Introduction
Rilevamento onnipresente è diventata un'area di ricerca coinvolgente a causa di sempre più potenti, piccolo, di calcolo a basso costo e apparecchiature di rilevamento 1. Mobilità monitoraggio tramite sensori indossabili ha generato un grande interesse da microelettronica a livello dei consumatori siano in grado di rilevare caratteristiche di movimento con elevata precisione 1. Riconoscimento L'attività umana (HAR) utilizzando sensori indossabili è una recente settore della ricerca, con studi preliminari effettuati negli anni 1980 e 1990 2-4.
Moderni smartphone contengono i sensori necessari e la capacità di calcolo in tempo reale per il riconoscimento di attività di mobilità. Analisi in tempo reale sul dispositivo consente classificazione delle attività e caricamento dei dati, senza l'intervento dell'utente o investigatore. Uno smartphone con il software di analisi della mobilità potrebbe fornire fitness tracking, il monitoraggio sanitario, cadere rilevamento di casa e l'automazione di lavoro, e di auto-gestione exercisprogrammi di e 5. Gli smartphone possono essere considerati piattaforme di misura inerziale per la rilevazione di attività mobili e modelli di mobili negli esseri umani, con caratteristiche di segnale matematici generati calcolati con uscite del sensore a bordo 6. Metodi di generazione di funzionalità comuni includono euristica, nel dominio del tempo, nel dominio della frequenza, e wavelet approcci di analisi basati su 7.
Sistemi smartphone HAR moderni hanno mostrato elevate precisioni di previsione quando rileva attività specificate 1,5,6,7. Questi studi variano in metodologia di valutazione, così come la precisione da maggior parte degli studi hanno un proprio insieme di addestramento, l'installazione ambientale, e il protocollo di raccolta dei dati. La sensibilità, la specificità, la precisione, richiamo, precisione, e F-Score sono comunemente usati per descrivere la qualità previsione. Tuttavia, a poco a non sono disponibili informazioni sui metodi per il riconoscimento "attività simultanee" e valutazione della capacità di rilevare i cambiamenti di attività in tempo reale1, per i sistemi HAR che tentano di classificare diverse attività. Metodi di valutazione per HAR precisione del sistema variano notevolmente tra gli studi. Indipendentemente dal algoritmo di classificazione o funzioni applicate, le descrizioni dei metodi di valutazione standard di oro sono vaghi per la maggior parte della ricerca HAR.
Il riconoscimento di attività in un ambiente di vita quotidiana non è stato ampiamente studiato. La maggior parte dei sistemi di riconoscimento di attività basati smartphone-sono valutate in modo controllato, portando ad un protocollo di valutazione che può essere vantaggioso per l'algoritmo piuttosto che realistico un ambiente reale. All'interno del loro schema di valutazione, i partecipanti spesso eseguono solo le azioni previste per la previsione, piuttosto che l'applicazione di una vasta gamma di attività realistici per il partecipante di eseguire consecutivamente, imitando eventi della vita reale.
Alcuni HAR smartphone studia 8,9 gruppo attività simili insieme, come scale e passeggiate, Ma escludere altre attività dal set di dati. Accuratezza previsione è quindi determinato da quanto bene l'algoritmo ha individuato le attività target. Dernbach et al. 9 hanno avuto partecipanti scrivono l'attività che stavano per eseguire, prima di trasferirsi, di interrompere le transizioni continue di cambiamento di stato. Le valutazioni del sistema HAR dovrebbero valutare l'algoritmo mentre il partecipante compie azioni naturali in un ambiente vita quotidiana. Ciò consentirebbe una valutazione in vivo che riproduce l'uso quotidiano dell'applicazione. Un circuito realistico include molti cambiamenti di stato e un insieme di azioni non prevedibili dal sistema. Un investigatore può quindi valutare la risposta dell'algoritmo di questi movimenti supplementari, valutando in tal modo la robustezza dell'algoritmo di movimenti anomali.
Questo articolo presenta un protocollo di valutazione Wearable Mobility System Monitoring (WMMS) che utilizza un percorso controllato che riflette ambienti di vita quotidiana della vita reale. WMMSvalutazione può quindi essere effettuata in condizioni controllate, ma realistiche. In questo protocollo, si usa un WMMS terza generazione che è stato sviluppato presso l'Università di Ottawa e Ottawa Hospital Research Institute 11-15. Il WMMS è stato progettato per gli smartphone con un accelerometro a tre assi e giroscopio. Conti L'algoritmo mobilità variabilità utente, fornisce una riduzione del numero di falsi positivi per l'identificazione cambiamenti di stato, e aumenta la sensibilità nell'attività categorizzazione. Minimizzare falsi positivi è importante in quanto la WMMS innesca breve registrazione video clip quando vengono rilevate modifiche di attività di stato, per la valutazione attività sensibile al contesto che migliora ulteriormente la classificazione WMMS. Registrazione video inutile crea inefficienze di immagazzinamento e l'uso della batteria. L'algoritmo WMMS è strutturata come un modello a basso computazionale apprendimento e valutata utilizzando diversi livelli di previsione, in cui un aumento del livello previsione indica un aumento nella quantitàazioni di riconoscibili.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Questo protocollo è stato approvato dal Consiglio di Ricerca Etica Ottawa Health Science Network.
1. Preparazione
- Fornire ai partecipanti un quadro della ricerca, rispondere alle domande, e ottenere il consenso informato. Caratteristiche dei partecipanti record (ad esempio, età, sesso, altezza, peso, circonferenza vita, altezza gamba dal spinale anteriore superiore iliaca al malleolo mediale), il codice di identificazione, e la data su una scheda tecnica. Verificare che il secondo smartphone che viene utilizzata per catturare video è impostato su almeno 30 fotogrammi al secondo tasso di acquisizione.
- Trovare e collegare una fondina per telefono anteriore destra cintura o mutanda vita del partecipante. Avviare l'applicazione per smartphone che verrà utilizzato per raccogliere i dati del sensore (ad esempio, di registrazione dei dati o di applicazione WMMS) sullo smartphone di misura di mobilità e assicurare che l'applicazione è in esecuzione in modo appropriato. Posizionare lo smartphone nella custodia, con la parte posteriore del dispositivo (ca posterioreMera) rivolto verso l'esterno.
- Avviare la registrazione video digitale su un secondo smartphone. Per l'anonimato, registrare il video confronto senza mostrare il volto della persona, ma assicurarsi di registrare tutte le transizioni di attività. Il telefono può essere tenuto in mano.
2. Circuito Attività
- Seguire il partecipante e il video le loro azioni, il secondo smartphone, mentre compiono le seguenti azioni, pronunciate dal ricercatore:
- Da una posizione eretta, agitare lo smartphone per indicare l'inizio del processo.
- Continuare in piedi per almeno 10 secondi. Questa fase in piedi può essere utilizzato per la calibrazione orientamento telefono 14.
- A piedi da una sedia e sedersi.
- Alzarsi e camminare 60 metri di un ascensore.
- Stand e aspettare l'ascensore e poi a piedi in ascensore.
- Prendete l'ascensore fino al secondo piano.
- Girare e camminare in ambiente domestico.
- Entrate in bagno e siMulate lavarsi i denti.
- Simulare pettinatura dei capelli.
- Simulare lavarsi le mani.
- Asciugare le mani con un asciugamano.
- A piedi in cucina.
- Prendete i piatti da un rack e metterli sul banco.
- Riempire una pentola con l'acqua del lavandino della cucina.
- Posizionare il bollitore sul fornello elemento.
- Mettere il pane in un tostapane.
- A piedi dalla sala da pranzo.
- Sedersi a un tavolo da pranzo.
- Simulare mangiare un pasto a tavola.
- Alzarsi e camminare di nuovo al lavello della cucina.
- Risciacquare i piatti e metterli in un rack.
- A piedi dalla cucina di nuovo verso l'ascensore.
- Stand e aspettare l'ascensore e poi a piedi in ascensore.
- Prendete l'ascensore fino al primo piano.
- A piedi a 50 metri di una tromba delle scale.
- Aprire la porta ed entrate nella tromba delle scale.
- Salire le scale (13 gradini, circa atterraggio, 13 scalini).
- Aprire la porta delle scale nel corridoio.
- Girare a destra e proseguire a piedi lungo il corridoio per 15 metri.
- Girarsi e camminare 15 metri di nuovo alla tromba delle scale.
- Aprire la porta ed entrate nella tromba delle scale.
- Proseguire a piedi lungo le scale (13 gradini, circa atterraggio, 13 scalini).
- Uscire dalla tromba delle scale e entrare in una stanza.
- Sdraiatevi su un letto.
- Alzati e cammina 10 metri ad una rampa.
- Salite la rampa, girare intorno, poi giù per la rampa (20 metri).
- Proseguire a piedi nel corridoio ed aprite la porta verso l'esterno.
- Camminare per 100 metri sul sentiero lastricato.
- Girare intorno e tornare indietro per la stanza.
- Camminare nella stanza e stare al punto di partenza.
- Continuare in piedi, e poi agitare lo smartphone per indicare la fine della prova.
3. Completamento Trial
- Fermare lo smartphone di registrazione video e chiedere al partecipante di rimuovere e restituire lo smartphone e fondina. Arrestare la registrazione dei dati o l'applicazione WMMS sulla SMARTphone. Copiare i file di dati acquisiti movimento e il file video da entrambi i telefoni a un computer per la post-elaborazione.
4. post-elaborazione
- Sincronizzazione temporale tra il video ei dati grezzi sensore determinando il momento in cui l'azione shake iniziato. Questo movimento agitando corrisponde ad un telaio segnale dell'accelerometro e il video distinti. Verificare la presenza di errore di sincronizzazione sottraendo il tempo scossa fine dal momento scossa di inizio, per le origini dati di sensori e video. Differenze di tempo dovrebbero essere simili tra i due insiemi di dati.
- Determinare i tempi effettivi di cambiamento di stato dal video gold-standard registrando la differenza di tempo dal momento in scossa inizio per il fotogramma video nel passaggio tra le attività. Utilizzare software di editing video per ottenere i tempi entro 0,033 sec (ad esempio, 30 fotogrammi al secondo tasso di video). Utilizzare il software WMMS per generare cambiamenti-of-state analoghe, i dati del sensore.
- Generare due insiemi di dati, unocon veri attività e la seconda con attività previste, etichettando l'attività per ogni fotogramma video (in base al cambiamento di temporizzazione di stato) e poi calcolando l'attività prevista in ogni fotogramma video dall'uscita WMMS. Per la valutazione delle prestazioni WMMS, calcolare veri positivi, falsi negativi, veri negativi, falsi positivi tra l'attività gold-standard e WMMS predetto attività. Utilizzare questi parametri per calcolare misure esiti sensibilità, specificità, e F-score.
Nota: L'impostazione di tolleranza di 3 finestre di dati su entrambi i lati della finestra analizzato può essere utilizzato per determinare i risultati di cambiamento di stato, e 2 finestre di dati per i risultati di classificazione. Ad esempio, dal 1 finestre secondi dati sono stati utilizzati per la WMMS in questo studio, 3 sec prima e dopo la finestra corrente sono stati esaminati in modo che i cambiamenti consecutivi all'interno della stessa tolleranza vengono ignorati. Il corrispettivo è stato che i cambiamenti di stato che avvengono in meno di 3 secondi può essere ignorato per Huma lordoanalisi del movimento n in quanto questi Stati sarebbe considerato transitorio.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Il protocollo dello studio è stato condotto con un campione di convenienza di quindici partecipanti normodotati il cui peso medio era 68,9 (± 11,1) kg, altezza era 173,9 (± 11.4) cm, e l'età era di 26 (± 9) anni, reclutati da L'ospedale di Ottawa e Università di Ottawa e personale degli studenti. Uno smartphone catturato dati del sensore a una velocità di 40-50 Hz variabile. Variazioni dei tassi di campionamento sono tipiche per il campionamento del sensore smartphone. Un secondo smartphone è stato utilizzato per la registrazione video digitale a 1280x720 (720p) risoluzione.
La fondina è stato fissato alla cintura anteriore destro del partecipante o pantalone senza ulteriore standardizzazione della posizione. Ciò ha dimostrato un metodo naturale per posizionare il dispositivo nella hostler sul fianco. Con il dispositivo posto nella fondina e l'applicazione in esecuzione datalogger, ogni persona ha attraversato il circuito di una volta, a un ritmo di auto-selezionato. Il circuito non è stato descritto in anticipo alle attività partecipanti e procedendo eranoparlata dalla sequenza sperimentatore durante il processo.
Il WMMS consisteva in una decisione-albero con condizioni al contorno superiore e inferiore, simili a lavorare da Wu, et al. 13. Il classificatore rivisto usato una dimensione e delle caratteristiche della finestra 1 secondo dal segnale lineare di accelerazione (somma di gamma, media mobile semplice, somma di deviazione standard) e il segnale di gravità (differenza di Y, differenza media varianza somma) 15. Tre set di classificazione sono stati calcolati per la valutazione: (i) la mobilità o immobilità, (ii) sedersi, stare in piedi, si trovano, o camminare, e (iii) sedersi, stare in piedi, si trovano, a piedi, salire le scale, o piccolo movimento in piedi. Attività della vita quotidiana sono stati etichettati come piccoli movimenti. Risultati rappresentativi sono mostrati nella Tabella 1.
| Classificazione | TP | FN | TN | FP | Sensibilità (%) | Specificità (%) | F1-Score (%) | ||||||||||||||
| Set Classificazione 1 | 350 | 55 | 8701 | 91 | 86.30 ± 7.2 | 98.96 ± 0.6 | 86.17 ± 6.3 | ||||||||||||||
| Classificazione Set 2 | 359 | 47 | 8660 | 131 | 88.35 ± 7.80 | 98.51 ± 0.62 | 80.19 ± 6.36 | ||||||||||||||
| Classificazione Set 3 | 423 | 75 | 8540 | 159 | 98.17 ± 0.62 | 78.42 ± 5.96 | |||||||||||||||
| Set Classificazione 1 | |||||||||||||||||||||
| Immobile a Mobile | 177 | 19 | |||||||||||||||||||
| Mobile per Immobile | 171 | 36 | |||||||||||||||||||
| Durante mobile | 3990 | 73 | |||||||||||||||||||
| Durante Immobile | 4711 | 18 | |||||||||||||||||||
| Classificazione Set 2 | |||||||||||||||||||||
| Stare a camminare | 134 | 17 | |||||||||||||||||||
| A piedi stand | 137 | 26 | |||||||||||||||||||
| A piedi Sit | 29 | 0 | |||||||||||||||||||
| Sit a camminare | 30 | 0 | |||||||||||||||||||
| Passeggiata a Lie | 11 | 4 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| Durante stand | 2872 | 73 | |||||||||||||||||||
| Durante Sit | 644 | 9 | |||||||||||||||||||
| Durante Lie | 447 | 9 | |||||||||||||||||||
| Durante la passeggiata | 4697 | 40 | |||||||||||||||||||
| Classificazione Set 3 | |||||||||||||||||||||
| Stare a camminare | 70 | 7 | |||||||||||||||||||
| A piedi stand | 74 | 14 | |||||||||||||||||||
| A piedi Sit | 29 | 0 | |||||||||||||||||||
| Sit a camminare | 30 | 0 | |||||||||||||||||||
| Passeggiata a Lie | 15 | 0 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| A piedi piccolo passo | 68 | 7 | |||||||||||||||||||
| Piccolo Sposta to Walk | 61 | 13 | |||||||||||||||||||
| 13 | 2 | ||||||||||||||||||||
| Scale a Passeggiata | 13 | 2 | |||||||||||||||||||
| Piccolo Sposta piccolo passo | 35 | 30 | |||||||||||||||||||
| Durante stand | 1584 | 25 | |||||||||||||||||||
| Durante Sit | 643 | 10 | |||||||||||||||||||
| Durante Lie | 447 | 15 | |||||||||||||||||||
| Durante la passeggiata | 4398 | 56 | |||||||||||||||||||
| Durante Scale | 246 | 0 | |||||||||||||||||||
| Durante Brush Teeth | 190 | 12 </ td> | |||||||||||||||||||
| Durante pettine dei capelli | 158 | 2 | |||||||||||||||||||
| Durante lavarsi le mani | 152 | 6 | |||||||||||||||||||
| Durante asciugare le mani | 119 | 4 | |||||||||||||||||||
| Durante Sposta Piatti | 93 | 5 | |||||||||||||||||||
| Durante Fill Kettle | 190 | 5 | |||||||||||||||||||
| Durante pane del pane tostato | 70 | 1 | |||||||||||||||||||
| Durante lavare i piatti | 250 | 18 | |||||||||||||||||||
Tabella 1. Risultati per la determinazione cambiamento di stato; tra cui, veri positivi (TP), falsi negativi (FN), veri negativi (TN) falsi positivi (FP), totale variazioni-di-stato, sensibilità, specificità, unND F1-Score. Durante si riferisce a TN e FP per le modifiche-of-Stato durante l'azione specificata.
Dalla Tabella 1, l'insieme di classificazione cellulare contro immobile aveva una sensibilità del 86,30% ± 7,2% e una specificità del 98.96% ± 0,6%, mentre la seconda serie di predizione aveva una sensibilità del 88.35% ± 7,80% e una specificità del 98.51% ± 0,62% . Per il terzo set di classificazione, la sensibilità era 84.92% ± 6,38% e la specificità era 98,17 ± 0,62. Punteggi F1 per il primo, secondo e terzo set di classificazione erano 86.17 ± 6.3, 80.19 ± 6.36 e 78.42 ± 5,96, rispettivamente.
Figura 1. Le modifiche di-stato-sensibilità, specificità, e F1-Score per tre set di classificazione.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Riconoscimento L'attività umana, con un sistema di monitoraggio della mobilità indossabile ha ricevuto più attenzione negli ultimi anni grazie ai progressi tecnici nel campo dell'informatica e smartphone indossabili e le esigenze sistematici per misure quantitative di esito che aiutano con processo decisionale clinico e valutazione intervento sanitario. La metodologia descritta nel presente documento è stato efficace per valutare lo sviluppo WMMS poiché si è constatato che non sarebbe stato presente se una vasta gamma di attività della vita quotidiana e gli scenari a piedi non era stato incluso nella valutazione errori di classificazione di attività.
Il protocollo di valutazione WMMS consiste di due parti principali: acquisizione dei dati in condizioni realistiche ma controllato con un accompagnamento dati standard oro set e post-elaborazione dei dati. Il video digitale è una soluzione praticabile per fornire dati gold standard durante la prova WMMS previsioni algoritmo attraverso le attività di protocollo. Passaggi critici nel protocollosono (i) garantire che il video gold standard cattura la scossa smartphone poiché questo permette la sincronizzazione del video gold standard con i dati acquisiti dal telefono partecipante indossati e (ii) al fine di garantire che le videoregistrazioni oro standard tutte le transizioni effettuate dal partecipante prova (cioè, la persona registrazione del video gold standard deve essere in posizione corretta quando il partecipante successivo processo).
Il protocollo di valutazione comprende attività a piedi, un ambiente di vita quotidiana, e vari terreni e transizioni. Tutte le azioni sono fatte consecutivamente mentre uno smartphone partecipante indossato registra continuamente i dati da accelerometro, giroscopio, magnetometro, e sensori GPS, e un secondo smartphone viene utilizzato per il video di tutte le attività svolte dal partecipante processo. Il protocollo può essere modificato adattando l'ordine delle attività in base alla posizione di prova, purché una serie di attività continue-svolta di vita quotidiana are incorporato. Dieci a quindici minuti è stato richiesto per completare il circuito, a seconda del partecipante. Durante i test pilota, alcuni partecipanti con disabilità potessero completare solo un ciclo, quindi il test di prova unico dovrebbe essere considerato con alcune popolazioni al fine di garantire una serie completa di dati.
Limitazioni del metodo di valutazione WMMS proposto sono che risoluzione temporale è limitata al frame rate video della telecamera utilizzato per registrare il comparatore video di gold-standard e difficoltà a identificare i tempi distinti cambio-di-stato dal video per le attività della vita quotidiana. Variazione da diversi frame quando si identifica una condizione di cambio di porta a differenze tra i risultati gold standard e WMMS che potrebbero essere causa di interpretazione di inizio attività, piuttosto che l'errore WMMS. Una tolleranza ad ogni cambio-di-stato, dove sono fatti paragoni, può essere implementato per aiutare conto per queste discrepanze.
Generalmente, aumentando il numerodelle attività in corso di classificazione e la difficoltà di categorizzazione (cioè, scale, piccoli movimenti) hanno ridotto la sensibilità, la specificità, e il punteggio medio di F1. Questo può essere anticipata da aumentare il numero di attività aumenta la possibilità di falsi positivi e falsi negativi. Protocolli di valutazione che utilizzano solo le attività che sono vantaggiose per l'algoritmo produce risultati che sono fuorvianti e sono improbabile per produrre risultati simili quando valutati in condizioni reali. Di qui, l'importanza rispetto ai metodi esistenti è che il protocollo si tradurrà in risultati più conservativi per i sistemi WMMS di precedenti relazioni in letteratura. Tuttavia, i risultati saranno migliori riflettere i risultati nella pratica. Il metodo proposto di valutazioni WMMS può essere utilizzato per valutare una gamma di tecnologie indossabili che misurano o assistono movimento umano.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
Gli autori riconoscono Evan Beisheim, Nicole Capela, Andrew Herbert-Copley per l'assistenza tecnica e la raccolta dei dati. Il finanziamento dei progetti è stato ricevuto dalle scienze naturali e ingegneria Research Council del Canada (NSERC) e BlackBerry Ltd., inclusi smartphone utilizzati nello studio.
Materials
| Name | Company | Catalog Number | Comments |
| Smartphone or wearable measurement device | Blackberry | Z10 | |
| Smartphone for video recording | Blackberry | Z10 or 9800 | |
| Phone holster | Any | ||
| Data logger application for the smartphone | BlackBerry World - TOHRC Data Logger for BlackBerry 10 | http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA | |
| Wearable mobility measurement | Custom Blackberry 10 and Matlab software for mobility monitoring | http://www.irrd.ca/cag/smartphone/ | |
| Video editing or analysis software | Motion Analysis Tools | http://www.irrd.ca/cag/mat/ |
References
- Lara, O. D., Labrador, M. A. A Survey on Human Activity Recognition using Wearable Sensors. IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).
- Foerster, F., Smeja, M., Fahrenberg, J. Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring. Computers in Human Behavior. 15 (5), 571-583 (1999).
- Elsmore, T. F., Naitoh, P. Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations. , DTIC Online. (1993).
- Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. Measuring sleep by wrist actigraph. , DTIC Online. (1981).
- Lockhart, J. W., Pulickal, T., Weiss, G. M. Applications of mobile activity recognition. Proceedings of the 2012 ACM Conference on Ubiquitous Computing. , 1054-1058 (2012).
- Incel, O. D., Kose, M., Ersoy, C. A Review and Taxonomy of Activity Recognition on Mobile Phones. BioNanoScience. 3 (2), 145-171 (2013).
- Yang, C. C., Hsu, Y. L. A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring. Sensors. 10 (8), 7772-7788 (2010).
- He, Y., Li, Y. Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone. International Journal of Distributed Sensor Networks. 2013, (2013).
- Vo, Q. V., Hoang, M. T., Choi, D. Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm. International Journal of Distributed Sensor Networks. 2013, (2013).
- Dernbach, S., Das, B., Krishnan, N. C., Thomas, B. L., Cook, D. J. Simple and Complex Activity Recognition through Smart Phones. 8th International Conference on Intelligent Environments (IE), , 214-221 (2012).
- Hache, G., Lemaire, E. D., Baddour, N. Mobility change-of-state detection using a smartphone-based approach. IEEE International Workshop on Medical Measurements and Applications Proceedings (MeMeA). , 43-46 (2010).
- Wu, H. H., Lemaire, E. D., Baddour, N. Change-of-state determination to recognize mobility activities using a BlackBerry smartphone. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, , EMBC. 5252-5255 (2011).
- Wu, H., Lemaire, E. D., Baddour, N. Activity Change-of-state Identification Using a Blackberry Smartphone. Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).
- Tundo, M. D., Lemaire, E., Baddour, N. Correcting Smartphone orientation for accelerometer-based analysis. IEEE International Symposium on Medical Measurements and Applications Proceedings (MeMeA). , 58-62 (2013).
- Tundo, M. D. Development of a human activity recognition system using inertial measurement unit sensors on a smartphone. , Available from: http://www.ruor.uottawa.ca/handle/10393/30963 (2014).
