Upcoming Public Defences

PhD defence Simone Boerema

Sensing human activity to improve sedentary lifestyle 

Simone Boerema is a PhD student in the Biomedical Signals and Systems group, her supervisor is prof.dr.ir. H.J. Hermens from the from the  Faculty of Electrical Engineering, Mathematics and Computer Science(EWI)

Recente volksgezondheidscampagnes communiceren vaak de alarmerende zin: "Zitten is het nieuwe roken". Zitten is gerelateerd aan verhoogde kans op sterfte, cardiovasculaire aandoeningen, diabetes type 2 en het metabool syndroom. Sedentair gedrag wordt over het algemeen gedefinieerd als "zitten of liggen met een laag inspanningsniveau, kleiner of gelijk aan 1,5 metabole equivalenten". Het interessante aspect van sedentair gedrag is dat het een aanpasbaar gezondheidsrisico is. Het gezondheidsrisico kan worden verminderd als een persoon zijn of haar gedrag verandert: minder zitten en fysiek actiever worden.

Sinds de opkomst van draagbare technologieën en activiteitensensoren heeft onderzoek gericht op patronen van sedentair gedrag een vlucht genomen. Deze technologieën bieden namelijk nieuwe mogelijkheden tot het meten van sedentaire patronen binnen de context van het dagelijks leven. De nieuwe technologieën maken bovendien mogelijk om sedentair gedrag tijdens het dagelijks leven niet alleen gedetailleerder en objectiever te meten maar ook gedurende langere meetperioden. De huidige draagbare activiteitensensoren zijn echter niet feilloos in het meten van sedentair gedrag. Het is dan ook belangrijk om de effecten van mogelijke meetfouten te begrijpen, om daar vervolgens op de beste manier om te gaan.

Omdat mensen zich vaak niet bewust zijn van hun sedentair gedrag, is het moeilijk om het gedrag te veranderen. Door interventies af te stemmen op de behoeften van de gebruiker door middel van zogenaamde mHealth-interventies, kan het persoonlijk bewustzijn worden vergroot en is de kans groter dan een interventie ook daadwerkelijk een gedragsverandering teweeg brengt. Afstemmen op de individuele behoefte kan door directe feedback en coaching te bieden over fysieke activiteit en sedentair gedrag samen met real-time informatie over de context. Deze context informatie kan worden verzameld door relevante gegevensbronnen te integreren of door vragen te stellen aan de gebruiker over het hier en nu. Verdere toename van acceptatie van mHealth-interventies kan worden bereikt door personaliseren op individuele waarden en de belemmeringen en facilitators voor deze waarden.

Het doel van dit proefschrift is bepalen hoe draagbare activiteiten sensoren succesvol kunnen worden toegepast in gezondheidsinterventies gericht op sedentair gedrag.

Dit proefschrift volgt een steeds groter wordende scope: van het niveau van de activiteitensensor tot het niveau van de volksgezondheid. Het eerste deel van dit proefschrift richt zich op het meten van sedentair gedrag en de patronen ervan door middel van draagbare activiteiten sensoren (Hoofdstuk 2, 3 en 4). Het tweede deel van dit proefschrift richt zich op de ontwikkeling en evaluatie van mHealth-interventies die gebruik maken van deze draagbare activiteiten sensoren (hoofdstuk 5 en 6).

Het patroon van sedentair gedrag gedurende de dag is een onafhankelijk gezondheidsrisico. Langere perioden van zitten beïnvloedt cardio-metabole en inflammatoire biomarkers, onafhankelijk van de totale sedentaire tijd. Sinds de opkomst van draagbare technologieën en activiteiten sensoren, hebben onderzoekers nog geen consensus bereikt over de beste uitkomstmaten voor het weergeven van het sedentaire patroon gedurende de dag. Hoofdstuk 2 geeft een overzicht van de huidige patroonmaten van sedentair gedrag bij volwassenen, aan de hand van een literatuuronderzoek. Eenvoudige maten van sedentair gedrag werden het meest gerapporteerd, zoals het aantal zitperioden, de gemiddelde of mediane duur van de zitperiode. Complexere patroonmaten, zoals de GINI-index of de W50, werden weinig gerapporteerd. Door het gebruik van verschillende meetinstrumenten, data-analyseprotocollen en een gebrek aan basis uitkomstmaten zoals totale draagtijd en totale sedentaire tijd, zijn sedentaire patronen uit de verschillende onderzoeken, moeilijk met elkaar te vergelijken. De eenvoudige en complexe maten van sedentaire tijd dienen verschillende doelen variërend van een snel overzicht tot diepgaande patroon analyse en voorspelling van gedrag. Welke patroonmaten het meest geschikt zijn om te rapporteren, is daarom sterk afhankelijk van de onderzoeksvraag. Op basis van de samenvattende studie beschreven in hoofdstuk 2 concluderen we dat de gerapporteerde metingen afhankelijk waren van 1) de meetmethode, 2) de classificatiemethode, 3) het experimentele en data-opschoningsprotocol, en 4) de toegepaste definities van sedentaire perioden en onderbrekingen hiervan. Op basis van deze bevindingen raden we aan om altijd de totale sensor-draag-tijd, de totale sedentaire tijd, het aantal zitperioden en ten minste één patroonmaat te vermelden die de diversiteit van de lengte van perioden van het sedentaire gedrag zoals de W50 beschrijft. Daarnaast adviseren wij om de meetcondities en gegevensverwerkingsstappen goed te beschrijven.

Een van de factoren die de output van de hierboven genoemde activiteitensensoren beïnvloeden, is het experimentele protocol (Hoofdstuk 2). Dit werd in hoofdstuk 3 dieper behandeld, waarbij we ons concentreerden op de optimale sensorplaatsing voor het meten van fysieke activiteit. De proefpersonen liepen met verschillende snelheden op een loopband, voerden een bureauwerk-protocol uit en liepen op een vlakke ondergrond, terwijl ze tegelijkertijd vijf activiteitensensoren droegen op een elastische heupband. Uit dit onderzoek bleek dat de sensorlocatie, het type activiteit en hun interactie-effect de sensordata beïnvloedden. De meest laterale posities op de heupband waren het minst gevoelig voor interferentie. Daarnaast hebben we het effect van de bevestiging van de sensor onderzocht door het experimentele protocol te herhalen met sensoren die losser op de elastische riem waren geplaatst. De losse pasvorm resulteerde in een lagere sensoroutput, behalve het bureauwerk-protocol, waar de output hoger was. Om de betrouwbaarheid te vergroten en de variabiliteit van sensoruitvoer te verminderen, zouden onderzoekers daarom activiteiten-sensoren op de meest laterale positie van de riem van een deelnemer moeten plaatsen. Als de sensor op deze locatie de vrije beweging hindert, kan de sensor het beste iets verder naar voren op de riem worden geplaatst. En daarnaast is het aan te bevelen sensoren stevig, nauwsluitend op het lichaam te dragen.

Een andere factor die van invloed is op de output van activiteitensensoren is de classificatiemethode(hoofdstuk 2). Momenteel is de meest toegepaste methode om sedentaire en actieve tijd te onderscheiden, het toepassen van een drempelwaarde bij accelerometrie gebaseerde data. Dit betekent dat het gemeten gedrag wordt geclassificeerd als sedentair wanneer de intensiteit hiervan onder de drempelwaarde ligt. We hebben het effect van de classificatiemethode op sedentaire patroonmaten met kantoormedewerkers bestudeerd in laboratorium- en free-living-omstandig-heden (hoofdstuk 4). In deze studie vonden we dat de uitkomstmaten robuust zijn, wanneer drempelwaarden voor het classificeren van sedentair gedrag binnen de grenzen van ± 10-20% van de optimale drempelwaarde liggen. Met drempelwaarden van ± 10-20% veranderen de sedentaire patronen niet ten gevolge van de classificatiemethode. Deze conclusie impliceert dat resultaten van studies die sedentaire patronen analyseren op basis van verschillende drempelwaarden, alleen kunnen worden vergeleken als de drempelwaarden binnen deze grenzen liggen.

In hoofdstuk 5 hebben we de kennis over sensorgebruik, gegevensverwerkings-stappen en uitkomstmaten gecombineerd met technologie die zich van de context bewust is, in een interventie voor oudere kantoormedewerkers. Deze interventie was gericht op het stimuleren van zowel minder zitten als ook de zittijd op te breken in kortere perioden. Kantoormedewerkers brengen een hoog percentage van hun tijd zittend door en vaak in lange zitperioden. Het is gezonder om deze lange perioden in kortere perioden op te breken door korte tijd fysiek actief te zijn. Om dit opbreken van lange sedentaire periodes te bevorderen bij kantoormedewerkers, hebben we een innovatieve, contextbewuste activiteitencoach ontwikkeld. Deze coach geeft suggesties voor activiteiten, gebaseerd op een voorspellingsmodel voor fysieke activiteit. Het model bestaat uit de huidige fysieke activiteit en die in het verleden (gemeten aan de hand van een draagbare activiteitensensor) en digitale agenda's. De totale sedentaire tijd in de interventieweek was niet lager dan in de week voor de interventie. Het patroon van het sedentaire gedrag veranderde echter wel: de kantoormedewerkers verminderden hun totale tijd doorgebracht in lange zitperioden (≥45 minuten). Bovendien gaven de kantoormedewerkers aan dat de interventie bij droeg aan hun bewustzijn en inzicht in hun persoonlijk sedentair gedragspatroon. De activiteiten suggesties van de interventie werden in 53% van de momenten opgevolgd door de deelnemers. Deelnemers gaven aan dat dit percentage verhoogd zou kunnen worden door de timing te verbeteren. We concluderen dat de mobiele interventie (met behulp van een activiteitensensor, smartphone-applicatie en contextinformatie) het sedentaire gedrag van oudere kantoormedewerkers kan verbeteren. De gezondheidswinst komt dan vooral voort uit het opsplitsen van lange sedentaire perioden door fysiek actief te zijn. Oudere kantoormedewerkers waardeerden dat de interventie hen bewust maakte van hun sedentaire gedrag. Op basis van deze uitkomsten, lijken interventies voor de volksgezondheid die enkel gericht zijn op het verminderen van de totale sedentair tijd, te simplistisch. In plaats daarvan is het bij het bepalen van het effect van een interventie belangrijk om rekening te houden met zowel de duur als het aantal perioden waarin iemand sedentair is. Tenslotte benoemen we onze ontwerpaanbevelingen voor eHealth-interventies gericht op het verbeteren van sedentair gedrag.

In Hoofdstuk 6 hebben we ons gericht op een ontwerpbenadering om de acceptatie van mHealth-interventies verder te vergroten - door af te stemmen op individuele waarden en barrières en facilitators van deze waarden. In deze studie hebben we aangetoond hoe waarde gericht ontwerpen kan bijdragen aan het ontwerp van een product of dienst die de echte behoeften aanpakt en zo tot een hoge acceptatie leidt. We hebben de methoden en toepassing van waarde gericht ontwerpen beschreven. We hebben waarden, facilitators en belemmeringen van oudere volwassenen uitgevraagd via diepte-interviews met een focus op hun beperkte mobiliteit - wat betekent dat ze moeilijk kunnen wandelen, fietsen en/of activiteiten van het dagelijks leven kunnen uitvoeren. Deze interviews resulteerden in een groot aantal kernwaarden, zoals 'onafhankelijkheid zijn van familie' en 'zelf boodschappen doen'. Vervolgens resulteerden co-creatie ontwerpsessies in innovatieve mobiliteits-hulpmiddelen. Uit deze innovatieve mobiliteitshulpmiddelen werden drie ontwerpen geselecteerd voor evaluatie van de acceptatie, opnieuw via diepte-interviews. De oudere volwassenen hun acceptatie van de drie rollator-achtige ontwerpen was nogal laag. De huidige gebruikers van mobiliteitshulpmiddelen waren positiever over de ontwerpen dan de ouderen die nog geen hulpmiddelen gebruikte. Deze op waarden gebaseerde ontwerpbenadering bood ontwerpers een kijkje in de levens van ouderen, waardoor een breed scala aan innovatiemogelijkheden werd gecreëerd die beter aansluiten op de werkelijke behoeften. Mobiliteit is echter gerelateerd aan fysieke capaciteit en niet aan het zitten. Toch kan een grondig begrip van de waarden van het leven om mobiel te zijn, zowel ontwerpers die zich richten op mobiliteitshulp-middelen direct inspireren als ook ontwerpers van gezondheids-interventies om sedentair gedrag aan te passen, waarin persoonlijke doelen en context even waardevol zijn.

In hoofdstuk 7, de algemene discussie, bespreken we de snelle ontwikkeling van sensoren en analysemethoden, evenals het verzamelen van waardevolle contextinformatie door middel van Experience Sampling (het uitvragen van iemands beleving). Activiteiten sensoren zouden veel rijkere informatie over het gedrag kunnen opleveren. De drempelwaarde-gebaseerde analyses maken daar echter slechts zeer beperkt gebruik van. Daarnaast kent deze analyse methode diverse beperkingen (hoofdstuk 2, 3 en 4) waardoor generalisatie van de huidige literatuur maar beperkt mogelijk is. Het lijkt daarom zinvoller om het gemeten gedrag uit te drukken in termen van het werkelijke gedrag zoals fietsen, traplopen en dergelijke, in plaats van deze uit te drukken in (metrische) eenheden van intensiteit. Machine Learning technieken zijn in staat om met een hogere nauwkeurigheid direct het werkelijke (beweeg)gedrag te bepalen en de toepassing hiervan lijkt een logische stap voorwaarts. Daarnaast zal de output van Machine Learning gemakkelijker te gebruiken zijn in interventies wanneer deze wordt uitgedrukt in gedrag, omdat dit past bij de kennis van gebruikers; meer dan uitkomstmaten als totale intensiteit, zittijd en aantal actieve perioden. De Experience Sampling Method (ESM) die was ingebouwd in de ontwikkelde interventie (Hoofdstuk 5), gaf inzicht in de context van sedentair gedrag: waar, wanneer, waarom en met wie is het subject wanneer hij of zij zit en welke emoties worden dan ervaren. Toekomstige interventies zouden dit type context moeten integreren in real-time, gepersonaliseerde coaching strategieën om bewustwording en gedragsverandering te realiseren.

De studies in dit proefschrift hebben aangetoond dat activiteitensensoren waardevolle informatie kunnen verschaffen over het patroon van sedentair gedrag en dat deze nuttig kunnen zijn voor gezondheidsinterventies. We hebben de sterke punten van de huidige praktijk en de mogelijkheden voor verbetering getoond door een brede scope toe te passen met een focus op het meten van sedentair gedrag en het ontwikkelen en evalueren van mHealth-interventies. Op basis van de studie kunnen we concluderen dat:

De combinatie van de bottom-up benadering (van sensor-, naar data- en informatieniveaus) met de top-down benadering (van gebruikerswaarden gerelateerd aan volksgezondheid tot interventies en haar specifieke feedback- en coaching strategieën) bijdraagt aan diverse, sterk verbonden en onderling afhankelijke domeinen van het toepassen van draagbare activiteiten sensoren voor gezondheidsinterventies gericht op sedentair gedrag.