Smartwatch-Analyse: TPOT erkennt gefährliche Anomalien mit 98,91 Prozent

Ein automatisiertes System für maschinelles Lernen kann gefährliche Anomalien in den Vitalwerten von Smartwatch-Nutzern mit einer Genauigkeit von 98,9 Prozent erkennen. Das unter dem Namen Smartwatch Data Guard entwickelte Verfahren nutzt automatisierte Modellierung, um Abweichungen in physiologischen Sensordaten frühzeitig und präzise zu identifizieren, wie aus einem Bericht des Fachportals scienmag.com vom 1. Oktober 2026 hervorgeht.

Die zugrundeliegende Forschungsarbeit wurde in der wissenschaftlichen Fachzeitschrift „Mobile Networks and Applications“ publiziert. Entwickelt wurde das Konzept von Pabitha B und Vani V vom National Institute of Technology (NIT) Puducherry gemeinsam mit Shridhar Sanshi vom NIT Karnataka.

Ziel des Vorhabens war es, die Zuverlässigkeit von Gesundheitsüberwachungen über am Körper getragene Sensoren grundlegend zu verbessern und Unregelmäßigkeiten verlässlicher abzufangen.

Automatisierte Pipeline auf XGBoost-Basis

Kern der Entwicklung ist das AutoML-Framework TPOT. Anstatt Algorithmen und Hyperparameter manuell zu testen, generierte das Framework eine optimierte Datenverarbeitungspipeline auf Basis des Algorithmus XGBoost.

Wer sich mit der Überwachung seiner Vitalwerte befasst, sollte auch die Hintergründe der medizinischen Datenerhebung verstehen. Dieser kostenlose Report erklärt, welche Werte wirklich wichtig sind – und welche oft überbewertet werden. Was verraten Ihre Blutwerte wirklich? Jetzt gratis informieren

Diese Pipeline ist darauf ausgelegt, Vitaldaten zu analysieren, die über drahtlose Körpernetzwerke (Wireless Body Area Networks, WBAN) an Smartwatches erfasst werden, und diese kontinuierlich in normale oder abnormale Zustände zu klassifizieren.

Bei der Evaluierung auf einem smartwatch-generierten Datensatz erreichte das System eine Testgenauigkeit von 98,91 Prozent. Der Datensatz umfasste mehrere zentrale Vitalparameter, darunter Herzfrequenz, Puls, Blutsauerstoff, Blutdruck sowie den SpO2-Wert.

Neben der hohen Treffsicherheit zeigte sich ein weiterer praktischer Nutzen im Entwicklungsprozess: Der Einsatz von TPOT reduzierte den rechnerischen Aufwand im Vergleich zu manuell konfigurierten Klassifikatoren des maschinellen Lernens spürbar.

Moderne Technik kann helfen, kritische Werte wie den Blutdruck frühzeitig im Blick zu behalten und auf natürliche Weise zu regulieren. Ein renommierter Medizinprofessor zeigt in diesem kostenlosen Ratgeber, wie Sie Ihr Herzinfarktrisiko minimieren und Bluthochdruck ohne sofortigen Griff zur Pille in den Griff bekommen. 7 Tipps zur natürlichen Blutdrucksenkung kostenlos herunterladen

Limitierungen bei Datenzugang und Modellkomplexität

Trotz der vielversprechenden Resultate weist der Ansatz noch methodische Grenzen auf. Der für die Untersuchungen herangezogene Datensatz ist nicht öffentlich zugänglich, da es sich um sensible persönliche Gesundheitsdaten handelt. Eine unabhängige Überprüfung oder Weiternutzung durch andere Forschungsgruppen ist damit nur eingeschränkt möglich.

Zudem merken die Experten an, dass die gewählte binäre Klassifikation in gesund und ungesund eine Vereinfachung darstellt. In der Praxis ist das Spektrum an möglichen Messfehlern, technischen Störungen oder gezielten Angriffen auf mobile Sensornetzwerke deutlich komplexer.

Für den industriellen und klinischen Einsatz wird es daher in weiteren Entwicklungsschritten darauf ankommen, feinere Unterscheidungen zwischen tatsächlichen medizinischen Notfällen und sonstigen Signalstörungen abzubilden.

de | wissenschaft | 70207509 |