Assessment of motor behaviour in daily living using a smart wearable
Nyländen, Paavo (2026)
2026
Bioteknologian ja biolääketieteen tekniikan maisteriohjelma - Master's Programme in Biotechnology and Biomedical Engineering
Lääketieteen ja terveysteknologian tiedekunta - Faculty of Medicine and Health Technology
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2026-05-18
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202605155661
https://urn.fi/URN:NBN:fi:tuni-202605155661
Tiivistelmä
Wearable technology offers promising tools for the assessment and monitoring of cardiovascular, musculoskeletal, and mental health. However, the use of these tools is limited by their validity, as well as ease of use and unobtrusiveness. This work presents a novel user-centered smart wearable designed to monitor motor behaviour in daily living through classification of posture and movement.
A custom-made wearable device with integrated inertial measurement units was constructed based on a previously published MAIJU wearable system. A total of 13 subjects wore the wearable for 8–24 hours, with a part of the recording captured on video for annotation. A deep learning classifier was constructed and trained on the recorded data to classify the users’ posture and movement based on the constructed annotation schema. The performance of the model was tested using leave-one-subject-out cross-validation.
A macro-average F1 score of 0.652 was achieved for posture classification and 0.692 for movement classification. Category-level performance reflected the class imbalance present in the dataset. Model performance did not decrease significantly when a subset of sensors was removed, and it significantly outperformed dummy classifiers. The presented smart wearable provides an accurate, novel tool for quantifying motor behaviour in daily living and demonstrates significant potential for clinical applications where long-term monitoring is necessary. Puettava teknologia voi tarjota helppokäyttöisiä työkaluja sydän- ja verenkiertoelimistön, tuki‑ ja liikuntaelimistön sekä mielenterveyden arviointiin ja seurantaan. Tällaisten työkalujen käyttöä kuitenkin rajoittavat niiden validiteetti sekä käytön helppous ja huomaamattomuus. Tässä työssä esitellään uusi, käyttäjälähtöisesti suunniteltu älyvaate, joka on kehitetty motorisen käyttäytymisen seurantaan arkiympäristöissä asentojen ja liikkeen luokittelun avulla.
Integroiduilla inertiamittausyksiköillä varustettu puettava laite rakennettiin aiemmassa tutkimuksessa esitellyn MAIJU‑älypuvun pohjalta. Yhteensä 13 koehenkilöä käytti laitetta arjessa 8–24 tunnin ajan, ja osa mittausajasta tallennettiin videolle annotointia varten. Aineiston avulla koulutettiin syväoppimismalli, joka luokittelee sensorisignaalit asennoiksi ja liikemalleiksi ennalta määritetyn annotaatiokaavan mukaisesti. Mallin suorituskykyä arvioitiin ristiinvalidoinnilla, jossa aina yhden henkilön mittausta käytettiin testiaineistona ja loppuja mittauksia koulutusaineistona.
Asentojen luokittelussa saavutettu makrotason F1‑pistemäärä oli 0,652 ja liikkeiden luokittelussa 0,692. Luokkakohtainen suorituskyky heijasti selvästi aineiston empiirisen luokkajakauman epätasapainoa. Mallin suorituskyky ei heikentynyt merkittävästi, vaikka osa sensoreista jätettiin pois koulutusaineistosta, ja se päihitti selvästi vertailuna käytetyt dummy‑luokittelijat. Tässä työssä esitetty älyvaate tarjoaa uudenlaisen työkalun motorisen käyttäytymisen kvantifiointiin arkiympäristöissä ja sillä on merkittävä potentiaali erilaisissa kliinisissä sovelluksissa, joissa tarvitaan pitkäaikaista liikkumisen ja fyysisen aktiivisuuden seurantaa.
A custom-made wearable device with integrated inertial measurement units was constructed based on a previously published MAIJU wearable system. A total of 13 subjects wore the wearable for 8–24 hours, with a part of the recording captured on video for annotation. A deep learning classifier was constructed and trained on the recorded data to classify the users’ posture and movement based on the constructed annotation schema. The performance of the model was tested using leave-one-subject-out cross-validation.
A macro-average F1 score of 0.652 was achieved for posture classification and 0.692 for movement classification. Category-level performance reflected the class imbalance present in the dataset. Model performance did not decrease significantly when a subset of sensors was removed, and it significantly outperformed dummy classifiers. The presented smart wearable provides an accurate, novel tool for quantifying motor behaviour in daily living and demonstrates significant potential for clinical applications where long-term monitoring is necessary.
Integroiduilla inertiamittausyksiköillä varustettu puettava laite rakennettiin aiemmassa tutkimuksessa esitellyn MAIJU‑älypuvun pohjalta. Yhteensä 13 koehenkilöä käytti laitetta arjessa 8–24 tunnin ajan, ja osa mittausajasta tallennettiin videolle annotointia varten. Aineiston avulla koulutettiin syväoppimismalli, joka luokittelee sensorisignaalit asennoiksi ja liikemalleiksi ennalta määritetyn annotaatiokaavan mukaisesti. Mallin suorituskykyä arvioitiin ristiinvalidoinnilla, jossa aina yhden henkilön mittausta käytettiin testiaineistona ja loppuja mittauksia koulutusaineistona.
Asentojen luokittelussa saavutettu makrotason F1‑pistemäärä oli 0,652 ja liikkeiden luokittelussa 0,692. Luokkakohtainen suorituskyky heijasti selvästi aineiston empiirisen luokkajakauman epätasapainoa. Mallin suorituskyky ei heikentynyt merkittävästi, vaikka osa sensoreista jätettiin pois koulutusaineistosta, ja se päihitti selvästi vertailuna käytetyt dummy‑luokittelijat. Tässä työssä esitetty älyvaate tarjoaa uudenlaisen työkalun motorisen käyttäytymisen kvantifiointiin arkiympäristöissä ja sillä on merkittävä potentiaali erilaisissa kliinisissä sovelluksissa, joissa tarvitaan pitkäaikaista liikkumisen ja fyysisen aktiivisuuden seurantaa.