En verklig dataset för att upptäcka handtvätt i vardagen med handledsrörelsedata från bärbara enheter

Tvätta händer, vaka över hälsan

De flesta av oss skrubbar händerna utan att tänka närmare på det. För personer som arbetar på sjukhus eller hanterar mat, och för dem som lever med tvångssyndrom (OCD), kan handtvätt påverka hälsa, säkerhet och vardagsliv. Denna studie presenterar en ny sorts dataresurs: veckor av verkliga handledsburna sensormätningar som fångar både vardaglig och tvångsmässig handtvätt. Målet är att hjälpa framtida smartklockor att känna igen när vi tvättar — och så småningom skilja på hälsosamma rutiner och ritualer som drivs av psykisk nöd.

Varför handtvätt spelar så stor roll

Rena händer är ett av de enklaste skydden mot infektion, oavsett om det är hemma, på en klinik eller i ett storkök. Ändå är handtvätt förvånansvärt svårt att övervaka utanför kontrollerade miljöer. Befintliga lösningar förlitar sig ofta på kameror vid handfat eller sensorer installerade på särskilda arbetsplatser, vilket kan upplevas som påträngande, väcka integritetsproblem eller helt enkelt inte fungera i vardagen. Samtidigt är handtvätt för många med OCD inte bara hygien: det kan bli ett tidkrävande, smärtsamt svar på överväldigande rädsla för smuts och kontaminering. Deras tvättande kan vara mycket frekventare och längre än nödvändigt, vilket leder till skadad hud och sämre livskvalitet. En teknik som pålitligt identifierar handtvätt i naturliga situationer skulle därför kunna uppfylla två mycket olika behov: kontrollera att yrkespersoner tvättar tillräckligt och hjälpa patienter att upptäcka när tvättandet drivs av ångest snarare än behov.

En månad av livet på handleden

För att bygga en realistisk bild av handtvätt i verkliga livet rekryterade forskarna 22 vuxna med diagnosen tvångsmässig handtvätt i Schweiz. Varje person bar en Android-baserad smartklocka på handleden i fyra veckor, med målet minst sex timmar per dag. Klockan spelade in subtila handledsrörelser 50 gånger per sekund med inbyggda rörelsesensorer, liknande dem i aktivitetsarmband. När deltagarna avslutat en tvätt tryckte de på en knapp på klockan och besvarade sedan några snabba frågor: var denna tvätt tvångsmässig eller rutinmässig, hur stark var deras impuls att tvätta, och hur spända kände de sig (alla på en skala 1–5). Varje kväll bad klockan dem också att uppskatta hur ofta och hur intensivt de tvättat den dagen och hur ofta de kom ihåg att bekräfta tvättarna.

Att förvandla brusiga dagar till användbar data

Verkliga livet är stökigt: folk glömmer att bära enheter, kranar kan felmarkeras och klockor ligger på bord och spelar in bara tystnad. Teamet utformade därför en omfattande rengörings- och etiketteringsprocess. De raderade hela inspelningar när det tydligt inte fanns någon rörelse eller när filer var för korta eller korrupta, och markerade långa perioder av inaktivitet så att andra forskare enkelt kan hoppa över dem. Eftersom varje knapptryck gav endast en tidpunkt, var forskarna tvungna att härleda när varje tvätt började och slutade. Först uppskattade de typiska tvättlängder från ett övervakat exempel i labbet, sedan förfinade de etiketterna med ett glidande tidsfönster och, för sex noggrant utvalda deltagare, noggrant manuell etikettering av tränade annotatorer som granskade rörelsespåren visuellt. Slutresultatet är OCDetect-datasetet: ungefär 2 600 timmars vardagsaktivitet, inklusive cirka 31 timmar handtvätt fördelat på 2 930 tvättar, nästan jämnt uppdelat mellan självanmälda rutin- och tvångshändelser.

Lära maskiner att upptäcka tvätt

Med detta dataset testade teamet hur väl standardmetoder inom maskininlärning kunde plocka ut handtvätt ur allt annat människor gör under en dag. Det är en svår utmaning: tvätt utgör bara omkring 1 % av den inspelade tiden, och olika personer tvättar på mycket olika sätt. Genom att använda korta femsekundersfönster av rörelsedata och en samling enkla funktioner — såsom hur kraftiga eller ryckiga rörelserna var — tränade de klassiska modeller som random forests och gradient boosting. Modellerna utvärderades på ett strikt sätt, alltid testade på deltagare algoritmerna aldrig sett förut. Den bästa uppsättningen nådde ett F1-värde på upp till 0,77 (i genomsnitt omkring 0,33 över deltagare), klart över slumpen, när uppgiften helt enkelt var att avgöra “handtvätt eller inte.” Däremot, när uppgiften var att skilja rutinmässiga från tvångsmässiga tvättar, föll prestandan tillbaka mot slumpnivå. Med andra ord visar nuvarande rörelsemönster ensamma inte pålitligt de emotionella skälen bakom en tvätt.

Vad detta betyder för framtida smartklockor

För en lekman är budskapet tvådelat. För det första har smartklockor redan tillräcklig sensorförmåga för att upptäcka de flesta handtvättstillfällen i vardagen, även mot det brusiga bakgrundsbruset av promenader, matlagning eller arbete. För det andra är det mycket svårare att veta varför någon tvättar sig — om det är för hygien eller drivet av OCD-relaterad ångest — än att bara veta att de tvättar sig. OCDetect-datasetet, som nu är offentligt tillgängligt, ger forskare en realistisk, öppet delad grund för att förbättra detektionsmetoder, utforska mer avancerade modeller och kombinera rörelsedata med andra ledtrådar eller klinisk insikt. Med tiden kan detta bana väg för verktyg som varsamt stöder både smittskydd och terapi för OCD, samtidigt som de förblir integritetsvänliga och diskreta på handleden.

Citering: Burchard, R., Kirsten, K., Miché, M. et al. A Real-World Dataset for detecting Handwashing in daily Life using Wrist Motion Data from Wearables. Sci Data 13, 179 (2026). https://doi.org/10.1038/s41597-026-06698-2

Nyckelord: handtvätt, bärbara sensorer, tvångssyndrom, smartwatch-data, igenkänning av mänsklig aktivitet