No abstract

No abstract

Zusammenfassung Mobile Health hat bereits eine über 10-jährige Forschungshistorie hinter sich. Kommend aus dem Bereich des Quantified-Self zur Dokumentation eigener Gesundheitsparameter, sollte insbesondere die Forschungsfrage der Compliance den Schulterschluss zur medizinischen Anwendung schaffen. Phänomene wie die „App-Attrition“, also die Abnutzung der App-Nutzung, erfragen jedoch nach Anreizmodellen für eine dauerhafte Nutzung, wie sie gerade bei Chronikern notwendig sind. Daten – das „neue Blut“ – scheinen das Potenzial zu haben Mehrwerte für den Patienten wie auch für die Leistungserbringer generieren zu können. Die Autoren zeigen, wie mHealth mit Aspekten der Datenverarbeitung zur Verbesserung der medizinischen Versorgung zusammenspielen kann. Das führende Konzept bilden die sog. Digitalen Biomarker – validierbare Algorithmen, welche die durch Sensoren und Apps erfassten Daten verarbeiten und quantifizierte Aussagen zum Gesundheitszustand treffen können. Zwei Fallbeispiele zeigen, wie ein solcher Systemansatz im Bereich der Epilepsie und der Parkinsontherapie unterstützen kann.

Classification of physical activity based on the k-NN algorithm is assessed with different combinations of sensors (from accelerometer, gyroscope, barometer) with respect to classification accuracy, power consumption and computation time. For that purpose, a wearable sensor platform is proposed and a study with 20 subjects is conducted. The combination of accelerometer and barometer is found to provide the best trade-off for the three criteria: It provides an F1 score of 94.96 ± 1.73 %, while computation time and power consumption are reduced by 45 % and 88 %, respectively, compared to the full sensor set.

Classification of physical activity based on the k-NN algorithm is assessed with different combinations of sensors (from accelerometer, gyroscope, barometer) with respect to classification accuracy, power consumption and computation time. For that purpose, a wearable sensor platform is proposed and a study with 20 subjects is conducted. The combination of accelerometer and barometer is found to provide the best trade-off for the three criteria: It provides an F1 score of 94.96 ± 1.73 %, while computation time and power consumption are reduced by 45 % and 88 %, respectively, compared to the full sensor set.