Advertisement

Zeitschrift für Gerontologie und Geriatrie

, Volume 47, Issue 8, pp 648–660 | Cite as

A novel approach for discovering human behavior patterns using unsupervised methods

  • Ju Wang
  • Jürgen Bauer
  • Marcus Becker
  • Petra Bente
  • Lena Dasenbrock
  • Katharina Elbers
  • Andreas Hein
  • Martin Kohlmann
  • Gerald Kolb
  • Christopher Lammel-Polchau
  • Michael Marschollek
  • Markus Meis
  • Hartmut Remmers
  • Hubertus Meyer zu Schwabedissen
  • Mareike Schulze
  • Enno-Edzard Steen
  • Reinhold Haux
  • Klaus-Hendrik Wolf
Beiträge zum Themenschwerpunkt

Abstract

Background

As is well known, elderly people gradually lose the ability of self-care. The decline can be reflected in changes in their daily life behavior. A solution to assess their health status is to design sensor-enhanced living environments to observe their behavior, in which unobtrusive sensors are usually used. With respect to information extraction from the dataset collected by means of these kinds of sensors, unsupervised methods have to be relied on for practical application. Under the assumption that human lifestyle is associated with health status, this study intends to propose a novel approach to discover behavior patterns using unsupervised methods.

Methods

To evaluate the feasibility of this approach it was applied to datasets collected in the GAL-NATARS study. The study is part of the Lower Saxony research network Design of Environments for Aging (GAL) and conducted in subjects’ home environments. The subjects recruited in GAL-NATARS study are older people (age ≥ 70 years), who are discharged from hospital to live alone again at their homes after treatment of a femoral fracture.

Results

The change of lifestyle regularity is measured. By analyzing the correlation between the extracted information and medical assessment results of four subjects, two of them exhibited impressive association and the other two showed less association.

Conclusions

The approach may provide complementary information for health assessment; however, the dominant relationship between the change of behavior patterns and the health status has to be shown and datasets from more subjects must be collected in future studies.

Limitations

Merely environmental data were used and no wearable sensor for activity detection or vital parameter measurement is taken into account. Therefore, this cannot comprehensively reflect reality.

Keywords

Health assessment Ageing Sensor-enhanced living environment Pervasive healthcare Geriatrics 

Ein innovativer Ansatz zur Detektion menschlicher Verhaltensmuster mittels nichtsupervidierten Methoden

Zusammenfassung

Hintergrund

Dass ältere Menschen allmählich Selbstsorgekompetenzen verlieren, ist weithin bekannt. Der allmähliche Verlust kann sich in Veränderungen des Verhaltens im Alltagsleben widerspiegeln. Eine Möglichkeit zur Überprüfung ihres gesundheitlichen Zustands ist die Entwicklung sensorgestützter Lebensumfelder, um ihr Verhalten zu beobachten. Dabei werden in der Regel unauffällige Sensoren verwendet. Im Hinblick auf die Extrahierung von Informationen aus den so gesammelten Datensätzen verlässt man sich für die praktische Anwendung auf nichtsupervidierte Methoden. Ausgehend von der Annahme, dass Lifestyle und Gesundheitszustand miteinander zusammenhängen, zielt diese Studie auf einen innovativen Ansatz, Verhaltensmuster mit nichtsupervidierten Methoden zu detektieren.

Methoden

Um die Machbarkeit dieses Ansatzes zu evaluieren wurde er auf die in der GAL-NATARS-Studie generierten Datensätze angewendet; vom niedersächsischen Forschungsnetzwerk Design of Environments for Aging (GAL) wird diese Studie im Wohnumfeld der Probanden durchgeführt. Die allein lebenden Probanden der GAL-NATARS-Studie waren ≥ 70 Jahre alt und nach stationärer Behandlung einer Femurfraktur wieder in ihr häusliches Umfeld entlassen worden.

Ergebnisse

Gemessen wurden die Veränderungen in der Regelmäßigkeit des Lebensstils. Bei 4 Probanden wurden die extrahierten Informationen und die Ergebnissen des medizinischen Assessments miteinander korreliert: Bei 2 von ihnen zeigte sich ein eindrucksvoller Zusammenhang, bei den anderen beiden fand sich weniger Assoziation.

Schlussfolgerungen

Zwar kann der untersuchte Ansatz zusätzliche Informationen für das medizinische Assessment liefern, doch die dominante Beziehung zwischen den Änderungen in Verhaltensmustern und dem Gesundheitszustand ist noch darzustellen. In künftigen Studien müssen noch mehr Patientendatensätze gesammelt werden.

Einschränkungen

Verwendet werden lediglich Umweltdaten, keine Daten von tragbaren Sensoren zur Registrierung von Aktivität bzw. Vitalparametern. Daher können die Ergebnisse die Wirklichkeit nicht umfassend wiedergeben.

Schlüsselwörter

Gesundheitliches Assessment Altern Sensorgestütztes Lebensumfeld Pervasive Computing in der Gesundheitsversorgung Geriatrie 

Notes

Compliance with ethical guidelines

Conflict of interest

Ju Wang, Jürgen Bauer, Marcus Becker, Petra Bente, Lena Dasenbrock, Katharina Elbers, Andreas Hein, Martin Kohlmann, Gerald Kolb, Christopher Lammel-Polchau, Michael Marschollek, Markus Meis, Hartmut Remmers, Hubertus Meyer zu Schwabedissen, Mareike Schulze, Enno-Edzard Steen, Reinhold Haux und Klaus-Hendrik Wolf state that there are no conflicts of interest.

All studies on humans described in the present manuscript were carried out with the approval of the responsible ethics committee and in accordance with national law and the Helsinki Declaration of 1975 (in its current, revised form). Informed consent was obtained from all patients.

References

  1. 1.
    Department of Economic and Social Affairs and Population Division (2010) World population ageing 2009. Report. Dec, United Nations, New YorkGoogle Scholar
  2. 2.
    Orwat C, Graefe A, Faulwasser T (2008) Towards pervasive computing in health care – a literature review. BMC Med Inf Decis Making 8(1):26CrossRefGoogle Scholar
  3. 3.
    Demiris G, Rantz M, Aud M, Marek K, Tyrer H, Skubic M, Ali H (2004) Older adults’ attitudes towards and perceptions of “smart home” technologies: a pilot study. Med Inform Internet Med 29(2):87–94PubMedCrossRefGoogle Scholar
  4. 4.
    Demiris G, Hensel BK Skubic M, Rantz M (2008) Senior residents’ perceived need of and preferences for “smart home” sensor technologies. Int J Technol Assess Health Care 24(1):120–124PubMedCrossRefGoogle Scholar
  5. 5.
    Courtney KL, Demiris G, Rantz M, Skubic M (2008) Needing smart home technologies: the perspectives of older adults in continuing care retirement communities. Inform Prim Care 16(3):195–201PubMedGoogle Scholar
  6. 6.
    Dunlop DD, Hughes SL, Manheim LM (1997) Disability in activities of daily living: patterns of change and a hierarchy of disability. Am J Public Health 87(3):378–383PubMedCentralPubMedCrossRefGoogle Scholar
  7. 7.
    Gilles V (2009) Assessing everyday life behavioral rhythms for the older generation. Pervasive Mob Comput 5(5):606–622CrossRefGoogle Scholar
  8. 8.
    Noury N, Quach KA, Berenguer M, Teyssier H, Bouzid MJ, Goldstein L, Giordani M (2009) Remote follow up of health through the monitoring of electrical activities on the residential power line: preliminary results of an experimentation. In: Hoang Phung (ed.) Proceedings of the 11th international conference on e-Health networking, applications and services, Healthcom’09, IEEE Press, Piscataway, pp. 9–13Google Scholar
  9. 9.
    Rashidi P, Cook DJ (2009) Keeping the resident in the loop: adapting the smart home to the user. Syst Man Cybern A Syst Hum IEEE Transact 39(5):949–959CrossRefGoogle Scholar
  10. 10.
    Kaye JA, Maxwell SA, Mattek N, Hayes TL, Dodge H, Pavel M, Jimison HB, Wild K, Boise L, Zitzelberger TA (2011) Intelligent systems for assessing aging changes: home-based, unobtrusive, and continuous assessment of aging. J Gerontol B Psychol Sci Soc Sci 66B(Suppl 1):i180–i190PubMedCrossRefGoogle Scholar
  11. 11.
    Barger TS, Brown DE, Alwan M (2005) Health-status monitoring through analysis of behavioral patterns. Syst Man Cybern A Syst Hum IEEE Trans 35(1):22–27CrossRefGoogle Scholar
  12. 12.
    Chikhaoui B, Wang S, Pigot H (2012) ADR-SPLDA: activity discovery and recognition by combining sequential patterns and latent Dirichlet allocation. Pervasive Mob Comput 8(6):845–862CrossRefGoogle Scholar
  13. 13.
    Louis A, Yang G-Z (2009) The use of pervasive sensing for behaviour profiling? A survey. Pervasive Mob Comput 5(5):447–464CrossRefGoogle Scholar
  14. 14.
    Wray RE, Laird JE (2003) Variability in human behavior modeling for military simulations. Proceedings of the 2003 Conference on Behavior Representation in Modeling and Simulation. Scottsdale, AZGoogle Scholar
  15. 15.
    Thielke SM, Mattek NC, Hayes TL, Dodge HH, Quiones AR, Austin D, Petersen J, Kaye JA (2014) Associations between observed in-home behaviors and self-reported low mood in community-dwelling older adults. J Am Geriatr Soc 62(4):685–689PubMedCentralPubMedCrossRefGoogle Scholar
  16. 16.
    Kaye J, Mattek N, Dodge H, Buracchio T, Austin D, Hagler S, Pavel M, Hayes T (2012) One walk a year to 1000 within a year: continuous in-home unobtrusive gait assessment of older adults. Gait Posture 35(2):197–202PubMedCentralPubMedCrossRefGoogle Scholar
  17. 17.
    Prigerson HG, Monk TH, Reynolds CF, Begley A, Houck PR, Bierhals AJ, Kupfer DJ (1995) Lifestyle regularity and activity level as protective factors against bereavement-related depression in late-life. Depression 3(6):297–302CrossRefGoogle Scholar
  18. 18.
    Magalhaes SC, Souza CV, Dias TR, de Bruin PFC, de Bruin VMS (2005) Lifestyle regularity measured by the social rhythm metric in Parkinson’s disease. Chronobiol Int 22(5):917–924CrossRefGoogle Scholar
  19. 19.
    Niedersächsischer Forschungsverbund Gestaltung altersgerechter Lebenswelten (2009). http://www.altersgerechte-lebenswelten.de/. Accessed 20 Aug. 2014
  20. 20.
    Reinhold H et al (2010) The lower Saxony research network design of environments for ageing: towards interdisciplinary research on information and communication technologies in ageing societies. Inform Health Soc Care 35(34):92–103Google Scholar
  21. 21.
    Michael M et al (2013) Sensor-based home activity monitoring of geriatric fracture patients in rehabilitation – the GAL NATARS study. In: 9th Congress of the EUGMS European Geriatric Medicine, vol 4. Elsevier, Milan, p. S11 (Abstract)Google Scholar
  22. 22.
    Marschollek M et al (2013) Technikgestütztes häusliches Langzeit–Monitoring von Patienten mit mobilitätseinschränkenden Frakturen nach stationärer geriatrischer Rehabilitation – die GAL–NATARS–Studie. Z Gerontol Geriatrie 46(Supplement 1):12. Abstract.Google Scholar
  23. 23.
    R Core Team (2013) R: a language and environment for statistical computing. R Foundation for Statistical Computing, ViennaGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2014

Authors and Affiliations

  • Ju Wang
    • 1
    • 2
  • Jürgen Bauer
    • 3
  • Marcus Becker
    • 4
  • Petra Bente
    • 5
  • Lena Dasenbrock
    • 3
  • Katharina Elbers
    • 6
  • Andreas Hein
    • 7
  • Martin Kohlmann
    • 1
  • Gerald Kolb
    • 3
  • Christopher Lammel-Polchau
    • 4
  • Michael Marschollek
    • 4
  • Markus Meis
    • 8
  • Hartmut Remmers
    • 9
  • Hubertus Meyer zu Schwabedissen
    • 5
  • Mareike Schulze
    • 4
  • Enno-Edzard Steen
    • 7
  • Reinhold Haux
    • 1
  • Klaus-Hendrik Wolf
    • 1
  1. 1.Peter L. Reichertz Institute for Medical InformaticsUniversity of Braunschweig – Institute of Technology and Hannover Medical SchoolBraunschweigGermany
  2. 2.Institute of Medical Information & LibraryChinese Academy of Medical Science and Peking Union Medical CollegeBeijingChina
  3. 3.Klinikum OldenburgGeriatrisches ZentrumOldenburgGermany
  4. 4.Peter L. Reichertz Institute for Medical InformaticsUniversity of Braunschweig – Institute of Technology and Hannover Medical SchoolHannoverGermany
  5. 5.Stätisches Klinikum Braunschweig, Klinikum für Rheuma- und AlterserkrankungenBraunschweigGermany
  6. 6.Fachbereich GeriatrieSt. Bonifatius Hospital LingenLingenGermany
  7. 7.OFFIS-Institut für InformationstechnologieOldenburgGermany
  8. 8.Hörzentrum OldenburgOldenburgGermany
  9. 9.Fachgebiet PflegewissenschaftUniversität OsnabrückOsnabrückGermany

Personalised recommendations