Blog: Hoe herken je een hand chips?

Het maakt voor je gezondheid nogal wat uit of je een hand chips of een halter van 10 kilo naar je kin beweegt. Toch blijkt het herkennen van die totaal verschillende activiteiten een taaie opgave, zelfs voor de nieuwste lichting activity trackers en fitness armbanden. Maar tegelijk zie je hoe die banden en de bijbehorende apps bijna per maand beter worden in het herkennen van je dagelijkse activiteiten.

“Hoe weet zo’n band nou wat je doet”, vroeg mijn vrouw aan Anna en Frederieke, die in de afgelopen twee maanden 24 uur per dag minimaal twee banden om hadden voor de grote SmartHealth activity tracker test. Een goede vraag natuurlijk. Ik legde uit dat al die banden een of meerdere sensoren hebben die beweging, of liever gezegd versnelling kunnen meten. “Ik snap het”, zei ze, en daarmee was voor haar de kous af. Een toereikend antwoord, vond ze.

Maar ik stond al klaar met een flip-over om enthousiast te gaan uitleggen dat zo’n sensor op zich een stom ding is. Hij levert per seconde een aantal datapunten op: een serie van x, y en z posities in de tijd. Het echte probleem is het analyseren van die posities om een bepaalde activiteit te herkennen.

Een tekening bij een patentaanvraag van Apple

Neem bijvoorbeeld lopen (ik tekende een mannetje met een armband en liet zien hoe die armband tijdens het lopen een golfbeweging in de y-as maakt). Je herkent pieken en dalen in een typisch patroon. Door alle ruis er uit te filteren, en met wiskundige en statistische technieken het kenmerkende patroon van lopen in de data te vinden, kun je met een bepaalde zekerheid zeggen dat de dataverzameling die je hebt wijst op lopen.

Cubic spline interpolatie. Interessant, zeg.

Mijn vrouw begon uit haar ooghoek naar het Thaise kookboek op de hoek van de tafel te kijken, terwijl ik net wilde beginnen aan een summiere uitleg van cubic spline interpolatie bij tijdreeksanalyses. Haar dwalende blik was terecht natuurlijk, want de technische achtergronden van die herkenningsalgoritmes zijn voor de gemiddelde consument volkomen oninteressant. Toch zit daar een groot deel van de innovatie. Het herkennen van lichamelijke activiteit gedurende een normale dag is een onderzoeksgebied dat in de afgelopen twintig jaar populair was en veel publicaties opleverde. Het was echter een niche, waarvan de praktische toepassingen vooral interessant waren voor sporters, inspanningsfysiologen, makers van alarmsystemen voor bejaarden en medische onderzoekers.

Maar nu Fitbit, Jawbone, Withings, Samsung, Apple en tientallen andere bedrijven gaan strijden om een marktaandeel op een veel grotere consumentenmarkt, en er serieus geld te verdienen is met die complexe wiskundige algoritmen, gaat de innovatie ordegroottes sneller.

De allerbeste wiskundigen, natuurkundigen en statistici worden in Silicon Valley met open armen ontvangen om de data van die fitness banden slimmer te analyseren. En de resultaten gaan niet in een promotie-onderzoek dat over drie jaar verschijnt, maar in de volgende release van de app. En wie het eerst het verschil tussen een hand chips en een halter kan herkennen, maakt volgend kwartaal meer winst. Een perfecte voedingsbodem voor productinnovatie.