Aplicación de técnicas de aprendizaje automático para la caracterización de la señal del ritmo cardíaco

Abstract

Este proyecto se propone explorar una metodología de seguimiento del estado de salud basada en la caracterización de la serie temporal de mediciones de frecuencia cardiaca obtenidas por pulseras de actividad comerciales (Fitbit y Xiaomi MiBand). Se ha contado con la colaboración de nueve voluntarios, a partir de los cuales se han obtenido los registros empleados en el proyecto. Una vez procesados los datos, se aplicaron diversas técnicas de aprendizaje automático con el fin de (1) caracterizar y entender el comportamiento normal de la frecuencia cardiaca nocturna, y (2) identificar – dentro de un paradigma no supervisado – desviaciones respecto al comportamiento caracterizado como normal, de tal manera que se pueda evaluar su potencial correlación con eventos de salud diversos, como puede ser la disrupción del ritmo circadiano, episodios febriles, malestar general, picos de estrés o cambios sostenidos en la salud global del sujeto.

Se aplicaron tres técnicas distintas: modelos ocultos de Markov (HMM), autoencoders y clustering de sub-secuencias. Se ha podido identificar, segregar y analizar separadamente distintos comportamientos y patrones de la serie temporal, e identificar algunos de los cambios en estos patrones cuando aparecen comportamientos anómalos. Así mismo, se han podido verificar múltiples instancias de correlación entre dichas anomalías y eventos de salud o de disrupción del ritmo circadiano. Con todo, existen algunas limitaciones en el estudio (si bien fácilmente subsanables), principalmente el tamaño de la muestra, que debe ampliarse para confirmar las conclusiones del proyecto; y el método para la identificación de eventos de salud relevantes, basado en un análisis retrospectivo por parte de los voluntarios al final del periodo de adquisición de datos, que resultó poco sistemático. En cualquier caso, la metodología propuesta puede servir de base para la creación de aplicaciones o servicios de seguimiento del estado de salud y detección temprana de enfermedades, a partir de la monitorización continua de datos fisiológicos proporcionados por dispositivos portátiles de nivel comercial.

This project proposes and explores a health monitoring methodology based on the characterization of heart rate time series data collected from commercial activity trackers (Fitbit and Xiaomi MiBand). The study required the involvement of nine volunteers, from whom the measurements utilized in the research were collected. After processing the data, we applied a variety of machine learning techniques to (1) characterize and understand the typical patterns of nighttime heart rate behavior, and (2) identify, within an unsupervised framework, any anomalous deviations from normal behavior. The objective was to evaluate the potential correlation between such deviations and various health-related events, such as disruptions in circadian rhythm, episodes of fever, general malaise, stress spikes, or consistent alterations in the overall health of the individual.

We employed three distinct techniques: Hidden Markov Models (HMM), autoencoders, and subsequence clustering. These methods facilitated the identification, segregation, and independent analysis of different behavioral patterns within the time series of each individual, as well as the detection of anomalies. It also allowed for the identification of changes in these patterns when anomalous behaviors arose. Moreover, we were able to verify numerous instances where identified anomalies correlated with actual health events or disruptions in the circadian rhythm. There are nevertheless some limitations to the study (though all of them can be readily addressed), primarily the sample size, which needs to be increased in order to confirm the conclusions of the study; and the methodology applied for identifying relevant health events, which involved a retrospective analysis by the volunteers at the end of the data collection period, and as such was somewhat unsystematic.

The methodology we propose could form the basis for creating applications or services aimed at health tracking and early disease detection, based on the continuous monitoring of physiological data provided by commercial-grade wearable devices.