Av Ellen Marie Bardal, postdoktor og Hilde Bårdstu, doktorgradsstipendiat, begge ved Institutt for nevromedisin og bevegelsesvitenskap
Ellen Marie Bardal (t.v.) og Hilde Bårdstu. (Foto: Kim L’Orange Sørenssen)
Januar. Måneden etter jul, måneden etter sofakos og ribbefett. Måneden der treningssentrene får flest nye medlemmer og de fleste nyttårsforsetter settes ut i livet….
Er du som «nordmenn flest» vil det å trene mer være høyt oppe på lista av nyttårsforsetter. Og hvis du var riktig så heldig lå det kanskje en liten hard pakke under juletreet som er designet for å hjelpe deg å nå akkurat dette forsettet.
De kommer i alle former og farger, fra treningsklokker til pene armbåndsur i rosegull, fra smykker til brikker du kan feste direkte på huden eller sy inn i klærne dine. De markedsføres bredt, både til sofagrisen som trenger en ekstra dytt ut av sofaen og til supermosjonisten som ønsker å optimalisere treningen sin. Og de har blitt det nye «hotte» innen både kliniske og epidemiologiske studier som fokuserer på bevegelse. Vi snakker selvfølgelig om aktivitetsmålere.
Aktivitetsmålerne er gjerne koblet sammen med en tilhørende App og gir oss detaljert informasjon om blant annet hvor mye energi vi har brukt, antall skritt vi har tatt, hvor lenge vi har sittet på rumpa, og hvor godt vi har sovet. De gir sofagrisen motiverende meldinger hvis han ikke beveger seg nok, estimerer hvor mye restitusjon supermosjonisten behøver før neste økt, og kan gi oss forskere et unikt innblikk i hvor mye deltakerne i studiene våre egentlig beveger seg.
…..Men hvordan kan et enkelt armbånd eller en brikke gi oss informasjon om alt dette???
Vi har laget denne lille humoristiske filmen om utfordringene med å lage en spesialtilpasset aktivitetsapp:
SMART: Selv-Monitorerende, Analyserende and Reporterende Teknologi.
Aktivitetsmålere er en del av det vi kaller «smart teknologi». Uttrykket brukes i mange sammenhenger, og hva som legges i begrepet varierer fra fagfelt til fagfelt.
For å få et innblikk i hvordan en aktivitetsmåler kan vite eksempelvis hvor mange steg du tar i løpet av en dag har vi tjuvlånt anagrammet ovenfor fra datateknologi. I overført betydning vil det si at aktivitetsmåleren er teknologi som overvåker eller måler bevegelse av små sensorer som er inkorporert i aktivitetsmåleren, analyserer disse målingene og gir oss tilbakemelding om vår adferd, eksempelvis hvor mange steg vi har tatt.
Smart teknologi kan deles inn i 2 komponenter – hardware og software. Hardware i en typisk aktivitetsmåler består av sensorer (f.eks akselerometer og gyroskop), micro controller, minnekort, koblinger (f.eks USB og bluetooth) og batteri. Hardwaret i en aktivitetsmåler registrerer og lagrer bevegelse av sensorene.
Dette er ikke avansert teknologi og er noe som alle som har smarttelefoner har med seg store deler av døgnet. Det er derimot en lang vei fra et akselerasjonsignal lagret på en minnebrikke til et mål på hvor mange steg du tar. For å kunne komme fram til denne informasjonen må vi gjøre teknologien smart.
Softwaret i aktivitietsmåleren består av datamodeller som analyserer registreringene fra sensorene og det er disse som gjør teknologien smart. I disse datamodellene ligger hemmeligheten bak hvorfor aktivitetsarmbåndet vet hvor mange steg du har tatt. Og hvordan data er analysert er gjerne en godt bevart hemmelighet hos de aller fleste kommersielle produktene på markedet.
….Men hvor riktig er egentlig informasjonen vi får fra aktivitetsmålerne?
Hvor riktig informasjonen vi får fra aktivitetsmålerne er avhenger av presisjonen til datamodellene som analyserer registreringene fra sensorene. Presisjonen er en konsekvens av måten datamodellene er utviklet på. Det finnes flere ulike metoder for å utvikle disse. Den ene er basert på teoretisk modellering av bevegelse, mens en annen metode er å bruke data fra virkelige bevegelser slik at datamodeller kan læres opp til å kjenne igjen spesifikke bevegelsesmønster, som for eksempel et steg.
Dette er dessverre lettere sagt enn gjort, og det er flere utfordringer som vi møter på vår vei mot en velfungerende datamodell. Den første utfordringen er at vi mennesker beveger oss ulikt. Du går for eksempel forskjellig fra naboen din, og i alle fall forskjellig fra barna i skolegården og pensjonisten over gata.
Datamodellene i de kommersielle aktivitetsmålerne er som regel utviklet basert på data fra unge friske voksne. Dette medfører at modellen trenes opp til å gjenkjenne bevegelsesmønster med relativt liten variasjon og at de vil ha dårligere presisjon hos andre deler av befolkningen som for eksempel barn, ungdom, eldre eller personer med bevegelsesutfordringer.
En annen utfordring er måten bevegelsesdataene er samlet inn på. For utviklere av software og oss forskere er den enkleste og den mest nøyaktige måten å samle inn data på å ta personene inn i laben vår og måle hvordan forsøkspersonene beveger seg på. Vi putter på det utstyret vi ønsker og gir dem så instruksjoner om hvilke bevegelser de skal utføre.
Men… så er det nå slik at vi alle er menneskelige og vi ønsker gjerne å prestere når vi vet at vi blir observert. På samme måte som du er nøye med og ikke kjøre for fort når du ser en politibil, og at du ikke sjekker facebook når sjefen står rett utenfor i gangen, vil du heller ikke subbe av sted når noen ber deg å gå som du vanligvis gjør.
Det at de som studeres endrer adferd fordi de blir studert kalles for Hawthorneeffekten. Og for noen tar dette ønske om å gå perfekt litt overhånd og de begynner å gå litt kunstig. Dette kaller vi gjerne for lab-gange.
Problemet er da at vi utvikler datamodeller som er og skal kjenne igjen gangmønster basert på målinger av lab-gange. Og selv om disse har en presisjon på opp mot 100 % er det ikke sikkert at datamodellen gjenkjenner gangen din hvis du egentlig subber deg gjennom livet. Det er derfor et svært utfordrende å utvikle software som kan få aktivitetsmålere til å gi presis informasjon for alle personer i alle gitte situasjoner.
Vi kan få gode estimat på gjennomsnittlig aktivitet hos en gruppe, og vi kan lett skille mellom sofagrisen og supermosjonisten, men vi har fortsatt en vei å gå før vi har gode nok løsninger som kan gi oss så detaljert informasjon på individnivå slik som mange av de kommersielle produktene lover oss.
Så kanskje er de ikke denne teknologien fullt så smart som den gir seg ut for å være, men fancy er det og motiverende kan det være.
Og det er kanskje akkurat det vi trenger i januar. Januar, måneden der de fleste nyttårsforsetter ryker… Riktig godt nytt år!!