Patroonherkenning in beweging

Het accelerometerproject toont de potentie van de ODISSEI Data Facility (ODF) om hoogfrequente data te analyseren en te combineren met survey- en registerdata.

Tijdens het accelerometerproject hebben ruim 1.000 LISS panelleden 8 dagen continu een accelerometer om hun pols gedragen. Deze meter registreerde met 60 metingen per seconde hun fysieke activiteit. Dit resulteerde in een grote hoeveelheid hoogfrequente data op het gebied van activiteit gemeten op een x-y-z as. Tijdens dezelfde periode rapporteerden panelleden ook zelf hun dagelijkse bezigheden en mate van inspanning. Zo kon een vergelijking worden gemaakt tussen objectief gemeten activiteit en subjectief gerapporteerde activiteit (Kapteyn et al., 2018).

ActivityPatternRecognition: Door het bijhouden van activiteiten (lopen, fietsen, zitten, etc.) en het dragen van de accelerometer wordt duidelijk welk patroon bij welke activiteit hoort en wordt een baseline gecreëerd. Met Machine Learning en patroonherkenning kunnen vervolgens de specifieke patronen en activiteiten herkend worden uit de volledige, ruwe data. Credits CentERdata.

Datakoppeling

Het koppelen met bestaande registerdata was voorheen al mogelijk bij het CBS door middel van de remote access faciliteit. Ook de High Performance Computing (HPC) clusters van SURFsara waren al toegankelijk voor de benodigde rekenkracht. “Echter, de combinatie van deze twee maakt de ODF juist zo uniek”, vertelt Joris Mulder, onderzoeker bij CentERdata en projectleider van het accelerometerproject. “De faciliteit maakt het bijvoorbeeld mogelijk om de accelerometerdata te koppelen aan vele bestaande (register)data van het CBS in een beveiligde omgeving, zodat privacy van gevoelige gegevens gewaarborgd blijft. Daarnaast maakt de beschikbaarheid van HPC binnen de ODF-omgeving het toepassen van data science-technieken mogelijk, zoals machine learning, deep learning en (ongestructureerde) patroonherkenning.

Vollediger beeld

Zo kunnen nu relaties tussen (en variaties in) gewicht en patronen van fysieke activiteit, persoonlijkheidskenmerken, sociaal-economische positie en gezondheid beter in beeld worden gebracht. Dit wordt gedaan door de hoogfrequente, niet-geaggregeerde data van de accelerometers te combineren met andere sensordata, zoals gewicht, vetpercentage en spiermassa van het weegschaalproject en andere data uit longitudinale LISS panelstudies op het gebied van persoonlijkheid, gezondheid, inkomen en bezit en microdata van het CBS. Dit kan tot nieuwe inzichten leiden op het gebied van relaties tussen beweging, gezondheid, persoonlijkheid en sociaal-economische status. Inzichten die in eerste instantie niet zo voor de hand liggend zijn, maar binnen de ODF omgeving nu wel geïdentificeerd kunnen worden.”

odissei-data.nl