Mobile Distributed Processing of Physiological Data Kevin Lee, - PowerPoint PPT Presentation

Mobile Distributed Processing of Physiological Data Kevin Lee, Murdoch University James Meneghello, Murdoch University Kiel Gilleade, Liverpool John Moores University NESEA 2012 13/12/12 ¡

Overview Background of Physiological Monitoring and • Processing Problems and Justification • Design and Architecture • Implementation • Experiments and Evaluation • Conclusions • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 2 ¡

What is physiological monitoring? Process of using sensors to read, store, process • and interpret data from the body • Basic ¡ones: ¡heart ¡rate, ¡body ¡temp ¡ • More ¡advanced: ¡biofeedback ¡– ¡bioelectrical ¡signals ¡ • Sensors come in a number of forms, from head or chest-bands to fingertip clips • Data usually gets relayed back to a central server for analysis and storage • Traditionally used in a hospital setting, mobile sensors are now available for most applications 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 3 ¡

What is it used for? Disease diagnosis (Cardiac, Respiratory) • Long-term monitoring (Rehabilitation) • Research • Evaluating Physical and Mental Stress • Integrated into other systems (Insulin Pumps) • Casual Use • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 4 ¡

Distributed Physiological Monitoring Rather than looking just at an individual, look at • the group as a whole Recent example: preventing the spread of swine • flu by using body temp scanners at airports to detect fever Data can be viewed in a spatial context • 13/12/12 ¡ 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 5 ¡

Simple Physiological Monitoring • Simple ¡chest-­‑band ¡heart ¡rate ¡ sensor ¡ • Communicates ¡via ¡Bluetooth ¡to ¡ your ¡smartphone ¡or ¡PC ¡ • Logs ¡heart ¡rate ¡data ¡for ¡casual ¡ analysis ¡by ¡people ¡interested ¡in ¡ opImising ¡workouts ¡(60-­‑80% ¡ of ¡max) ¡ • Data ¡can ¡be ¡uploaded ¡to ¡sites ¡ like ¡RunKeeper ¡ 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 6 ¡

Advanced Physiological monitoring: Biofeedback Monitoring of bioelectric signals in our bodies • We’re basically one big electrical system • A heartbeat is the result of a bioelectric impulse • generated by the sinoatrial node This bioelectrical signal can be monitored by • attaching electrodes to the skin in positions above the organ For the heart, this is an electrocardiograph • Others: electroencephalograph (EEG), • electromyograph (EMG), light-based photoplethysmograph (PPG) 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 7 ¡

An example signal Electrocardiogram • 2-10 Electrodes above the • heart or a harness Accuracy and resolution • of signal depends on sample rate Usually 125-500Hz, 1-12 • channels Data collected from • 500Hz is around 30MB/hr, depending on var type 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 8 ¡

Physiological Processing Data from sensors isn’t always in a format we • want Sometimes we can convert it easily • Other times we want to perform complex • analysis 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 9 ¡

Physiological Processing (2) Biofeedback signals tend to require a lot more • work Signal processing can take a lot of processing • power 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 10 ¡

Physiological Processing (3) We can usually extract multiple data points from • a single signal Some particular transformations require some • very calculation-heavy processing 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 11 ¡

Problems with Processing Specific hardware implementations exist for some transforms, • but are static Usually sent to a central server for processing, but requires • reliable communications If no communications are available, it’s not usually viable to carry • around a server Servers require fixed power supplies • Some (particularly respiratory from PPG) transforms take a lot of • work, often more than a phone can handle Which means: • We ¡can’t ¡use ¡real-­‑Ime ¡physiological ¡monitoring ¡and ¡analysis ¡in: ¡ Mobile ¡environments ¡ • Areas ¡with ¡poor ¡communicaIons ¡ ¡ • Terrain ¡-­‑ ¡underground, ¡heavy ¡woods, ¡valleys ¡ • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 12 ¡

What benefits if we solve them? Wider range of usage environments • New opportunities for e-health in remote • communities, health evaluation in realistic environments More dynamic transforms, easily implemented • Easy implementation in all environments • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 13 ¡

Distributed Mobile Processing • We can improve physiological monitoring • Smartphones can be pretty powerful these days • Individually, lack processing power for continuous high-intensity physiological transformations • Collaboratively, they should be able to handle it • 5-6 smartphones is a lot easier to carry around and use when moving than a couple of desktop computers or a rack server • Can be charged off a portable generator or photovoltaic cells 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 14 ¡

Common Issues Environment • Communications • Mobility • Latency • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 15 ¡

Designing a Platform A Distributed Real-time Physiological Monitoring and • Processing platform Split into roles: • • Monitor ¡– ¡collect ¡from ¡sensors ¡and ¡send ¡to ¡supervisor ¡ • Supervisor ¡– ¡present ¡interface, ¡manage ¡connecIons ¡ • Manager ¡– ¡organise ¡physiological ¡processing ¡work ¡ • Processor ¡– ¡complete ¡processing ¡task ¡ Very flexible • • Roles ¡can ¡be ¡placed ¡on ¡any ¡device ¡ • Any ¡device ¡can ¡have ¡one ¡or ¡more ¡roles ¡ 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 16 ¡

13/12/12 ¡

Processing Layers 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 18 ¡

Implementation Web-based standards for communications • XML or HTTP queries, authenticated • Handles: • Sensor ¡stream ¡registraIon ¡ • Data ¡submission ¡ • TransformaIon ¡requests ¡ • Data ¡requests ¡ • Python 2.6/2.7, Runs on a wide range of devices, anything • that runs Python A choice of database storage engines through SQLAlchemy • Desktop PCs, Cloud Computing, Android Phones • Flexible options for resource allocation, data compression, • configuration 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 19 ¡

Interface 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 20 ¡

13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 21 ¡

Evaluation Is mobile processing of physiological transformations even • viable? Is the system scalable, mobile, compatible? • Compare to existing methods to see if there’s an • improvement 5 devices: • Peer-­‑level: ¡ • HTC ¡Desire ¡(Android, ¡1ghz ¡single-­‑core) ¡ • HTC ¡One ¡X ¡(Android, ¡1.5ghz ¡quad-­‑core) ¡ • Acer ¡Iconia ¡A500 ¡(Android, ¡1ghz ¡dual-­‑core) ¡ • Local-­‑level: ¡ • WorkstaIon ¡(Windows, ¡4.5ghz ¡quad-­‑core) ¡ • Cloud ¡CompuIng: ¡ • Amazon ¡EC2 ¡(Amazon ¡Linux, ¡High-­‑CPU ¡Medium) ¡ • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 22 ¡

Sample Data and Transform Using 2 blocks of 30 seconds worth of • randomised ECG sample data Three stage transform: • • Discrete ¡Fourier ¡Transform ¡on ¡30s ¡of ¡data ¡ • OperaIon ¡of ¡similar ¡complexity ¡to ¡R-­‑R ¡to ¡HR ¡on ¡30s ¡on ¡ previously ¡transformed ¡dataset ¡ • Merge ¡transformed ¡dataset ¡with ¡second ¡set ¡ • Report ¡back ¡the ¡results ¡of ¡DFT ¡and ¡Merge ¡ 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 23 ¡

Method Hit implemented system with realistic load of • transformation requests (while handling collection duties) Time taken for a single request to be sent, • processed and returned is “Response Time” Request time is the time the request was sent • 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 24 ¡

Experiment 1: Responsiveness Test whether the system can respond under load • By testing with different combinations of devices, scalability is • determined 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 25 ¡

Experiment 2: Latency Compares the use of peer vs local vs Cloud resources for • physiological processing Latency can add a lot to each response, particularly if there are a • few transforms in a chain 13/12/12 ¡ Kevin ¡lee, ¡Murdoch ¡University ¡ 26 ¡