Walking is an essential task important to recovery after stroke. However, there is a limited understanding regarding the characteristics of walking in in-patients with stroke. The objectives of this thesis were to: 1) develop an instrument capable of acquiring temporal characteristics of everyday walking; 2) investigate the quantity and control of everyday walking; and 3) profile the task-specific link between walking and cardiorespiratory response. In study 1 we developed and validated a wireless monitoring system (ABLE system). Study 2 revealed low quantities of everyday walking (4816 steps; SD 3247) characterized by short bout durations (59.8s; SD 23.4) and asymmetric walking. In study 3 we observed a modest task-related response in HR(19.4% HRR); however, the intensity and duration of everyday walking did not approach the guidelines for aerobic benefit. Monitoring in-patient walking can help guide clinical decision making in developing methods to maximize recovery after stroke.

No description available.

Walking is an essential task important to recovery after stroke. However, there is a limited understanding regarding the characteristics of walking in in-patients with stroke. The objectives of this thesis were to: 1) develop an instrument capable of acquiring temporal characteristics of everyday walking; 2) investigate the quantity and control of everyday walking; and 3) profile the task-specific link between walking and cardiorespiratory response. In study 1 we developed and validated a wireless monitoring system (ABLE system). Study 2 revealed low quantities of everyday walking (4816 steps; SD 3247) characterized by short bout durations (59.8s; SD 23.4) and asymmetric walking. In study 3 we observed a modest task-related response in HR(19.4% HRR); however, the intensity and duration of everyday walking did not approach the guidelines for aerobic benefit. Monitoring in-patient walking can help guide clinical decision making in developing methods to maximize recovery after stroke.

The rollator is a mobility aid commonly used to facilitate balance and mobility for individuals with cardiorespiratory, musculoskeletal, or neurological deficits. Despite its popularity, there are also reports of adverse effects related to walker use linked to increased fall risks. Studies examining the effectiveness and consequences of rollator use have employed standard laboratory-based measurement methods that rely on performing specific tasks within a short time period and under controlled conditions, potentially limiting generalization to mobility in the everyday context. An instrumented rolling walker (iWalker) was developed as an ambulatory measurement tool applicable to the assessment of balance outside of the lab or clinic for assistive device users. The iWalker autonomously collects measurements of the upper and lower limb behaviour related to balance, walker kinematics, and video of the immediate spatial environment. The design and development of the iWalker is first described, followed by two studies characterizing the involvement of the upper limbs for balance in standing and walking that served to address gaps in the literature and evaluate the utility of the upper limb measures. Overall, the upper limbs can become the primary effectors of balancing forces when lower limb capabilities are compromised. When lower limb involvement was experimentally constrained, the upper limbs became the primary effectors of balance control in healthy, young adults. In older adults, individuals demonstrating the highest upper limb usage during walking were associated with the largest reduction in frontal plane stepping parameters (i.e., step width). A third study evaluated the applicability of the iWalker to assess everyday mobility in a series of in-patients recovering from neurological injury (i.e., stroke, traumatic brain injury). Patients demonstrated significantly different upper limb balancing behaviour in everyday situations compared to in-laboratory assessments. Furthermore, the iWalker captured behaviours that may be precursors to falling, such as collisions, stumbling and lifting the assistive device. The implications of these studies on assessing the effectiveness of rollators and feasibility of using the iWalker in follow-up efforts are discussed.

Background: Stroke survivors often have persistent neural deficits related to motor function and sensation, which increase their risk of falling, most of which occurs at home or in community settings. The use of wearable technology to monitor fall risk and gait in stroke survivors may prove useful in enhancing recovery and/or preventing injuries. Objective: Determine the feasibility of using wearable technology (PAMSys (TM)) to objectively monitor fall risk and gait in home and community settings in stroke survivors. Methods: In this feasibility study, we used the PAMSys to identify fall risk indicators (postural transitions: duration in seconds, and number of unsuccessful attempts), and gait (steps, speed, duration) for 48 hours during usual daily activities in stroke survivors (n=10) compared to age-matched controls (n=10). A questionnaire assessed device acceptability. Results: Stroke survivors mean age was 70 +/- 8 years old, were mainly Caucasian (60%) women (70%), and not significantly different than the age-matched controls (all P-values >0.20). Stroke survivors (100%) reported that the device was comfortable to wear, didn't interfere with everyday activities, and were willing to wear it for another 48 hours. None reported any difficulty with the device while sleeping, removing/putting back on for showering or changing clothes. When compared to controls, stroke survivors had significantly worse fall risk indicators and walked less (P<0.05). Conclusion: Stroke survivors reported high acceptability of 48 hours of continuous PAMSys monitoring. The use of in-home wearable technology may prove useful in monitoring fall risk and gait in stroke survivors, potentially enhancing recovery.

The rollator is a mobility aid commonly used to facilitate balance and mobility for individuals with cardiorespiratory, musculoskeletal, or neurological deficits. Despite its popularity, there are also reports of adverse effects related to walker use linked to increased fall risks. Studies examining the effectiveness and consequences of rollator use have employed standard laboratory-based measurement methods that rely on performing specific tasks within a short time period and under controlled conditions, potentially limiting generalization to mobility in the everyday context. An instrumented rolling walker (iWalker) was developed as an ambulatory measurement tool applicable to the assessment of balance outside of the lab or clinic for assistive device users. The iWalker autonomously collects measurements of the upper and lower limb behaviour related to balance, walker kinematics, and video of the immediate spatial environment. The design and development of the iWalker is first described, followed by two studies characterizing the involvement of the upper limbs for balance in standing and walking that served to address gaps in the literature and evaluate the utility of the upper limb measures. Overall, the upper limbs can become the primary effectors of balancing forces when lower limb capabilities are compromised. When lower limb involvement was experimentally constrained, the upper limbs became the primary effectors of balance control in healthy, young adults. In older adults, individuals demonstrating the highest upper limb usage during walking were associated with the largest reduction in frontal plane stepping parameters (i.e., step width). A third study evaluated the applicability of the iWalker to assess everyday mobility in a series of in-patients recovering from neurological injury (i.e., stroke, traumatic brain injury). Patients demonstrated significantly different upper limb balancing behaviour in everyday situations compared to in-laboratory assessments. Furthermore, the iWalker captured behaviours that may be precursors to falling, such as collisions, stumbling and lifting the assistive device. The implications of these studies on assessing the effectiveness of rollators and feasibility of using the iWalker in follow-up efforts are discussed.

Yes / Background: Ambulatory and/or home monitoring are recommended in the UK and North America for the diagnosis of hypertension but little is known about acceptability. Aim: To determine the acceptability of different methods of measuring blood pressure to people from different ethnic minority groups. Design and setting : Cross sectional study with focus groups in primary care. Methods: People with and without hypertension of different ethnicities were assessed for acceptability of clinic, home and ambulatory blood pressure measurement using completion rate, questionnaire and focus groups. Results: 770 participants were included comprising white British (n=300), South Asian (n=241) and African Caribbean (n=229). White British participants had significantly higher successful completion rates across all monitoring modalities compared to the other ethnic groups, especially for ambulatory monitoring: white British (277 completed, 92%[89-95%]) vs South Asian (171, 71%[65-76%], p<0.001 and African Caribbean (188, 82%[77-87%], p<0.001) respectively. There were significantly lower acceptability scores for minority ethnic participants across all monitoring methods compared to white British. Focus group results highlighted self-monitoring as most acceptable and ambulatory monitoring least without consistent differences by ethnicity. Clinic monitoring was seen as inconvenient and anxiety provoking but with the advantage of immediate professional input. Conclusions: Reduced acceptability and completion rates amongst minority ethnic groups raise important questions for the implementation and interpretation of blood pressure monitoring in general and ambulatory monitoring in particular. Selection of method for blood pressure monitoring should take into account clinical need and patient preference as well as consideration of potential cultural barriers to monitoring. / NIHR

Hintergrund: Die zuverlässige Erkennung von Frühwarnzeichen bei Bipolaren Erkrankungen ist für die Prä-vention neuer Krankheitsepisoden von essentieller Bedeutung (Morriss et al., 2007), unterliegt in der Durchführung im klinischen Alltag jedoch verzerrungsbedingt einigen Schwierigkeiten (Kessler et al., 2000; Solhan et al., 2009). Manchen dieser Schwierigkeiten kann mittels ambu-lantem Assessment begegnet werden (Trull & Ebner-Priemer, 2013). Für eine Erkennung und Differenzierung affektiver Zustandsbilder mittels kontinuierlicher Erfassung objektiver verhal-tensorientierter Parameter per Smartphone in Echtzeit im Alltag der Patienten existieren einige Hinweise (Abdullah et al, 2016; Beiwinkel et al., 2016; Faurholt-Jepsen et al., 2016b; Grünerbl et al., 2015; Palmius et al., 2017). Hierbei zeigen sich jedoch teils recht heterogene Befunde, möglicherweise mitbedingt durch Studiendesigns mit kurzen Beobachtungszeiträumen, gerin-gen Fallzahlen und seltenen Fremdratings. Durch ein entsprechend längerfristig angelegtes Design mit häufigen Fremdratings versucht die vorliegende Arbeit eine breitere Datengrundla-ge zu schaffen. Fragestellung: Auf dieser Basis wird die Fragestellung untersucht, welche mittels ambulantem Assessment erhobenen verhaltensorientierten Parameter aus den Bereichen Kommunikation, Bewegung und Aktivität (hypo)manische und depressive Zustandsbilder abbilden und affektive Episoden statistisch vorhersagen können. Methode: Hierfür wurden bei 29 bipolaren Patienten über jeweils 12 Monate über eine App sowie einen am Handgelenk zu tragenden Bewegungssensor kontinuierlich objektive verhaltensorientierte Parameter aus den Bereichen Kommunikation, Aktivität und Bewegung aufgezeichnet. Zusätz-lich wurden von den Patienten abendliche subjektive Abfragen zu Stimmung, Schlaf und Medi-kation beantwortet. Psychodiagnostische Interviews zur Erhebung aktueller affektiver Symp-tome fanden 14-tägig statt. Hierbei kamen verschiedene dimensionale Ratingskalen zur Ein-schätzung aktueller (hypo)manischer und depressiver Symptomatik zum Einsatz (YMRS, BRMRS und MADRS). Weiterhin wurde mittels der Kriterien des DSM-5 geprüft, inwiefern zum jeweiligen Zeitpunkt die Kriterien für eine manische, hypomane oder depressive Episode erfüllt waren. Der vorliegende, hierarchisch strukturierte Datensatz wurde mittels Mehrebenenanaly-sen untersucht. Zur Vorhersage der dimensionalen Outcomes wurden lineare gemischte Mo-delle gerechnet, für die Vorhersage der kategorialen Outcomes generalisierte lineare gemisch-te Modelle. Die Modellbildung erfolgte in drei Schritten. Zunächst ging jeder der 52 erfassten Parameter als einzelner Prädiktor in ein Multilevelmodell ein. In einem zweiten Schritt wurden, zusammengefasst nach den übergeordneten inhaltlichen Konstrukten, nur Prädiktoren mit aus-reichenden Signifikanzen aus dem ersten Schritt in die Modelle aufgenommen. Für die Bildung des Gesamtmodells wurde anhand der im vorhergehenden Schritt potentesten Prädiktoren schrittweise diejenige Variablenkombination ermittelt, welche die jeweilige Outcomevariable am besten statistisch vorhersagen konnte. Dieses Vorgehen wurde für alle Outcomevariablen praktiziert. Ergebnisse: Es liegen zahlreiche signifikante Effekte einiger der erfassten Parameter für die Prädiktion der Manie- und Depressionsskalenwerte sowie für die Prädiktion affektiver Phasen vor. Zusam-mengefasst scheint die Anzahl schlaflos verbrachter Stunden gut geeignet zu sein, sowohl manische (weniger schlaflose Stunden) als auch depressive Symptomatik (mehr schlaflose Stunden) vorherzusagen. Hinsichtlich sozialer Kommunikation kann die Anzahl eingehender Anrufe als genereller Marker für das Vorliegen affektiver Symptomatik angesehen werden. Weiterhin scheint eine erhöhte Häufigkeit, mit der sich eine Person zu Fuß fortbewegt, (hy-po)manische Symptomatik gut vorhersagen zu können. Je mehr respektive weniger Aktivität der Aktigraph verzeichnet, umso wahrscheinlicher liegt vermehrt (hypo)manische respektive depressive Symptomatik vor. Schlussfolgerungen: Die Vielzahl an teils auch fragmentarischen und heterogenen Befunden durch gewisse inhaltli-che Überlappungen der verschiedenen Outcomevariablen sowie durch Überschneidungen auf Prädiktorseite sollte kritisch betrachtet werden. Ein alternativer Ansatz für die Entwicklung glo-balerer und generalisierbarer Modelle zur Vorhersage von Manie und Depressivität durch Ver-wendung latenter Variablen auf Kriteriums- wie auch auf Prädiktorseite wird diskutiert. Grund-sätzlich lassen die hier beschriebenen Ergebnisse darauf schließen, dass diverse, über eine Smartphone-App erfasste Verhaltensparameter im Zusammenhang mit affektiver Symptomatik bipolarer Störungen stehen. Nach weiteren, sorgfältigen Effektivitätsprüfungen im Rahmen von Interventionsstudien könnten demnach die hier beschriebenen Parameter in eine technisch gesteuerte beziehungsweise unterstützte Frühwarnzeichenerkennung für die Vorhersage und nachfolgende Abschwächung oder Abwendung depressiver und manischer Episoden Eingang finden.:TABELLENVERZEICHNIS ABBILDUNGSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS 1 EINLEITUNG 2 THEORETISCHER HINTERGRUND 2.1. Bipolare Erkrankungen 2.2. Ambulantes Assessment 2.3. Aktuelle Forschungslage zu ambulantem Assessment bei Bipolaren Erkrankungen 2.4. Inhaltliche Hypothesen 3 METHODE 3.1. Stichprobe 3.2. Ablauf 3.3. Datenquellen 3.3.1. MovisensXS-App 3.3.2. Beschleunigungssensor 3.3.3. Selbstbeobachtung 3.3.4. Fremdrating des aktuellen psychopathologischen Status 3.4. Management, Speicherung und Parametrisierung der Daten 3.5. Statistische Hypothesen 3.6. Statistische Auswertung 3.6.1. Deskriptive Datenanalyse 3.6.2. Dimensionale Fremd- und Selbstratings 3.6.3. Kategoriale Fremdratings 4 ERGEBNISSE 4.1. Rekrutierung und Vollständigkeit der erhobenen Daten 4.2. Explorative Datenanalyse der within-zentrierten Prädiktorvariablen 4.3. Explorative Datenanalyse der within-zentrierten Outcomevariablen 4.4. Statistische Vorhersage dimensionaler Fremdratings durch smartphonebasierte Parameter 4.4.1. Statistische Vorhersage der YMRS-Werte durch smartphonebasierte Parameter 4.4.1.1. Einzelmodelle: statistische Vorhersage der YMRS-Werte durch Einzelparameter 4.4.1.2. Aggregation: statistische Vorhersage der YMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.1.3. Gesamtmodell: statistische Vorhersage der YMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.2. Statistische Vorhersage der BRMRS-Werte durch smartphonebasierte Parameter 4.4.2.1. Einzelmodelle: statistische Vorhersage der BRMRS-Werte durch Einzelparameter 4.4.2.2. Aggregation: statistische Vorhersage der BRMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.2.3. Gesamtmodell: statistische Vorhersage der BRMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.3. Statistische Vorhersage der MADRS-Werte durch smartphonebasierte Parameter 4.4.3.1. Einzelmodelle: statistische Vorhersage der MADRS-Werte durch Einzelparameter 4.4.3.2. Aggregation: statistische Vorhersage der MADRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.3.3. Gesamtmodell: statistische Vorhersage der MADRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.5. statistische Vorhersage dimensionaler Selbstratings der Stimmung durch smartphonebasierte Parameter 4.5.1. Einzelmodelle: statistische Vorhersage der Stimmungs-Werte durch Einzelparameter 4.5.2. Aggregation: statistische Vorhersage der Stimmungs-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.5.3. Gesamtmodell: statistische Vorhersage der Stimmungs-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6. Statistische Vorhersage kategorialer Fremdratings durch smartphonebasierte Parameter 4.6.1. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. euthym klassifizierter Tage 4.6.1.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Einzelparameter 4.6.1.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.1.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.2. Statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage 4.6.2.1. Einzelmodelle: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Einzelparameter 4.6.2.2. Aggregation: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.2.3. Gesamtmodell: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.3. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. depressiv klassifizierter Tage 4.6.3.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Einzelparameter..... 4.6.3.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.3.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 5 DISKUSSION 5.1. Stärken und Limitationen des Studiendesigns 5.2. Vorhersage der Outcomevariablen durch Kommunikationsparameter 5.3. Vorhersage der Outcomevariablen durch Bewegungsparameter 5.4. Vorhersage der Outcomevariablen durch allgemeine Aktivitäts- und Schlafparameter 5.5. Ausblick 6 ZUSAMMENFASSUNG 6.1 Zusammenfassung 6.2 Summary 7 LITERATURVERZEICHNIS 8 ANHANGSVERZEICHNIS 9 ANHANG ERKLÄRUNGEN / Background: The reliable detection of early warning signs for bipolar disorders is essential for the prevention of new illness episodes (Morriss et al., 2007), but is subject to challenges in everyday clinical practice (Kessler et al., 2000; Solhan et al., 2009). Some of these challenges can be overcome by ambulatory assessment (Trull & Ebner-Priemer, 2013). Evidence of positive indicators for the detection and differentiation of affective states by means of continuous real-time monitoring of objective behavioural parameters via smartphone in patients’ daily lives has already been reported (Abdullah et al, 2016; Beiwinkel et al., 2016; Faurholt-Jepsen et al., 2016b; Grünerbl et al., 2015; Palmius et al., 2017). However, findings have shown to be partially heterogene-ous, possibly due to short observation periods, small sample sizes and an infrequent number of clinical ratings in current study designs. In establishing a suitably long-term design with more frequent clinical ratings, this study attempts to expand the existing database significantly. Objective: Accordingly, this study investigates the statistical predictability of affective episodes by way of capturing behavioral parameters in the fields of communication, movement and activity, as-sessed via ambulatory assessment. Methods: For this purpose, 29 bipolar patients were continuously monitored with an app and a wrist-worn actigraph for 12 months each. The objective parameters recorded were communication, activi-ty and movement. In addition, patients answered subjective questions on mood, sleep and medication every evening. Psychodiagnostic interviews to assess current affective symptoms were conducted every 14 days. Various dimensional rating scales were used to assess current (hypo)manic and depressive symptoms (YMRS, BRMRS and MADRS). Furthermore, the DSM-5 criteria were used to assess to which extent the criteria for a manic, hypomanic or de-pressive episode were met at the time. The hierarchically structured data set was examined using multilevel analysis. Linear mixed models were used to predict the dimensional outcomes and generalized linear mixed models were used to predict the categorical outcomes. The mod-elling was performed in three steps. First, each of the 52 recorded parameters was included as a single predictor in a multilevel model. In a second step, only those predictors which were significant parameters in the first step, were included in the models, representing content-related higher-level constructs of communication, sleep and activity. Thirdly, a combination of variables was identified for the overall model that could best statistically predict the respective outcome variable on the basis of the most promising variables of step two. This procedure was carried out for all outcome variables. Results: We revealed numerous significant parameters for the prediction of mania and depression rat-ings as well as affective episodes. In summary, the number of hours spent sleepless seems to be well suited to predict both manic (less sleepless hours) and depressive symptoms (more sleepless hours). Regarding social communication, the number of incoming calls can be con-sidered as a general marker for the presence of affective symptoms. Furthermore, an in-creased frequency with which a person moves on foot seems to predict (hypo)manic symp-toms well. The more activity is registered by the actigraph, the more likely it is that (hypo)manic symptoms will be present with depressive symptoms being more likely for less activity. Conclusions: The variety of partly fragmented and heterogeneous findings due to certain overlaps in content of the various outcome variables as well as overlaps regarding the predictors should be con-sidered critically in future studies. We discussed using latent variables for both criteria and predictors as an alternative approach achieving more stable results. Basically, the findings described here suggest that various behavioral parameters assessed via a smartphone app are associated with affective symptoms of bipolar disorders. We propose that after further, careful effectiveness and intervention studies, the parameters described here could be used in a technically controlled or supported detection of early warning signs for the prediction and subsequent attenuation or prevention of depressive and manic episodes.:TABELLENVERZEICHNIS ABBILDUNGSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS 1 EINLEITUNG 2 THEORETISCHER HINTERGRUND 2.1. Bipolare Erkrankungen 2.2. Ambulantes Assessment 2.3. Aktuelle Forschungslage zu ambulantem Assessment bei Bipolaren Erkrankungen 2.4. Inhaltliche Hypothesen 3 METHODE 3.1. Stichprobe 3.2. Ablauf 3.3. Datenquellen 3.3.1. MovisensXS-App 3.3.2. Beschleunigungssensor 3.3.3. Selbstbeobachtung 3.3.4. Fremdrating des aktuellen psychopathologischen Status 3.4. Management, Speicherung und Parametrisierung der Daten 3.5. Statistische Hypothesen 3.6. Statistische Auswertung 3.6.1. Deskriptive Datenanalyse 3.6.2. Dimensionale Fremd- und Selbstratings 3.6.3. Kategoriale Fremdratings 4 ERGEBNISSE 4.1. Rekrutierung und Vollständigkeit der erhobenen Daten 4.2. Explorative Datenanalyse der within-zentrierten Prädiktorvariablen 4.3. Explorative Datenanalyse der within-zentrierten Outcomevariablen 4.4. Statistische Vorhersage dimensionaler Fremdratings durch smartphonebasierte Parameter 4.4.1. Statistische Vorhersage der YMRS-Werte durch smartphonebasierte Parameter 4.4.1.1. Einzelmodelle: statistische Vorhersage der YMRS-Werte durch Einzelparameter 4.4.1.2. Aggregation: statistische Vorhersage der YMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.1.3. Gesamtmodell: statistische Vorhersage der YMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.2. Statistische Vorhersage der BRMRS-Werte durch smartphonebasierte Parameter 4.4.2.1. Einzelmodelle: statistische Vorhersage der BRMRS-Werte durch Einzelparameter 4.4.2.2. Aggregation: statistische Vorhersage der BRMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.2.3. Gesamtmodell: statistische Vorhersage der BRMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.3. Statistische Vorhersage der MADRS-Werte durch smartphonebasierte Parameter 4.4.3.1. Einzelmodelle: statistische Vorhersage der MADRS-Werte durch Einzelparameter 4.4.3.2. Aggregation: statistische Vorhersage der MADRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.3.3. Gesamtmodell: statistische Vorhersage der MADRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.5. statistische Vorhersage dimensionaler Selbstratings der Stimmung durch smartphonebasierte Parameter 4.5.1. Einzelmodelle: statistische Vorhersage der Stimmungs-Werte durch Einzelparameter 4.5.2. Aggregation: statistische Vorhersage der Stimmungs-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.5.3. Gesamtmodell: statistische Vorhersage der Stimmungs-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6. Statistische Vorhersage kategorialer Fremdratings durch smartphonebasierte Parameter 4.6.1. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. euthym klassifizierter Tage 4.6.1.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Einzelparameter 4.6.1.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.1.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.2. Statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage 4.6.2.1. Einzelmodelle: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Einzelparameter 4.6.2.2. Aggregation: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.2.3. Gesamtmodell: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.3. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. depressiv klassifizierter Tage 4.6.3.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Einzelparameter..... 4.6.3.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.3.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 5 DISKUSSION 5.1. Stärken und Limitationen des Studiendesigns 5.2. Vorhersage der Outcomevariablen durch Kommunikationsparameter 5.3. Vorhersage der Outcomevariablen durch Bewegungsparameter 5.4. Vorhersage der Outcomevariablen durch allgemeine Aktivitäts- und Schlafparameter 5.5. Ausblick 6 ZUSAMMENFASSUNG 6.1 Zusammenfassung 6.2 Summary 7 LITERATURVERZEICHNIS 8 ANHANGSVERZEICHNIS 9 ANHANG ERKLÄRUNGEN

The aging population requires new and innovative approaches to monitor and supervise medical and physical conditions in residential environments. For this purpose, various sensor and hardware systems are being developed by researchers and industrial companies. One way to monitor health status is the electrocardiogram (ECG), which noninvasively measures heart activity on the body surface. These measurements provide a simple and easy way to monitor health on a continuous basis. However, the use of ECG measurements outside a confined clinical setting, beyond purely medical purposes, is associated with considerable disadvantages resulting from the given freedom of movement. In this work, a substantial noise source in mobile ECG is examined: Motion artifacts. We study the spectral characteristics of motion artifacts for a set of different motions representing everyday activities, namely: standing up, bending forward, walking, running, jumping, and climbing stairs. Furthermore, we investigate to what extent the reference sensors (accelerometer, gyroscope, and skin-electrode impedance) are able to characterize and remove the recorded motion artifacts from the measurements. Our results demonstrate that motion artifacts markedly change their characteristics with a change in motion. While lowintensity movements manifest in lower frequency bands, higher intensity exercises provoke motion artifacts that are much more complex in their composition. These characteristics are correspondingly reflected in the correlation between reference sensors and artifacts. To overcome the drawbacks of motion artifacts in mobile measurements, we propose the application of tensor decomposition using canonical polyadic decomposition (CPD) as an example. A significant advantage of tensor factorization is that it can decompose the data without artificial constraints, unlike matrix factorization. We use CPD along with measurements obtained from different reference sensors to remove the artifacts. Wavelet transformation is utilized to transform ECG and reference data from vector to matrix format. Subsequently, a tensor is constructed by combining the heterogeneous measurements into a three-dimensional tensor. In this way, it is possible to access temporal and spectral features within the data simultaneously. Subsequently, we propose a methodology to predict the decomposition rank based on statistical features in the ECG that quantify the signal quality. To evaluate the performance of the decomposition process, we combine isolated motion artifacts recorded at the back with ECG obtained in rest to generate artificially corrupted data. The results suggest that CPD successfully removes motion artifacts from the data for all reference sensors regarded.

Yes / Abstract Background: Blood pressure (BP) measurement is increasingly carried out through home or ambulatory monitoring, yet existing cardiovascular risk scores were developed for use with measurements obtained in clinic. Aim: To describe differences in cardiovascular risk estimates obtained using ambulatory or home BP measurements instead of clinic readings. Design and setting: Secondary analysis of data from adults aged 30-84 without prior history of cardiovascular disease (CVD) in two BP monitoring studies (BP-Eth and HOMERUS). Method: The primary comparison was Framingham risk calculated using BP measured as in the Framingham study or daytime ambulatory BP measurements. The QRISK2 and SCORE risk equations were also studied. Statistical and clinical significance were determined using the Wilcoxon signed-rank test and scatter plots respectively. Results: In 442 BP-Eth patients (mean age = 58 years, 50% female) the median absolute difference in 10-year Framingham cardiovascular risk calculated using BP measured as in the Framingham study or daytime ambulatory BP measurements was 1.84% (interquartile range 0.65 to 3.63, p=0.67). Only 31/ 442 (7.0%) of patients were reclassified across the 10% risk treatment threshold. In 165 HOMERUS patients (mean age = 56 years, 46% female) the median difference in 10-year risk was 2.76% (IQR 1.19 to 6.39, p<0.001) and only 8/165 (4.8%) of patient were reclassified. Conclusion: Estimates of cardiovascular risk are similar when calculated using BP measurements obtained as in the risk score derivation study or through ambulatory monitoring. Further research is required to determine if differences in estimated risk would meaningfully influence risk score accuracy.