Name: Evaluatie van een smartphone op basis van menselijke activiteiten Recognition System in een dagelijkse Leefomgeving (Video) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Leer een gestandaardiseerde evaluatiemethode voor draagbare mobiliteitsmonitorsystemen met behulp van smartphone-sensoren in realistische dagelijkse leefomgevingen. Deze aanpak biedt betrouwbare prestatieschattingen voor revalidatieonderzoek.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

De auteurs erkennen Evan Beisheim, Nicole Capela, Andrew Herbert-Copley voor technische en gegevensverzameling hulp. Projectfinanciering werd ontvangen van de Natural Sciences and Engineering Research Council van Canada (NSERC) en BlackBerry Ltd, waaronder smartphones gebruikt in de studie.

Dit protocol werd goedgekeurd door de Ottawa Health Science Network Research Ethics Board. 1. Voorbereiding <ol><li> Bieden de deelnemers met een overzicht van het onderzoek, eventuele vragen te beantwoorden, en geïnformeerde toestemming te verkrijgen. Record deelnemer kenmerken (zoals leeftijd, geslacht, lengte, gewicht, taille omtrek, been hoogte van de spina iliaca anterior superior aan de mediale malleolus), identificatiecode, en datum op een fiche. Zorg ervoor dat de tweede smartphone die wordt gebruikt om de video-opname wordt ingesteld op ten minste 30 frames per seconde vast te leggen tarief. </li><li> Stevig te bevestigen een telefoon holster naar rechtsvoor riem of broek taille van de deelnemer. Start de smartphone applicatie die wordt gebruikt om de sensordata (dwz data logging of WMMS applicatie) op de mobiliteit meting smartphone verzamelen en te waarborgen dat de toepassing adequaat wordt uitgevoerd. Plaats de smartphone in de houder, met de achterkant van het toestel (achterzijde camera) naar buiten gericht. </li><li> Start digitale video-opname op een tweede smartphone. Anonimiteit, nemen de vergelijking video zonder dat het gezicht van de persoon, maar ervoor te zorgen dat alle activiteiten overgangen opnemen. De telefoon kan handheld zijn. </li></ol> 2. Activiteit Circuit <ol><li> Volg de deelnemer en video hun acties, op de tweede smartphone, terwijl ze de volgende acties, door de onderzoeker gesproken uitvoeren: <ol><li> Vanuit een staande positie, schud de smartphone aan het begin van het proces aan te geven. </li><li> Verder staan ​​gedurende ten minste 10 sec. Deze permanente fase kan worden gebruikt voor telefoongesprekken oriëntatie kalibratie 14. </li><li> Lopen naar een nabijgelegen stoel en ga zitten. </li><li> Sta op en loop 60 meter naar een lift. </li><li> Staan en wachten voor de lift en loop dan naar de lift. </li><li> Neem de lift naar de tweede verdieping. </li><li> Draaien en lopen in de thuisomgeving. </li><li> Lopen in de badkamer en siMulate tanden poetsen. </li><li> Simuleren haar kammen. </li><li> Simuleren handen wassen. </li><li> Droge handen met een handdoek. </li><li> Loop naar de keuken. </li><li> Neem gerechten uit een rek en plaats ze op de toonbank. </li><li> Vul een ketel met water uit de gootsteen. </li><li> Plaats de ketel op de kachel element. </li><li> Plaats brood in een broodrooster. </li><li> Loop naar de eetzaal. </li><li> Zitten aan een eettafel. </li><li> Simuleren van het eten van een maaltijd aan tafel. </li><li> Staan en lopen terug naar het aanrecht. </li><li> Spoel de gerechten en plaats ze in een rek. </li><li> Loop vanaf de keuken terug naar de lift. </li><li> Staan en wachten voor de lift en loop dan naar de lift. </li><li> Neem de lift naar de eerste verdieping. </li><li> Loop 50 meter tot een trappenhuis. </li><li> Open de deur en ga het trappenhuis. </li><li> Lopen trappen (13 stappen, rond de landing, 13 stappen). </li><li> Open het trappenhuis deur naar de hal. </li><li> Sla rechtsaf en loop de zaal voor 15 meter. </li><li> Draai je om en loop 15 meter terug naar het trappenhuis. </li><li> Open de deur en ga het trappenhuis. </li><li> Loop trap (13 stappen, rond de landing, 13 stappen). </li><li> Verlaat het trappenhuis en lopen in een kamer. </li><li> Liggen op een bed. </li><li> Opstaan ​​en lopen 10 meter naar een helling. </li><li> Loop de helling, draai je om, dan naar beneden de helling (20 meter). </li><li> Blijven lopen in de hal en open de deur naar buiten. </li><li> Loop 100 meter op de verharde weg. </li><li> Draai je om en loop terug naar de kamer. </li><li> Lopen in de kamer en staan ​​bij het beginpunt. </li><li> Blijven staan, en dan schud de smartphone aan het einde van het proces aan te geven. </li></ol></li></ol> 3. Trial Voltooiing <ol><li> Stop de video-opname smartphone en vragen de deelnemer te verwijderen en terug te keren van de smartphone en holster. Stop de data logging of WMMS applicatie op de smartphone. Kopieer de verworven beweging gegevensbestanden en het videobestand van beide telefoons op een computer voor post-processing. </li></ol> 4. Post-processing <ol><li> Synchroniseren timing tussen de video- en sensorgegevens onbewerkte door het bepalen van het tijdstip waarop de shake actie gestart. Deze schudbeweging correspondeert met een afzonderlijke accelerometersignaal en videoframe. Controleer synchronisatiefout door het aftrekken eind schudden tijd vanaf het begin schudden tijd sensor en videogegevens bronnen. Tijd verschillen moeten vergelijkbaar tussen de twee datasets zijn. </li><li> Bepaal werkelijke change of state tijden van de gouden standaard video-opname door het tijdsverschil vanaf het begin schudden tijd om de video frame aan de overgang tussen de activiteiten. Gebruik video-editing software om timing te verkrijgen om binnen 0.033 sec (dwz, 30 frames per seconde video-tarief). Gebruik WMMS software om vergelijkbare veranderingen-van-state van de sensor data te genereren. </li><li> Genereren twee datasets éénmet echte activiteiten en de tweede met voorspelde activiteiten door het merken van de activiteit van elk videoframe (gebaseerd op de faseovergang timing) en dan het voorspelde activiteit bij elke videoframetijd de WMMS uitgang. Voor WMMS evaluatie van de prestaties, te berekenen waar positieven, vals negatieven, waar negatieven valse positieven tussen de gouden standaard activiteit en WMMS voorspelde activiteit. Gebruik deze parameters om de gevoeligheid, specificiteit en F-score uitkomsten maatregelen te berekenen. Opmerking: Een tolerantie instelling 3 datavensters aan weerszijden van het venster te analyseren gas kunnen worden gebruikt voor het bepalen change of state resultaten en 2 datavensters voor indeling resultaten. Aangezien bijvoorbeeld 1 seconde data windows werden gebruikt voor de WMMS in deze studie, 3 seconden vóór en na het huidige venster onderzocht zodat opeenvolgende veranderingen binnen deze tolerantie worden genegeerd. De overweging was dat veranderingen van de staat die gebeuren in minder dan 3 seconden kan worden genegeerd bruto Human bewegingsanalyse, aangezien deze staten zouden voorbijgaande worden beschouwd. </li></ol>

<ol><li>Lara, O. D., Labrador, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Survey+on+Human+Activity+Recognition+using+Wearable+Sensors%5BTitle%5D)+AND+%22IEEE+Communications+Surveys+Tutorials%22%5BJournal%5D)">A Survey on Human Activity Recognition using Wearable Sensors.</a> IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).</li>
<li>Foerster, F., Smeja, M., Fahrenberg, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+posture+and+motion+by+accelerometry%3A+a+validation+study+in+ambulatory+monitoring%5BTitle%5D)+AND+%22Computers+in+Human+Behavior%22%5BJournal%5D)">Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring.</a> Computers in Human Behavior. 15 (5), 571-583 (1999).</li>
<li>Elsmore, T. F., Naitoh, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aElsmore%2C+TF+%22Monitoring+Activity+With+a+Wrist-Worn+Actigraph%3A+Effects+of+Amplifier+Passband+and+threshold+Variations%22">Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations</a>. , DTIC Online. (1993).</li>
<li>Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKripke%2C+DF+%22Measuring+sleep+by+wrist+actigraph%22">Measuring sleep by wrist actigraph</a>. , DTIC Online. (1981).</li>
<li>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).</li>
<li>Incel, O. D., Kose, M., Ersoy, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+and+Taxonomy+of+Activity+Recognition+on+Mobile+Phones%5BTitle%5D)+AND+%22BioNanoScience%22%5BJournal%5D)">A Review and Taxonomy of Activity Recognition on Mobile Phones.</a> BioNanoScience. 3 (2), 145-171 (2013).</li>
<li>Yang, C. C., Hsu, Y. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Accelerometry-Based+Wearable+Motion+Detectors+for+Physical+Activity+Monitoring%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring.</a> Sensors. 10 (8), 7772-7788 (2010).</li>
<li>He, Y., Li, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physical+Activity+Recognition+Utilizing+the+Built-In+Kinematic+Sensors+of+a+Smartphone%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>Vo, Q. V., Hoang, M. T., Choi, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Personalization+in+Mobile+Activity+Recognition+System+using+K-medoids+Clustering+Algorithm%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>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).</li>
<li>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).</li>
<li>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).</li>
<li>Wu, H., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Activity+Change-of-state+Identification+Using+a+Blackberry+Smartphone%5BTitle%5D)+AND+%22Journal+of+Medical+and+Biological+Engineering%22%5BJournal%5D)">Activity Change-of-state Identification Using a Blackberry Smartphone.</a> Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).</li>
<li>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).</li>
<li>Tundo, M. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Development+of+a+human+activity+recognition+system+using+inertial+measurement+unit+sensors+on+a+smartphone%22">Development of a human activity recognition system using inertial measurement unit sensors on a smartphone</a>. , Available from: 
 <a target="_blank" href="http://www.ruor.uottawa.ca/handle/10393/30963">http://www.ruor.uottawa.ca/handle/10393/30963</a> (2014).</li>
</ol>

De auteurs verklaren dat ze geen concurrerende financiële belangen hebben.

Menselijke activiteit erkenning met een draagbare bewaking mobiliteitssysteem heeft meer aandacht gekregen in de afgelopen jaren als gevolg van de technische vooruitgang in de draagbare computers en smartphones en systematische behoefte aan kwantitatieve uitkomstmaten die helpen met de klinische besluitvorming en de gezondheid interventie evalueren. De in dit document beschreven methode effectief was voor het evalueren van WMMS ontwikkeling sinds activiteit classificatie fouten werden gevonden die niet aanwezig zou zijn...

Alomtegenwoordige sensing is uitgegroeid tot een boeiende onderzoek gebied als gevolg van steeds krachtiger, kleine, lage kosten computing en sensing apparatuur 1. Mobiliteit monitoren met behulp van draagbare sensoren heeft geleid tot een grote belangstelling, omdat de consument-niveau micro-elektronica zijn voor het opsporen van de beweging kenmerken met een hoge nauwkeurigheid 1. Menselijke activiteit erkenning (HAR) met behulp van draagbare sensoren is een recent gebied van onderzoek, met de voorlopige studies uitgevoerd in de jaren 1980 en 1990 2-4. Moderne smartphones bevatten de nodige sensoren en real-time berekening capaciteit voor mobiliteitsactiviteit herkenning. Real-time analyse van het apparaat maakt activiteit indeling en uploaden van gegevens zonder dat gebruikers of onderzoeker interventie. Een smartphone met mobiliteit analyse software kon fitness tracking, monitoring van gezondheid bieden, valdetectie, thuis of op het werk automatisering en self-managing exercise s 5. Smartphones kunnen worden beschouwd traagheidsmeetapparaat platforms voor het opsporen van de mobiele activiteiten en mobiele patronen in mensen, met behulp van gegenereerde wiskundige signaal functies berekend met ingebouwde sensor uitgangen 6. Gemeen generatie heuristische werkwijzen omvatten, tijdsdomein, frequentiedomein en wavelet-analyse gebaseerde benaderingen 7. Moderne smartphone HAR-systemen hebben aangetoond hoge voorspelling nauwkeurigheid bij het ​​detecteren van bepaalde activiteiten 1,5,6,7. Deze studies variëren in evaluatiemethoden evenals nauwkeurigheid omdat de meeste studies hebben hun eigen training set, milieu setup, en het verzamelen van gegevens protocol. Gevoeligheid, specificiteit, nauwkeurigheid, recall, precisie, en F-Score worden vaak gebruikt om de voorspelling kwaliteit te beschrijven. Echter, weinig tot geen informatie beschikbaar over de methoden voor &quot;gelijktijdige activiteit&quot; erkenning en evaluatie van het vermogen om activiteit veranderingen in real-time detectie1, voor HAR systemen die proberen meerdere activiteiten categoriseren. Evaluatiemethoden voor de juistheid HAR systeem aanzienlijk verschillen tussen de studies. Ongeacht de classificatie algoritme of toegepaste kenmerken, beschrijvingen van de gouden standaard evaluatiemethoden zijn vaag voor de meeste HAR onderzoek. Activiteit erkenning in een dagelijkse leefomgeving is niet uitgebreid onderzocht. De meeste smartphone gebaseerde activiteitssystemen herkenning worden geëvalueerd op een gecontroleerde wijze, waardoor een evaluatie protocol dat voordelig kan zijn om het algoritme in plaats realistisch een echte omgeving. Binnen hun evaluatie regeling, de deelnemers presteren vaak alleen de beoogde voor het voorspellen acties, in plaats van het toepassen van een groot scala aan realistische activiteiten voor de deelnemer na elkaar uit te voeren, het nabootsen van real-life events. Sommige smartphone HAR bestudeert 8,9 groep soortgelijke activiteiten samen, zoals trappen en wandelen, Maar exclusief andere activiteiten van de dataset. Voorspellingsnauwkeurigheid wordt dan bepaald door hoe goed het algoritme die het doelwit activiteiten. Dernbach et al. 9 hadden de deelnemers de activiteit die zij op het punt stonden uit te voeren voordat u, het onderbreken van voortdurende verandering-van-toestandsovergangen schrijven. HAR systeem evaluaties moet het algoritme te beoordelen, terwijl de deelnemer voert natuurlijke acties in een dagelijkse woon-instelling. Dit zou een real-life evaluatie die het dagelijks gebruik van de applicatie repliceert toestaan. Een realistische schakeling bevat vele veranderingen-van-state en een combinatie van maatregelen niet voorspelbaar door het systeem. Een onderzoeker kan dan beoordelen reactie van het algoritme deze extra bewegingen, waardoor de robuustheid van het algoritme evalueren om abnormale bewegingen. Dit document presenteert een Wearable Mobility Monitoring System (WMMS) evaluatie protocol dat een gecontroleerde cursus die real-life dagelijkse leefomgeving weerspiegelt gebruikt. WMMSevaluatie kan vervolgens worden gemaakt onder gecontroleerde maar realistische omstandigheden. In dit protocol gebruiken we een derde generatie WMMS die werd ontwikkeld aan de Universiteit van Ottawa en Ottawa Hospital Research Institute 11-15. De WMMS is ontworpen voor smartphones met een tri-axis accelerometer en gyroscoop. De mobiliteit algoritme vertegenwoordigt gebruiker variabiliteit geeft een vermindering van het aantal valse positieven wijzigingen state-of-identificatie en verhoogt de gevoeligheid van de activiteit categorisatie. Minimaliseren van valse positieven is belangrijk omdat de WMMS triggers korte video clip opname wanneer activiteit veranderingen van de staat worden gedetecteerd, voor context-gevoelige activiteit evaluatie die verder verbetert WMMS classificatie. Onnodige video-opname creëert inefficiënties in de opslag en het gebruik van de batterij. De WMMS algoritme is gestructureerd als een laag-zelflerende model en geëvalueerd met verschillende niveaus voorspelling, waarbij een verhoogde voorspelling level betekent een toename van de hoeveelheidherkenbare acties.

<table><tbody><tr><td>Smartphone of draagbaar meetapparaat</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Smartphone voor video-opname</td><td>Blackberry</td><td>Z10 of 9800</td><td></td></tr><tr><td>Telefoonholster</td><td>Alle</td><td></td><td></td></tr><tr><td>Datalogger-applicatie voor de smartphone</td><td>BlackBerry World - TOHRC Data Logger voor BlackBerry 10</td><td></td><td><a href="http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA">http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA</a></td></tr><tr><td>Draagbare mobiliteitsmeting</td><td>Aangepaste Blackberry 10 en Matlab software voor mobiliteitsbewaking</td><td></td><td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td></tr><tr><td>Videobewerkings- of analysesoftware</td><td>Motion Analysis Tools</td><td></td><td><a href="http://www.irrd.ca/cag/mat/">http://www.irrd.ca/cag/mat/</a></td></tr></tbody></table>

evaluatie van een smartphone op basis van menselijke activiteiten recognition system in een dagelijkse leefomgeving

Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment

Een evaluatiemethode die continue activiteiten in een dagelijkse leefomgeving omvat, werd ontwikkeld voor Draagbare Mobiliteitsbewakingssystemen (WMMS) die proberen gebruikersactiviteiten te herkennen. Deelnemers voerden een vooraf bepaalde reeks dagelijkse leefhandelingen uit binnen een doorlopend testcircuit dat mobiliteitsactiviteiten (lopen, staan, zitten, liggen, trappen op/af stappen), dagelijkse taken (haar kammen, tanden poetsen, eten bereiden, eten, afwas doen) en subtiele omgevingsveranderingen (deuren openen, lift gebruiken, op hellingen lopen, trappen oversteken, buiten lopen) omvatte.
Om de prestaties van WMMS op dit circuit te evalueren, voltooiden vijftien niet-gehandicapte deelnemers de taken terwijl ze een smartphone aan hun rechtervoorste bekken droegen. De WMMS-applicatie gebruikte smartphone-versnellingsmeter- en gyroscoopsignalen om activiteitstoestanden te classificeren. Een vergelijkende dataset met gouden standaard werd gemaakt door elke proef op video op te nemen en de begintijden van de activiteiten handmatig vast te leggen. Gouden standaard en WMMS-gegevens werden offline geanalyseerd. Drie classificatiesets werden berekend voor elke circuit: (i) mobiliteit of immobiliteit, (ii) zitten, staan, liggen of lopen, en (iii) zitten, staan, liggen, lopen, trappen beklimmen of kleine staande beweging. Gevoeligheden, specificiteiten en F-Scores voor activiteitscategorisatie en veranderingen van toestand werden berekend.
De mobiele versus immobiele classificatieset had een gevoeligheid van 86,30% ± 7,2% en een specificiteit van 98,96% ± 0,6%, terwijl de tweede voorspellingsset een gevoeligheid van 88,35% ± 7,80% en een specificiteit van 98,51% ± 0,62% had. Voor de derde classificatieset was de gevoeligheid 84,92% ± 6,38% en de specificiteit 98,17 ± 0,62. F1-scores voor de eerste, tweede en derde classificatiesets waren respectievelijk 86,17 ± 6,3, 80,19 ± 6,36 en 78,42 ± 5,96. Dit toont aan dat de prestaties van WMMS afhankelijk zijn van het evaluatieprotocol naast de algoritmen. Het aangetoonde protocol kan worden gebruikt en aangepast voor het evalueren van systemen voor herkenning van menselijke activiteit in revalidatiegeneeskunde waar mobiliteitsbewaking nuttig kan zijn bij klinische besluitvorming.

De studie protocol werd uitgevoerd met een gemak steekproef van vijftien valide deelnemers van wie de gemiddelde gewicht was 68,9 (± 11,1) kg, hoogte was 173,9 (± 11,4) cm en leeftijd was 26 (± 9) jaar, gerekruteerd uit de Ottawa Hospital en Universiteit van Ottawa medewerkers en studenten. Een smartphone sensor gegevens die zijn vastgelegd met een variabele 40-50 Hz tarief. Sample rate variaties zijn typisch voor de bemonstering smartphone sensor. Een tweede smartphone werd gebruikt om digitale video op te nemen op 128...

Er is een gestandaardiseerde evaluatiemethode ontwikkeld voor Draagbare Mobiliteitsbewakingssystemen (WMMS) die continue activiteiten in een realistische dagelijkse leefomgeving omvat. Testen met een reeks dagelijkse levensactiviteiten kan de gevoeligheid van activiteitsherkenning verminderen; daarom worden realistische testcircuits aanbevolen voor een geldige evaluatie van de prestaties van WMMS.

Evaluatie van een smartphone op basis van menselijke activiteiten Recognition System in een dagelijkse Leefomgeving

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that ...

Het algemene doel van deze methodologie voor activiteitsherkenning is om een gestandaardiseerde evaluatiemethode te bieden voor het testen van draagbare mobiliteitsbewakingssystemen door continue activiteiten in een realistische dagelijkse leefomgeving op te nemen. Deze methode kan helpen bij het beantwoorden van kernvragen in de velden van fysieke rehabilitatie, biomedische techniek en biomechanica, zoals de vraag of draagbare sensorsystemen die de bewegingen van een persoon registreren, nauwkeurige en betrouwbare resultaten leveren. Het belangrijkste voordeel van deze techniek is dat het evaluatieprotocol gebruikmaakt van een controleparcours dat een weerspiegeling is van dagelijkse leefomgevingen in het echte leven. Begin met het stevig bevestigen van een telefoonhouder aan de rechtervoorheup van de deelnemer.Start de applicatie op de smartphone voor mobiliteitsmeting die wordt gebruikt om de sensorgegevens te verzamelen. Plaats de smartphone vervolgens in de houder met de achterkant van het apparaat naar buiten gericht. Start daarna een digitale video-opname op een tweede smartphone voor de anonimisering.Neem de vergelijkingsvideo op met de tweede smartphone zonder het gezicht

evaluation-smartphone-based-human-activity-recognition-system-daily

Research

JoVE Journal

Behavior

Gedrag

Dit manuscript beschrijft de methode om de gelijktijdige validiteit van kinematische metingen, geregistreerd door de smartphone-applicatie, te testen in vergelijking met een 3D-bewegingsregistratiesysteem in de sagittale vlak. Dit protocol zal clinici in staat stellen smartphones in te stellen voor videoregistratie van menselijke beweging.

Video Beweging analyse met behulp van Smartphones (VIMAS): een pilotstudie

Deze studie presenteert een protocol van ontwerpen en produceren van een bril-type draagbaar apparaat dat de patronen van de voedselinname detecteert en andere aanbevolen fysieke activiteiten met behulp van meetcellen ingevoegd in beide scharnieren van de bril.

Ontwerp en evaluatie van slimme bril voor voeding en lichaamsbeweging classificatie

Onopvallende sensoren en doordringende gegevensverwerkingstechnologie opgenomen in het dagelijkse gezinsleven van oudere volwassenen maakt het mogelijk zinvolle gezondheid en activiteit veranderingen worden continu geregistreerd voor maanden tot jaar, verstrekken van ecologisch geldig, hoge frequentie, meerdere domeinen gegevens voor onderzoeks- of klinische gebruik.

Methode voor de vaststelling van een communautair leven laboratorium voor het vastleggen van discrete en continue externe activiteit en gezondheidsgegevens

We ontwierpen een virtuele realiteit test om te beoordelen van instrumentele activiteiten van het dagelijks leven (IADL) met een motie-vangst systeem. Verschillende bewegingen, met inbegrip van traject, bewegende afstand en tijd om de voltooiing te evalueren IADL mogelijkheden stellen wij een gedetailleerde Kinematische analyse om te interpreteren van de deelnemer.

Het meten van de kinematica van dagelijkse leven bewegingen met Motion Capture systemen in Virtual Reality

Dit innovatieve apparaat maakt gebruik van Magneto-inertiële sensoren om gang-en activiteitsanalyse in ongecontroleerde omgevingen mogelijk te maken. Momenteel in het kwalificatieproces als een uitkomstmaat in het Europees medisch Agentschap, een van de toepassingen zal zijn om te dienen als een klinisch eindpunt in klinische proeven in neuromusculaire ziekten.

Home-based monitor voor gait en activity analyse

Er wordt een protocol voorgesteld om de natuurlijke handfunctie van personen met handbeperkingen tijdens hun dagelijkse routines vast te leggen met behulp van een egocentrische camera. Het doel van het protocol is om ervoor te zorgen dat de opnames representatief zijn voor het typische handgebruik van een persoon tijdens activiteiten van het dagelijks leven thuis.

Representatief handgebruik thuis vastleggen met behulp van egocentrische video bij personen met een beperking van de bovenste ledematen

Het huidige protocol introduceert een niet-commerciële zelfontwikkelde applicatie voor het verzamelen van real-time on-site gegevens, waaronder psychologische weegschalen, GPS-locatie, hartslag en bloed-zuurstofverzadigingsniveau, evenals de operationele procedures van de applicatie. Een empirische studie uitgevoerd in Taiwan in 2020 werd gebruikt als een toepassingsvoorbeeld.

Een applicatie voor het koppelen met draagbare apparaten om de persoonlijke gezondheidsstatus te controleren

Commerciële smartwatches uitgerust met draagbare sensoren worden steeds vaker gebruikt in bevolkingsonderzoeken. Hun nut wordt echter vaak beperkt door hun beperkte batterijduur, geheugencapaciteit en gegevenskwaliteit. Dit rapport geeft voorbeelden van kosteneffectieve oplossingen voor echte technische uitdagingen die worden ondervonden tijdens studies met astmatische kinderen en oudere hartpatiënten.

Opzetten van draagbare consumentenapparaten voor blootstelling en gezondheidsmonitoring in bevolkingsstudies

Dit artikel stelt een op kunstmatige intelligentie gebaseerd systeem voor om automatisch te detecteren of studenten aandacht besteden aan de klas of afgeleid zijn. Dit systeem is ontworpen om docenten te helpen de aandacht van studenten vast te houden, hun lessen te optimaliseren en dynamisch aanpassingen door te voeren zodat ze boeiender zijn.

Op kunstmatige intelligentie gebaseerd systeem voor het detecteren van aandachtsniveaus bij studenten

M3-BREATHE is een mobiel gezondheidssysteem (mHealth) dat draagbare sensoren integreert om ademhaling, gedrag en omgevingsblootstellingen te monitoren voor gepersonaliseerde behandeling en gezondheidsevaluatie in de praktijk.

Echte wereld M3-BREATHE: Richting multimodale mobiele monitoring van gedrag, ademhaling en blootstelling voor behandeling en gezondheidsevaluatie

Leer een gestandaardiseerde evaluatiemethode voor draagbare mobiliteitsmonitorsystemen met behulp van smartphone-sensoren in realistische dagelijkse leefomgevingen. Deze aanpak biedt betrouwbare prestatieschattingen voor revalidatieonderzoek.

Evaluatie van een smartphone op basis van menselijke activiteiten Recognition System in een dagelijkse Leefomgeving

Meer video's verkennen