Detection of Infectious Respiratory Diseases Using Wearable Devices

Abstract

Wearable devices are consumer worn devices that can be used to measure the body’s physiological responses. Wearable devices are often non-invasive, for example worn on the wrist or finger, and can be used to measure heart rate, steps, respiratory rate, and several other parameters. Respiratory tract infections are common diseases, and their severity can vary from mild, like runny nose, to life-threatening pneumonia. In particular, the coronavirus that spread as a pandemic in 2020, caused plenty of deaths and lots of grief to society. The purpose of this thesis is to find out, if the data from wearable devices can be used to detect a respiratory infection even before its symptom onset. Three different anomaly detectors were applied to three publicly available datasets. Resting heart rate, step count, heart rate variability and temperature were used as parameters. As a result, the impact of infection on the resting heart rate varied considerably between individuals. In general, sensitivities of the detectors were low, around 20%. In addition, different combinations of model parameters were tested to optimize the results, and with possible overfitting, sensitivity increased up to 50%. The possible explanation for the low sensitivity of the detectors is that physiological alterations caused by infections are similar with other physiological reactions, for example stress. With more complex models and using several measurable parameters at the same time, it might be possible to identify respiratory infections more reliably with wearable devices.

Puettavat laitteet ovat laitteita, joita tavallinen kuluttaja voi käyttää fysiologisten vasteiden mittaamiseen. Usein puettavat laitteet ovat ei-invasiivisia, esimerkiksi ranteessa tai sormessa pidettäviä, ja niillä voi mitata sykettä, askeleita, hengitystaajuutta sekä useita muita muuttujia. Hengitystieinfektiot ovat yleisiä sairauksia, ja niiden vakavuus voi vaihdella nuhasta hengenvaaralliseen keuhkokuumeeseen. Erityisesti vuonna 2020 pandemiaksi levinnyt koronavirus aiheutti paljon kuolemantapauksia sekä yhteiskunnallisia haasteita. Tämän diplomityön tarkoituksena on selvittää, voiko puettavista laitteista saadulla datalla tunnistaa hengitystieinfektion jopa ennen sen oireiden alkua. Työssä käytettiin kolmea julkisesti saatavilla ollutta tietoaineistoa (engl. dataset) ja tunnistukseen käytettiin kolmea erilaista algoritmia. Parametreinä käytettiin leposykettä, askeleiden määrää, sykevälivaihtelua sekä ihon lämpötilaa. Havaittiin, että ihmisten välillä on suuria eroja siinä, tapahtuuko leposykkeessä muutosta infektion aikana. Yleisesti kaikkien algoritmien herkkyys oli matala, noin 20 %. Herkkyyden nostamiseksi algoritmeille annettiin erilaisia parametrien yhdistelmiä, millä herkkyys saatiin mahdollisesti ylisovittaen nousemaan jopa 50 %:iin. Algoritmien heikkoa herkkyyttä selittää se, että infektioiden aiheuttamat puettavilla laitteilla mitattavat fysiologiset muutokset voivat sekoittua muihin fysiologisiin muutostiloihin, esimerkiksi stressiin. Monimutkaisemmilla tunnistimilla ja käyttäen useampaa mitattavaa parametria saman aikaisesti, puettavilla laitteilla olisi mahdollista tunnistaa hengitystieinfektioita luotettavammin.