores de salud. Los datos de estos sensores se pueden utilizar para crear un perfil personalizado del rendimiento y la salud a largo plazo en el tiempo adaptados a las necesidades de los pacientes y sus proveedores de salud. Esta combinación única de características también permite la cuantificación de los datos personales contextuales tales como cantidad y calidad de las interacciones sociales y actividades de la vida diaria. Este tipo de información puede ser muy útil para aumentar el poder predictivo de los sistemas de diagnóstico.

El aspecto más importante de la LiveNet sistema es que permite la práctica, a largo plazo, determinados por el contexto en continua vigilancia. Asegura el seguimiento continuo de la captura de los eventos y la fisiología asociados siempre que sea el paciente es, la ampliación de la vista de la atención sanitaria más allá de la tradicional configuración de pacientes hospitalizados y ambulatorios. Monitoreo a largo plazo tiene el potencial de ayudar a crear nuevos modelos de comportamientos de salud. Por ejemplo, la vigilancia a largo plazo puede proporcionar importantes conocimientos sobre la eficacia y efectividad de los regímenes de medicación sobre la fisiología y el comportamiento de un paciente en el tiempo en la actualidad las resoluciones de obtener. Además, el progreso en términos de entendimiento de la fisiología y el comportamiento humano se traducirá en el hecho de que las tendencias a largo plazo puede examinarse en detalle. Estos avances incluyen el desarrollo y seguimiento de la evolución de las enfermedades, el desarrollo de los factores predictivos de respuesta al tratamiento y la prevención de la reincidencia, el seguimiento de los cambios en la fisiología de las personas envejecen, la fisiología a través de la comparación de las diferentes poblaciones (de género, el origen étnico, etc), e incluso a sabiendas de los patrones característicos fisiología De las personas que son saludables (este último ejemplo es especialmente importante cuando es necesario como una metodología de diagnóstico diseñado para definir cuantitativamente el comportamiento anormal). El objetivo es ser capaz de detectar la repetición de los patrones de comportamiento humano en el complejo a través del análisis de los patrones en los datos obtenidos de la LiveNet sistema. De vigilancia continua, una granulosidad muy fina de los datos cuantitativos se pueden obtener, en contraste con las encuestas y la toma de la historia que ha sido el pilar de estudios a largo plazo y las intervenciones de salud a la fecha.

El sistema LiveNet

Existen tres componentes principales al sistema de LiveNet: un asistente personal de datos (PDA), móviles portátiles basados en la plataforma, el software de red y los recursos de descubrimiento interfaz de programa de aplicación (API), y una máquina del tiempo real de aprendizaje inferencia infraestructura. El sistema LiveNet demuestra la capacidad de utilizar hardware estandarizado PDA atado junto con una arquitectura de software flexible y modular de sensores de infraestructura para crear una plataforma de sistema distribuido donde sofisticadas aplicaciones de la asistencia sanitaria pueden ser desarrollados. Si bien el actual sistema de las implementaciones se basan en la PDA, la infraestructura de software está diseñado para ser portátil a una variedad de dispositivos móviles, incluyendo teléfonos móviles, ordenadores comprimido, y otros dispositivos de convergencia. Como tal, el sistema aprovecha comercial off-the-shelf con uniformes de los componentes de base de la capa protocolos de comunicación (por ejemplo, TCP / IP), lo que permite la rápida adopción y despliegue de estos sistemas en entornos del mundo real.

LiveNet El sistema se basa en la arquitectura MIThril portátiles desarrollado en el Instituto de Tecnología de Massachusetts (MIT) Media Laboratory [10]. Este resultado combina la arquitectura de hardware de bajo costo productos básicos, un sensor flexible / periféricos interconexión autobús, y una potente luz de peso distribuido de detección, clasificación, y el proceso de comunicación entre la capa de software para facilitar el desarrollo de la distribución en tiempo real multimodal y sensible al contexto Aplicaciones.

El LiveNet infraestructura de hardware y software ofrece una forma fácil y flexible para recoger los flujos de información heterogéneos, realizar en tiempo real y procesamiento de datos sobre esta información, la clasificación y el regreso de resultados y estadísticas. Esta información puede resultar en más eficaz, sensible al contexto y aplicaciones interactivas dentro de la configuración de la asistencia sanitaria.

Varios de los principales atributos de la LiveNet sistema que lo convierten en un entorno distribuido sistema de salud incluyen:

• jerárquica, arquitectura modular distribuida

• Sobre la base de estándares básicos / incrustados hardware que se puede mejorar con el tiempo

• Wireless con capacidad de envío de recursos / descubrimiento y flujo de datos distribuidos a los puntos finales

• Se apoya los actuales diseños de sensores y sensores comerciales para aplicaciones sensibles al contexto que pueden facilitar la interacción de manera significativa y ofrecer información pertinente y oportuna y de la información

• Unobtrusive, mínimamente invasiva, y con un mínimo de distracción

• Abstracted red de comunicaciones con la capa de sockets seguros (SSL) con encriptación de datos en tiempo real de streaming y la asignación de recursos / descubrimiento

• Continuo monitoreo a largo plazo capaz de almacenar una amplia gama de la fisiología, así como información contextual

• clasificación en tiempo real y el análisis y la retroalimentación de datos que puedan promover y hacer efectivo el cumplimiento de comportamiento saludable

• Tendencia / análisis para caracterizar a largo plazo las tendencias de comportamiento de la repetición de patrones de conducta y sutiles señales fisiológicas, así como a la bandera de las desviaciones de la conducta normal

• Permite a las nuevas formas de interacción social y la comunicación basadas en la comunidad para el apoyo de sus compañeros y el establecimiento de fuertes vínculos sociales dentro de los grupos familiares

LiveNet la tecnología móvil

LiveNet El sistema se basa actualmente en la Sharp Zaurus (Sharp Electronics Corporation, EE.UU.), un PDA basado en Linux para dispositivos móviles que tienen planes de desarrollo comercial y una activa comunidad de desarrolladores de código. Aunque LiveNet puede utilizar una variedad de dispositivos basados en Linux, la PDA Zaurus proporciona una plataforma muy conveniente. Este dispositivo permite que las aplicaciones que requieren tiempo real de análisis de datos, de igual a igual de red inalámbrica, audio full-duplex, locales de almacenamiento de datos, la interacción gráfica, y teclado / pantalla táctil de entrada.

Con el fin de observar de manera eficaz datos contextuales, una plataforma flexible vestibles debe tener un medio para reunir, procesar, interpretar el presente y en tiempo real datos contextuales [34]. Para ello, los LiveNet incluye un sistema modular de sensores centro llamado el Ejército suizo-Knife-2 (SAK2) junta que se pueden utilizar para el dispositivo móvil de instrumento para la recopilación de datos contextuales.

El SAK2 es muy flexible tarjeta de adquisición de datos que sirve como el eje central de sensores LiveNet para la arquitectura del sistema. El SAK2 incorpora un potente microcontrolador PIC 40 MHz, de alta eficiencia de energía regulada (ambos de 5 V y 3,3 V para alimentar la tarjeta de red y sensor) de una gama flexible de las fuentes de la batería, un tranceiver inalámbrica de 2,4 GHz capaz de megabits de datos, Compact Flash Basado en la memoria de almacenamiento, y varios puertos de interfaz (I2C, serie RS-232, conector hija bordo).

El SAK2 bordo fue diseñado principalmente para interfaz de una variedad de sensores con tecnologías de dispositivos móviles basados en las plataformas portátiles para permitir en tiempo real sensible al contexto, aplicaciones de streaming de datos. El SAK2 es extremadamente flexible de adquisición de datos central, lo que permite una amplia variedad de las costumbres, así como de terceros sensores a la interface a la misma. Además de ser un centro de sensores, la SAK2 también puede operar en modalidad stand-alone (es decir, sin un móvil o PDA Zaurus de acogida) para los contratos a largo plazo de adquisición de datos (utilizando el conector de la tarjeta CF) y en tiempo real interactivo Aplicaciones.

Fisiológicos y de la tecnología de sensor de Contenidos

Con el fin de apoyar a largo plazo de vigilancia de la salud y actividades de la vida diaria aplicaciones, especializado extensible, totalmente integrado de sensores fisiológicos bordo de la llamada BioSense se desarrolló como un complemento a la pensión SAK2. La junta incorpora un período de tres dimensiones (3D) acelerómetro, ECG, EMG, galvánica conductancia de la piel, una serie a I2C Convertidor (que pueden permitir la conexión de múltiples simultáneas 3 ª Parte de serie basada en dispositivos de detección de la red de sensores), y Amplificadores independientes de temperatura / respiración / otros sensores que pueden ser de tipo margarita encadenada a ofrecer una gama flexible de la amplificación de las señales de entrada analógicas arbitraria. Hacia más desarrollo no invasivo de detección de tecnologías, hemos iniciado una colaboración con el Instituto Fraunhofer para reducir el tamaño del BioSense hardware para crear un sistema embebido microminiaturized que se puedan incorporar en cascos y las telas. Un prototipo de un grupo de trabajo se inició con menos peso ligero basado en el ECG camisa conductora textiles ya se ha creado.

Junto con la base fisiológica de la capacidad de detección del sistema LiveNet con BioSense hija bordo, toda una serie de otras costumbres y tercero sensores se pueden integran a la perfección con el sistema, incluyendo:

• Múltiples usables Sensor Adquisición (WMSAD) Junta, proporcionando un acelerómetro 3D, de infrarrojos (IR) etiqueta, etiqueta lectores de infrarrojos (vertical, en la puerta en lugar de la localización GPS, y horizontal de los pares o identificación de objetos), y el micrófono para telefonía De la categoría de 8 kHz de audio. Esta es una interfaz a través de la SAK2 el puerto I2C. [11].

• Las etiquetas Squirt RE: RE balizas que pueden emitir identificadores únicos (hasta 4 independiente de las señales por separado y montadas de dirección ajustable IR-LEDS) [12]. Estos se pueden utilizar para etiquetar las personas, objetos, lugares (por ejemplo utilizado en arreglos en el techo para identificar la ubicación a metros de resolución en el interior dentro de las instancias donde el GPS no es eficaz), o incluso como sensores ambientales para determinar la actuación de determinados eventos, tales como Apertura / cierre de los cajones, armarios o puertas.

• Etiqueta IR Reader: para ser usado en conjunción con el Squirt etiquetas para poder identificar con etiquetas los objetos, personas, lugares o incluso [12].

• Acelerómetro Junta: junta acelerómetro 3D de gran utilidad para una variedad de actividades de clasificación. Se ha demostrado que una sola junta acelerómetro puede ser usado para clasificar con precisión la actividad estatal (de pie, caminar, correr, acostarse, andar en bicicleta, subir escaleras, etc.) Interconectadas a la SAK2 utilizando el puerto de sensor.

• BodyMedia SenseWear: un conjunto de sensores integrados de salud que proporciona la frecuencia cardíaca (Polar corazón a través de una correa), la respuesta galvánica piel, 2D acelerómetro, la temperatura (ambiente y de la piel), y el flujo de calor en un factor de forma pequeño paquete desgastado en la parte posterior de El brazo [4]. La interfaz puede SAK2 a la SenseWear forma inalámbrica a través de un 900-MHz tranceiver adjunto a la serie-toI2C puente (tranceiver la interfaz y monitor de ritmo cardiaco fue abandonado en la SenseWear Pro 2)

• Sensor MITes Ambiental: un acelerómetro 3D inalámbrica utilizando el protocolo nRF 2,4 GHz ha sido desarrollado por el house_n grupo en el Media Lab de sensores inalámbricos para la vigilancia del medio ambiente las actividades humanas en entornos naturales [13]

• Socio-Insignias: Multifuncional tableros de a bordo con procesador DSP de procesamiento de audio capaz de características, tranceiver RF, IR transceptor, un brillo de control del LED de visualización de salida, vibratorio comentarios, cambiar de navegador, la memoria flash, entrada de audio / micrófono y pantalla LCD opcional [14]. Esta credencial es para la creación de redes sociales de los experimentos interactivos y otras aplicaciones distribuidas.

El sensor central también nos permite interactuar con una amplia gama de sensores disponibles en el comercio, incluida la oximetría de pulso, respiración, presión arterial, EEG, de azúcar en la sangre, la humedad, la temperatura, flujo de calor, y los sensores de CO 2. Cualquier número de estos sensores se pueden combinar a través de los cruces de crear un cuerpo sobre diversificada red de sensores. LiveNet El sistema también puede ser equipado con BlueTooth, segura de datos (SD) o Compact Flash (CF) sensores y periféricos, y otros de E / S y dispositivos de comunicación incluyendo GSM / GPRS / CDMA / 1 × RTT módems, unidades GPS, Imagen y cámaras de vídeo, la memoria de almacenamiento, e incluso completo montado en la cabeza VGA muestra.

Con la combinación de sensores fisiológicos bordo y sensores de terceros, un sistema totalmente equipado LiveNet puede simultáneamente y vigilar continuamente y registrar acelerómetro 3D, audio, ECG, EMG, la respuesta galvánica piel, la temperatura, la respiración, el oxígeno en sangre, presión arterial, flujo de calor, Frecuencia cardíaca, IR faro, y hasta 128 canalizada independientemente actividad sensores ambientales. El sensor de datos y en tiempo real el resultado de una clasificación LiveNet sistema también puede ser fluyó fuera del cuerpo para su posterior procesamiento de los servidores, activar alarmas o notificar a los miembros de la familia y cuidadores, o / LiveNet procesados por otros sistemas u ordenadores conectados a los flujos de datos Complejo de interacciones en tiempo real.

Software

La arquitectura de software permite a los diseñadores de diseño distribuido rápidamente, el grupo de aplicaciones basadas en el uso contextual de que la información sobre los miembros de un grupo. Capas en la parte superior de las bibliotecas estándar, este middleware se compone de tres partes importantes: el Encanto Whiteboard, el sistema de señales Encanto, y el MIThril Real-Time Contexto del motor [10]. Respectivamente, estos tres capas proporcionan la capacidad para coordinar fácilmente entre aplicaciones distribuidas, transmitir señales de gran ancho de banda entre las aplicaciones, y crear módulos de la clasificación que hacen de un grupo cambiante de la información contextual disponible para las aplicaciones.

El Encanto Whiteboard es un sistema distribuido, cliente / servidor, la comunicación entre procesos que proporciona un sistema ligero camino para aplicaciones de comunicación. Este sistema de procesos, publica, y recibe actualizaciones, la disociación específica de los procesos de información. Esto es particularmente útil en el móvil, aplicaciones basadas en grupo donde los miembros del grupo no pueden ser conocidos a priori y pueden ir y venir a través del tiempo.

Para mayor ancho de banda de señales, especialmente los relacionados con el intercambio y el procesamiento de datos de sensores para aplicaciones sensibles al contexto, hemos desarrollado el sistema de señales Encanto. El sistema de señales está destinado a facilitar la distribución y el procesamiento de señales digitales en una red de forma transparente. La señal se basa en el sistema de punto-a-punto de comunicación entre clientes, con la señal de "manijas" de su difusión en Whiteboards para facilitar el descubrimiento y conexión. En el espíritu de Whiteboard interacciones, la API de los resúmenes de señales de distancia cualquier necesidad de que la señal produce saber quién, cuántos, o incluso si hay cualquier señal de los consumidores conectados.

El MIThril Real-Time Context Engine es un código abierto, ágil, y la arquitectura modular para el desarrollo y aplicación de tiempo real contexto clasificadores para aplicaciones portátiles. Usando el motor de contexto, podemos aplicar algoritmos de aprendizaje automático liviano (capaces de funcionar en un sistema embebido como el PDA Zaurus) al proceso de sensor de flujo de datos, permitiendo que los sistemas para identificar y clasificar los distintos usuario en el contexto de estado en tiempo real.

Aplicaciones de ejemplo

En la siguiente sección, una serie de casos del mundo real ejemplos de aplicaciones clínicas basa en diversas partes del sistema LiveNet se detallan. Estos ejemplos demuestran el modular, configurable LiveNet naturaleza de la infraestructura y la flexibilidad de la arquitectura para dar cabida a una variedad de gran ancho de banda, las aplicaciones en tiempo real.

Salud y clasificación clínica

LiveNet El sistema ha demostrado ser una cómoda, adaptable plataforma para el desarrollo de la monitorización en tiempo real y los sistemas de clasificación utilizando una variedad de datos de sensores, incluyendo acelerómetro actividad basada en la clasificación de estado que puede diferenciar entre una variedad de actividades (por ejemplo, correr, Caminando, de pie, andar en bicicleta, subir escaleras) [15], basado en acelerómetro head-nodding/shaking acuerdo clasificadores, GSR basada en el estrés y la emoción de detección, de audio y de voz basados en clasificadores característica que puede ayudar a caracterizar la dinámica de la conversación (por ejemplo, Hablando de tiempo, prosodia, el estrés) [16].

El trabajo sobre estos clasificadores en tiempo real también se ha ampliado para incluir una variedad de condiciones de salud. Ejemplos de colaboraciones entre el MIT usables Grupo de Computación [17] y proveedores de servicios de salud han dado lugar a una serie de estudios piloto incluido un estudio de la hipotermia con el Ejército de Estados Unidos en Natick, en Natick Laboratories; un estudio sobre los efectos de los medicamentos sobre el estado de la disquinesia Los pacientes de Parkinson con neurólogos en la Escuela de Medicina de Harvard, un estudio piloto de la epilepsia clasificador con la Universidad de Rochester para el futuro Centro de Salud, y un estudio de la depresión curso de tratamiento con psiquiatras Escuela de Medicina de Harvard.

Críticos de soldado de vigilancia

Rangers del Ejército y otros soldados deben realizar física y mentalmente exigentes tareas bajo difíciles condiciones ambientales que van desde la extrema de calor a frío extremo. Termorregulación, o el mantenimiento de la temperatura corporal dentro de un rango funcional, es fundamental para el rendimiento sostenido. Una investigación de colaboración con el Instituto de Investigación del Ejército de Medicina Medioambiental (ARIEM) en el Ejército de Natick Labs se inició para estudiar los efectos de ambientes adversos sobre la fisiología soldado a través de la utilización de medios no invasivos de detección. En concreto, no invasivos de detección acelerómetro se utilizó para determinar la hipotermia y el frío estado de exposición, como parte de una iniciativa más amplia para desarrollar un dispositivo de vigilancia fisiológica soldados de los EE.UU. bajo. Ejército objetivo del programa de la fuerza guerrera.

En el estudio, en tiempo real vestibles monitor se desarrolló utilizando el sistema de LiveNet que es capaz de clasificar con precisión a través de escalofríos moción acelerómetro de detección y análisis estadístico utilizando técnicas de aprendizaje automático [18]. Tiempo real de trabajo se han desarrollado sistemas de clasificación de los modelos gaussianos Mezcla utilizando frecuencias características derivadas de cálculo concreta de una transformada de Fourier (FFT) sobre los datos en bruto acelerómetro. Los datos preliminares demuestran que los temblores se pueden distinguir con precisión hasta un 95% de precisión de los movimientos corporales en general diversas actividades utilizando acelerómetro de detección continua. Los resultados también indican que los modos específicos de los temblores (temas en el estudio todos mostraron una luz tiritar en una característica de frecuencia al inicio del protocolo, que progresaron en un más ruidosa y enérgica respuesta de propagación a través de temblores más bandas de frecuencia, y que termina en un frustrado escalofríos Hacia el final del protocolo) se correlaciona con la temperatura corporal de los regímenes, como una persona se expone al frío en el tiempo. De hecho, los resultados preliminares de seis temas demostrar que podemos triage un soldado en tres regímenes de la temperatura corporal (Base / Cold / Mucho frío) con una precisión en el rango 92-98% utilizando HMM (Modelos Ocultos de Markov) Técnicas de modelado. HMM modelado tiene la ventaja de estar en capacidad de establecer el modelo de tiempo que dependen de los cambios en los temblores en el tiempo como una persona se expone al frío. Esta investigación exploratoria muestra la larga promesa de ser capaces de desarrollar sólidos en tiempo real los sistemas de vigilancia de la salud capaces de clasificar a la exposición fría de los soldados en ambientes fríos, con duras no invasivos de detección y mínimos recursos computacionales incorporados.

Vigilancia de la enfermedad de Parkinson

LiveNet promete ser especialmente eficaces para la vigilancia de los tratamientos médicos. Actualmente, los médicos prescriben medicamentos basados en el promedio de la población en vez de las características del individuo, y que compruebe la idoneidad de la medicación niveles sólo de vez en cuando. Con ese sistema de datos de los pobres, no es de extrañar que las dosis de medicación son más frecuentes-o subestimado, y que imprevistos pueden producirse interacciones medicamentosas. Estratificar a la población en el uso fenotipos genéticos escribiendo mejorará el problema, pero sólo en parte y sólo de manera limitada actualmente.

La supervisión continua de los parámetros fisiológicos y de comportamiento puede ser muy eficaz en la adaptación de los medicamentos a cada uno de los pacientes de Parkinson. En los pacientes de Parkinson, hay una variedad de síntomas y las complicaciones motoras que pueden ocurrir, que van desde temblores (rítmicos movimientos involuntarios), acinesia (falta o dificultad en la producción de movimiento), hipocinesia (disminución de la actividad motora), bradicinesia (lentitud de movimiento normal hacia abajo ), Y la disquinesia (movimientos anormales o perturbadores). Para estos pacientes para funcionar de la mejor forma posible, los medicamentos deben ser óptimamente ajustada a la variación diurna de estos síntomas. Para que esto ocurra, la gestión clínico debe tener una imagen precisa de un paciente de los síntomas fluctúa a lo largo de un día normal de las actividades y los ciclos. En estas situaciones, de un paciente subjetiva auto-informes no suelen ser muy precisos, de manera objetiva evaluación clínica son necesarias.

Un sistema automatizado de detección de los síntomas de Parkinson sistema que se necesita para mejorar la evaluación clínica de los pacientes con Parkinson. Para lograr esto, el doctor klapperiana, de la Escuela de Medicina de Harvard, el combinado LiveNet del sistema de acelerómetros portátiles con algoritmos de redes neuronales para clasificar el movimiento de los estados de los pacientes con Parkinson y proporcionan una línea de tiempo de la manera en que la gravedad de los síntomas y las complicaciones motoras fluctúan a lo largo del día [19, 20]. Dos pilotos se han realizado estudios, que consta de siete pacientes, con el objetivo de evaluar la capacidad para clasificar hipocinesia, disquinesia, bradicinesia y sobre la base de datos acelerómetro, observación clínica (utilizando escalas de calificación clínica estándar), y las grabaciones en vídeo. Uso de la clínica puntuaciones de un paciente como el estándar de oro, el resultado fue muy precisa identificación de hipocinesia y la bradicinesia. Además, los estudios clasifican los dos más importantes problemas clínicos - predecir cuando el paciente "se siente libre" o está a punto de experiencia molestos disquinesia - con casi 100% de exactitud. Las futuras colaboraciones se centrará en la integración de las respuestas fisiológicas en un esfuerzo por identificar los factores predictivos de recaída, además de los datos de movimiento en los pacientes con Parkinson.

Incautación de detección de la epilepsia

Un estudio piloto también se ha iniciado con la Universidad de Rochester Strong's Hospital [21] a caracterizar e identificar las crisis epilépticas mediante acelerometría y para comenzar a desarrollar un ambulatorio con un monitor en tiempo real utilizando el clasificador incautación LiveNet sistema. En general, los estudios se centran en la epilepsia EEG y EMG basado en la fisiología de vigilancia. Sin embargo, como se demuestra por el Parkinson y la actividad de clasificación de los estudios, acelerometría es un contexto muy potente sensor que se puede aplicar al ámbito de la epilepsia. El protocolo de estudio está siendo diseñado, y esperamos tener objeto ejecutar en el otoño de 2005.

De particular a los pacientes con epilepsia es el hecho de que pueda manifestarse de una gama muy amplia de las mociones idiosincrásicas, en contraste con Parkinson pacientes, cuyos movimientos suelen seguir distintos, característicos movimientos. However, motions from the epileptic seizures of a particular individual are normally fairly consistent. As such, a motion classification system specifically tailored to a particular individual could be highly effective at being able to identify an epileptic seizure at onset and at sub-threshold levels of awareness. In addition, many times, the epileptic individual has no recollection of a seizure, so a system that could determine if a seizure has occurred could be very useful for doctors to be able to properly diagnose the type and pattern of epilepsy in patients or to develop applications to alert caregivers to changes that could lead to medication adjustments earlier in the course of the illness. Again, future directions will involve continuous physiologic and voice feature analysis in combination with the motion sensors to increase the accuracy and understanding of patients with epilepsy.

General Activity Classification

Being able to predict an individual's immediate activity state is one of the most useful sources of contextual information. For example, knowing whether a person is driving, sleeping, or exercising could be useful for a health wearable to calculate general energy expenditure or to initiate an action. Many studies on activity classification have been conducted because of the importance to context-aware systems. Most previous studies on accelerometer-based activity classification that involves multiple activities states focuses on using multiple accelerometers and requires the specific placement of sensors on different parts of the body. In one study, it was shown that it is possible to obtain activity classification with an average of 84% for 20 daily activities (such as vacuuming, eating, folding laundry, etc), with the additional finding that classification accuracy dropped only slightly by decreasing the number of sensors to two including the wrist and waist) [ 22 ].

In contrast, we have conducted a pilot study on the use of the minimum set of sensors required to accomplish accurate activity classification. The ultimate goal is to use only a single sensor in random orientation placed close to a person's center of mass (ie, near waist level), as this replicates the minimum setup requirements of a sensor-enabled mobile phone in the pocket of an individual. The goal is to demonstrate that accurate activity classification can be performed without the need for an extreme level of instrumentation (for example, some systems use up to 30 sensors [ 23 ]) or particular delicacy in the setup in order to achieve good classification results. This way, we are able to potentially reduce the cost of a recognition system as well as reducing the overall burden when using the technology.

Using a LiveNet system we have been able to discriminate between a set of major activities (for example, lying down, walking, running, sitting in the office, watching TV, and walking up/down stairs) with classification results in the 80–95 % accuracy range using only a single accelerometer located on the torso of an individual [ 15 ]. This research is important as it indicates that it is feasible to do activity classification on embedded hardware without any specialized setup, wires, or other unwieldy parts. By integrating the accelerometer into an existing device that people are comfortable carrying around (for example, a cell phone), we can significantly lower the bar for developing a practical activity classification system to the mass market that is completely transparent to the user. When combined with physiological measurements such as heart rate and breathing rate, these measurements can then be collected to build a personalized profile of your body's performance and your nervous system's activation throughout your entire day, and assembled over a period of months or years to show long -term changes in overall cardiac fitness. In the future, computer software 'agents' (automatic computer programs) could even give you gentle reminders to keep up your routine if your activity level started to decline and make suggestions to optimize your performance.

Depression Therapy Trending

Mental diseases rank among the top health problems worldwide in terms of cost to society. Major depression, for instance, is the leading cause of disability worldwide and in the US Depressive disorders affects approximately 19 million American adults and has been identified by both the World Health Organization and the World Bank as the second leading cause of disability in the United States and worldwide [ 28 , 29 ].

Toward understanding the long-term biology associated with severe depression, we have recently initiated a pilot study to assess the physiological and behavioral responses to treatment in major depression in subjects in an inpatient psychiatric unit prior to, during, and following electroconvulsive therapy (ECT) . This study, the first of its kind, intends to correlate basic physiology and behavioral changes with depression and mood state through a 24-hour, long-term, continuous monitoring of clinically depressed patients undergoing ECT. We are using non-invasive mobile physiologic sensing technology in combination with sensing devices on the unit to develop physiological and behavioral measures to classify emotional states and track the effects of treatment over time. This project is a joint collaboration with the Massachusetts General Hospital (MGH) Department of Psychiatry.

The goal of this study is to test the LiveNet system based on the known models of depression and prior clinical research in a setting with combined physiologic and behavioral measures with continuous ambulatory monitoring. It is anticipated that changes in these measures (namely, GSR response, hear rate/heart rate variability, motor activity, vocal features, and movement patterns) will correlate with improvements in standard clinical rating scales and subjective assessment following treatment for depression throughout the course of hospitalization. In the future, these correlates may be used as predictors of those patients most likely to respond to ECT, for early indicators of clinical response, or for relapse prevention.

The collaboration with MGH will serve to establish the LiveNet system's capabilities for engaging in significant long-term ambulatory clinical studies. The implications and clinical significance of the proposed research are broad. The development and refinement of a methodology that objectively and accurately monitors treatment response in major depression has implications for the diagnosis, treatment, and relapse prevention. Once a reliable index of physiologic and behavioral metrics for depression has been established, other environments outside of the inpatient setting become potential targets for assessment. The methodology developed also has the potential to help in the assessment, early diagnosis, and treatment prediction of other severe psychopathologies that have likely physiologic correlates and involve difficulty with social interactions. These include communication disorders and pervasive developmental disorders in children as well as the pre-clinical assessment of severe psychotic, mood, anxiety, and personality disorders. As our understanding of the central nervous system control of autonomic arousal improves and the neurobiology of depression continues to be discovered, future questions about the subtypes of depression and endophenotyping for genetic studies of depression can be studied in the ambulatory setting. This will lead to more sophisticated neurobiologic models of the mechanism of healing and ultimately to increased efficiency and efficacy of treatment.

Quantifying Social Engagement

Social interaction is a complex and ubiquitous human behavior involving attitudes, emotions, nonverbal and verbal cues, and cognitive function. Importantly, impairment in social function is a hallmark for nearly every diagnostic category of mental illness including mood and anxiety disorders as well as dementia, schizophrenia, and substance abuse [ 24 ]. In addition, social isolation can be a significant stress for patients undergoing rehabilitation from surgical and medical procedures and illnesses. Thus, an important challenge for our behavior modeling technology is to build computational models that can be used to predict the dynamics of individuals and their social interactions.

Using LiveNet, we can collect data about daily interactions with family, friends, and strangers and quantify information such as how frequent are the interactions, the dynamics of the interactions, and the characteristics of such interactions using simple infrared (IR) sensors and IR tags to identify individuals. Using simple voice features (such as talking/non-talking, voice patterns, and interactive speech dynamics measures) derived from microphones, we can obtain a variety of useful social interaction statistics. We can even model an individual's social network and how that network changes over time by analyzing statistical patterns of these networks as they evolve [ 25 ]. Data on social function can be used as both a marker of improvement or rehabilitation progress or as an indicator of relapse and for use in relapse prevention.

Long-Term Behavior Modeling and Trending

The LiveNet platform also lends itself naturally to be able to do a wide variety of long-term healthcare monitoring applications for physiological and behavioral trends that vary slowly with time by using the currently available physiological sensors. This has important implications for rehabilitation medicine. The ambulatory physiological and contextual sensing and the health classifiers discussed in Section 3.1 can be combined together in a hierarchical manner to develop time-dependent models of human behavior at longer timescales. Current systems are purely reactive (eg sounding an alarm after a person has a heart attack or falls down), and are dependent on classifying and determining in real-time when certain events have occurred.

While this type of application is very useful and potentially-life saving, these systems typically do not have any sense of the history of an individual and can only react to instantaneous events. By combining long-term trending with multimodal analysis, it is possible to develop more proactive systems and personalized data that can be used to catch problems before they manifest themselves (eg instead of reacting to a heart attack, one can predict beforehand that a heart attack is imminent). However, a proactive system requires more resources, as it must have context-aware and inference capabilities to be able to determine what the right information is to be directed at the right people, to the right places, at the right times, and for the right reasons. While challenging, small advances have been made in this regard.

In order to fully accomplish the goal of preventive monitoring, large databases in living situations are needed. The LiveNet system provides a convenient infrastructure to implement and rapidly prototype new proactive healthcare applications in this domain. It is very important from the proactive healthcare point of view that these individual classification systems also be able to determine trends in physiological/contextual state over time to provide not only immediate diagnostic power but also prognostic insight. We are collaborating on the MIT/TIAX PlaceLab, a cross-institutional research smart living environment [ 26 ], to provide a very robust infrastructure to be able to collect and study long-term health information in conjunction with data collected by LiveNet systems. We also have a collaboration with British Telecom to use LiveNet technology in similar long-term naturalistic home monitoring applications for eldercare.

The information collected from the multimodal sensors can then be used to construct activities of daily living, important information in being able to profile a person's healthy living style. Furthermore, these activities of daily living can initiate action on the part of the wearable PDA. Examples include experience sampling, a technique to gather information on daily activity by point of querying (which can be set to trigger based on movement or other sensed context by the PDA). The system can also proactively suggest alternative healthy actions at the moment of decision, where it has been demonstrated as being more effective at eliciting healthy behavior [ 27 ].

Real-Time Multimodal Feedback Systems in Rehabilitation

An obvious domain for LiveNet is in physiology monitoring with real-time feedback and classification. The dominant healthcare paradigm that exists is to stream physiology data from an individual to a centralized server, where the higher-power processing and data visualization could be performed to post-process the data. The wearable system served mainly as a data acquisition vehicle, with little feedback or interaction capabilities. Now, it is possible for significant localized processing as well as displaying the result, which will open up the door to real-time interactive health applications. In fact, commercial systems are just beginning to incorporate these types of increased functionality.

It is possible to use a system such as LiveNet to go a step farther and demonstrate that mobile systems are capable of significant local processing for real-time feature extraction and context classification as well as provide the distributed wireless infrastructure for streaming information between systems, all on commodity hardware that is commonplace and available today. This will enable the real-time classification of medical conditions without the need for other infrastructure, available wherever the individual goes. The distributed nature of LiveNet can also allow systems to stream raw physiology or its combination with derived metadata/context very easily to any specified source(s), whether it is other mobile systems, data servers, or output displays such as projections.

By providing local processing capabilities, the time that is required to receive feedback for relevant health events is dramatically reduced. Historically, the time delay required to receive feedback can potentially take weeks, and be both problematic because of the iterative nature of determining the optimized treatment path. For people who are on medication or embarking on a prolonged rehabilitation schedule, for example, this delay in the feedback loop is particularly onerous. A doctor will recommend a dosage and medication regimen to try out, and the person goes home and tries the medication schedule for a while. If the person does not respond favorably to this drug schedule, they have to reschedule an appointment with the doctor, go in, and potentially take more tests, before getting a recommendation on a new schedule (such is the case for people with thyroid conditions, for example). This same scenario is also true with lengthy rehabilitation programs such as cardiac rehabilitation. This results in a very time consuming process as well as a significant drain on healthcare resources. In addition to the fact that the feedback loop can be very long in duration, the doctor is literally in the dark about the efficacy of the treatment, and so an iterative trial-and-error process is required.

Using the LiveNet system, it is possible to effectively reduce the time delay to process and receive health feedback. This is particularly true when the doctor can be either removed from the equation or visit length and frequency can be reduced, such as with real-time diagnostic systems that can provide effectively instantaneous classification on health state and context. Given that medication compliance is a major healthcare issue, especially among the elderly, with estimated costs of upwards of $100 billion annually [ 30 ], systems that can help remind and support compliance with appropriate feedback will help to promote healthy, preventive behavior.

Also, potential advances in more personalized medication and rehabilitation scheduling can be improved based on measured, quantitative physiological symptoms and behavioral responses, not based only on time scheduled approximations as the current practice. The effects of medication and rehabilitation treatment can be logged and recorded quantitatively and compared to changes in physiology, eventually with the goal of developing a real-time monitoring and drug delivery system. Future research will extend this work by developing real-time, closed-loop systems that can track the effects of individualized treatment over time.

Time-stamping of relevant events (either simple events or elaborated notes) in order to correlate these events with accurate continuous physiology and behavior data in an ambulatory setting also offers great potential. From this health information, real-time correlations to specific medical conditions as well as predictions of adverse outcomes can be made. This also has a potential impact in the research of physiology in the domain of clinical medication and intervention research, providing a streamlined path for Electronic Data Capture (EDC), where accurate reporting is an issue and human transcription errors and recall bias from surveys can be reduced. Potential benefits provided by continuous monitoring include automated and real-time data capture from patients for accurate reporting, feedback and notification for enforcing medication compliance in patients, assessment of the degree of medication compliance, removal of human error inherent in manual transcription/data entry, high-resolution time-stamping for accurate temporal characterization of events, and the ability to accurately correlate quantitative physiologic data to events for diagnosis and characterization

Conclusion

The ability to provide new wearable technology for medical and surgical rehabilitation services is emerging as an important option for clinicians and patients. Wearable technology provides a convenient platform to be able to quantify the long-term context and physiological response of individuals. This, in turn, will support the development of individualized treatment systems with real-time feedback to help promote proper behavior. The ultimate goal of the research is to eventually be able to use LiveNet for developing practical monitoring systems and therapeutic interventions in ambulatory, long-term use environments.