Francisco M. Garcia-Moreno1, Maria Bermudez-Edo1, Estefanía Rodríguez-García2, José Manuel Pérez-Mármol2, José Luis Garrido1, María José Rodríguez-Fórtiz1
（1. Department of Software Engineering, University of Granada, Spain，
2. Department of Physiology, University of Granada, Spain）
日常生活活动（Activities of Daily Living， ADLs）在健康状况、幸福感和预防依赖方面发挥着重要作用。基本ADLs是生存和自我保健活动，而工具性ADLs（instrumental ADLs， IADLs）需要认知和运动复杂性，并意味与人周围的社会环境的互动。IADLs的表现被认为是健康状况的直接指标，因为IADLs涉及运动、认知或社会功能。此外，IADLs是指支持家庭和社区内日常生活的活动，根据情况，这些活动需要比ADLs 中使用的更复杂的交互。IADLs的表现是一项重要的健康指标，可以预测轻度或多种认知障碍，例如痴呆症和老年人的死亡率。
早起发现老年人的IADLs依赖状态可以降低医疗保健服务、住院治疗、某些慢性病恶化、并发症甚至死亡率方面的社会经济成本。值得一提的是，购物这种IADLs涉及与不同工具、设备和其他人的交互。由于这些原因，购物通常比其他 IADLs具有更高的复杂性。因此，购物可能代表了评估 IADLs 性能的黄金标准。
传统上，有不同的量表来评估IADLs的性能，但量表评估不是自动化的，需要临床医生长期观察IADLs。从生态学角度来看，使用可穿戴设备对老年人进行监测有助于早期发现和预防疾病。近年来，由于可穿戴设备的成本、尺寸、重量和能耗低，它已被用于有效监测ADLs。
为了解决健康领域数据收集和分析的自动化问题，之前的工作使用了移动健康（m-health）系统，以监测患者的健康状况。他们使用机器学习算法来选择相关变量并分析数据。机器学习算法已用于ADLs识别，即监测执行了哪种ADLs，但并未用于评估用户ADLs执行期间的依赖程度。本文提出使用购物期间可穿戴设备的数据，创建一个老年人对IADLs依赖的机器学习模型。因此可以在老人执行IADLs时用自动评估代替传统的手动依赖评估。这种自动评估可以经常重复，从而可以及早发现依赖性。特别是，本文提出了一个m-health系统来自动地评估IADLs依赖。
研究人员在两个社区日间中心开展了一项让老年人积极参与的横断面研究， 样本包括79名65岁或以上的受试者（69名女性和10名男性），平均年龄为75岁。具体的，研究人员首先定义了购物IADLs的14个购物阶段。每个受试者在惯用手中都有两个可穿戴设备并坐在没有扶手的椅子上。接下来，试验主管通过蓝牙将这些设备与智能手机应用程序配对，并通过传感器捕获数据。受试者执行所有购物阶段并可能寻求帮助以找到购物产品。m-health系统在后端接收数据。创建模型后，在真实场景中，研究人员可以评估依赖关系，而无需标记数据（即无需填写传统问卷）。但是为了训练模型，研究人员第一次使用量表来评估受试者在购物IADLs中的表现。最后利用以上所有数据构建了机器学习模型。
IADLs依赖过程分类的机器学习步骤为：1、数据收集和数据标记；2、数据对齐；3、数据分割；4、特征清洗；5、对不平衡数据的预处理；6、特征抽取；7、生成预测模型；8、评估预测模型表现。本研究应用了三种不同的机器学习算法：k-NN、PF和SVM，他们在之前的ADL工作中取得了很好的效果。研究结果表明，用了11个特征k-NN模型表现效果最好，其次是用了65个特征的SVM模型和使用了69个特征的RF模型。
资料来源：
根据Francisco M. Garcia-Moreno等于2022年发表在International Journal of Medical Information期刊题目为《A machine learning approach for semi-automatic assessment of IADL dependence in older adults with wearable sensors》的文章缩写整理而成。
