Name: Evaluation eines Smartphone-basierte Personal Activity Recognition System in einem täglichen Lebens Umwelt (Video) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Erfahren Sie eine standardisierte Evaluationsmethode für Wearable Mobility Monitoring Systems unter realen Alltagsbedingungen. Dieses Protokoll nutzt kontinuierliche Aktivitäten zur Bewertung von Sensitivität und Spezifität bei der Aktivitätserkennung.

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

Die Autoren danken Evan Beisheim, Nicole Capela, Andrew Herbert-Copley für technische und Datenerfassungshilfe. Projektförderung wurde aus den Natur- und Ingenieurwissenschaften Research Council of Canada (NSERC) und Blackberry Ltd., einschließlich Smartphones in der Studie erhalten.

Dieses Protokoll wurde von der Ottawa Health Science Network Research Ethics Board genehmigt. 1. Vorbereitung <ol><li> Bieten den Teilnehmern einen Überblick über die Forschung, alle Fragen zu beantworten und zu erhalten, informierte Zustimmung. Rekordteilnehmer Eigenschaften (zB Alter, Geschlecht, Größe, Gewicht, Taillenumfang, Beinhöhe von der Spina iliaca anterior superior des Innenknöchels) Identifikationscode, und das Datum auf einem Datenblatt. Stellen Sie sicher, dass das zweite Smartphone, das verwendet wird, um Video aufzunehmen, um zumindest ein 30 Bildern pro Sekunde Aufnahmerate eingestellt ist. </li><li> Befestigen Sie eine Telefon Holster vorne rechts Gürtel oder Hose Taille des Teilnehmers. Starten Sie das Smartphone-Anwendung, die verwendet werden, um die Sensordaten (dh, Datenprotokollierung oder WMMS Anwendung) auf die Mobilität Mess Smartphone sammeln und sicherzustellen, dass die Anwendung in geeigneter Weise ausgeführt wird, wird. Legen Sie das Smartphone in das Holster, mit der Geräterückseite (hinten camera) nach außen zeigt. </li><li> Starten Sie digitale Videoaufzeichnung auf einer zweiten Smartphone. Nach Anonymität, notieren Sie die Vergleichsvideo, ohne dafür das Gesicht der Person, aber zu gewährleisten, um alle Aktivitätsübergänge aufzuzeichnen. Das Telefon kann Handheld zu sein. </li></ol> 2. Aktivitätsschaltung <ol><li> Folgen Sie den Teilnehmer und Video ihre Aktionen auf der zweiten Smartphone, während sie die folgenden Aktionen aus, vom Prüfer gesprochen ausführen: <ol><li> Aus dem Stand, schütteln Sie das Smartphone an den Start der Studie zeigen. </li><li> Weiterhin stehen für mindestens 10 sec. Diese stehen Phase kann für Telefon Orientierung Kalibrierung 14 verwendet werden. </li><li> Gehen Sie zu einem nahe gelegenen Stuhl und setz dich. </li><li> Aufstehen und gehen 60 Meter zu einem Aufzug. </li><li> Stehen und warten auf den Aufzug und dann in den Aufzug zu gehen. </li><li> Nehmen Sie den Aufzug in den zweiten Stock. </li><li> Drehen Sie und gehen Sie in der häuslichen Umgebung. </li><li> Gehen Sie ins Badezimmer und siformulieren Zähneputzen. </li><li> Simulieren Sie das Kämmen der Haare. </li><li> Simulieren Sie die Hände zu waschen. </li><li> Trockene Hände mit einem Handtuch. </li><li> Gehen Sie in die Küche. </li><li> Nehmen Sie Gerichte aus einem Rack und legen Sie sie auf den Tresen. </li><li> Füllen Sie einen Wasserkocher mit Wasser aus der Küchenspüle. </li><li> Setzen Sie den Wasserkocher auf dem Herd Element. </li><li> Legen Sie Brot in einem Toaster. </li><li> Gehen Sie bis zum Esszimmer. </li><li> Sitzen an einem Esstisch. </li><li> Simulieren Sie eine Mahlzeit am Tisch. </li><li> Stehen und gehen zurück in die Küchenspüle. </li><li> Spülen Sie das Geschirr und legen Sie sie in einem Rack. </li><li> Gehen Sie von der Küche zurück zum Aufzug. </li><li> Stehen und warten auf den Aufzug und dann in den Aufzug zu gehen. </li><li> Nehmen Sie den Aufzug in den ersten Stock. </li><li> Gehen Sie 50 Meter zu einem Treppenhaus. </li><li> Öffnen Sie die Tür und geben Sie das Treppenhaus. </li><li> Gehen Sie die Treppe (13 Stufen, rund Landung, 13 Stufen). </li><li> Öffnen Sie die Treppenhaustür in den Flur. </li><li> Biegen Sie rechts ab und gehen den Flur entlang zum 15 Meter. </li><li> Drehen Sie sich um und gehen Sie 15 Meter zurück zum Treppenhaus. </li><li> Öffnen Sie die Tür und geben Sie das Treppenhaus. </li><li> Gehen Sie die Treppe (13 Stufen, rund Landung, 13 Stufen). </li><li> Verlassen Sie das Treppenhaus und einen Raum betreten. </li><li> Liegen auf einem Bett. </li><li> Aufstehen und gehen 10 Meter zu einer Rampe. </li><li> Gehen Sie die Rampe, sich umdrehen, dann die Rampe hinunter (20 Meter). </li><li> Gehen Sie weiter in die Halle und öffnen Sie die Tür nach draußen. </li><li> 100 Meter zu Fuß auf dem gepflasterten Weg. </li><li> Drehen Sie sich um und gehen zurück in den Raum. </li><li> Gehen Sie in den Raum und stehen am Startpunkt. </li><li> Weiter stehend, und dann schütteln Sie das Smartphone an das Ende der Studie zeigen. </li></ol></li></ol> 3. Probe Fertigstellung <ol><li> Stoppen Sie die Videoaufnahme-Smartphone und bitten die Teilnehmer, zu entfernen und das Smartphone und Holster. Stoppen Sie die Datenprotokollierung oder WMMS Anwendung auf dem smartphone. Kopieren Sie die erfassten Bewegungsdaten-Dateien und die Videodatei von beiden Telefonen auf einen Computer für die Nachbearbeitung. </li></ol> 4. Nachbearbeitung <ol><li> Synchronisieren Timing zwischen dem Video und dem Sensor-Rohdaten durch Bestimmung der Zeit, als die Erschütterung Aktion gestartet. Diese Schüttelbewegung entspricht einer deutlichen Beschleunigungsmessersignal und Videorahmen. Erfragen Synchronisationsfehler durch Subtrahieren des Endes Schütteldauer von Anfang Schütteldauer, für Sensor und Video-Datenquellen. Zeitunterschiede sollten ähnlich zwischen den beiden Datensätzen sein. </li><li> Bestimmen Sie tatsächlichen Change-of-State-mal aus dem Gold-Standard-Video durch die Erfassung der Zeitdifferenz vom Beginn shake Zeit, um den Video-Frame an dem Übergang zwischen Aktivitäten. Verwenden Sie Video-Editing-Software, um Timing innerhalb 0,033 sec zu erhalten (dh, 30 Bilder pro Sekunde Videorate). Verwenden WMMS Software zu vergleichbaren Veränderungen-of-state aus den Sensordaten zu erzeugen. </li><li> Generieren Sie zwei Datensätzen, einemmit der wahren und über das zweite mit einer vorhergesagten Aktivitäten durch Markierung die Aktivität für jeden Videorahmen (basierend auf dem Zustandswechsel Timing) und dann Berechnen des vorhergesagten Zeit bei jedem Videoframes vom WMMS ausgegeben. Für WMMS Leistungsbewertung, berechnen wahren Positiven, falsche Negative, wahre Negative, False Positives zwischen dem Gold-Standard-Aktivität und WMMS vorhergesagten Aktivität. Verwenden Sie diese Parameter, um die Empfindlichkeit, Spezifität und F-Score Ergebnisse Maßnahmen zu berechnen. Hinweis: Ein Toleranzeinstellung von 3 Datenfenstern auf beiden Seiten des Fensters, die analysiert zur Bestimmung Change-of-State-Ergebnisse verwendet werden, und 2 Datenfenster für die Klassifikation Ergebnisse. Da beispielsweise 1 Sekunde Datenfenstern wurden zum WMMS in dieser Studie verwendet, 3 Sekunden vor und nach dem aktuellen Fenster untersucht, so dass aufeinanderfolgende Veränderungen innerhalb der Toleranz liegen ignoriert. Die Überlegung war, dass Zustandsänderungen, die in weniger als 3 Sekunden passieren kann für grobe huma ignoriert werdenn Bewegungsanalyse, da diese Staaten würden als transitorische werden. </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>

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

Menschliche Aktivitäten Erkennung mit einer tragbaren Mobilität Überwachungssystem hat mehr Aufmerksamkeit in den letzten Jahren aufgrund der technischen Fortschritte in der Wearable Computing und Smartphones und systematische Anforderungen für quantitative Zielparameter, die mit der klinischen Entscheidungsfindung und Gesundheit Intervention Evaluation helfen erhalten. Die in diesem Dokument beschriebenen Methode wirksam war für die Bewertung WMMS Entwicklung seit Aktivitätsklassifikation Fehler gefunden wurden, die ni...

Ubiquitous Erkundung hat sich zu einem Eingriffsforschungsbereich aufgrund von immer leistungsfähigeren, kleine, kostengünstige Computing und Erfassungsgeräte 1. Mobility Überwachung mit tragbaren Sensoren hat ein großes Interesse erzeugt, da Verbraucher-Level-Mikroelektronik sind zum Aufspüren von Bewegungseigenschaften mit hoher Genauigkeit 1. Menschliche Aktivitäten Erkennung (HAR) unter Verwendung von tragbaren Sensoren ist ein neues Forschungsgebiet, die Vorstudien in den 1980er und 1990er Jahren durchgeführt 2-4. Moderne Smartphones enthalten die notwendigen Sensoren und Echtzeitberechnung Fähigkeit zur Mobilität Aktivitätserkennung. Echtzeit-Analyse auf dem Gerät erlaubt Aktivität Klassifikation und Daten-Upload ohne Benutzereingriff oder Prüfer. Ein Smartphone mit Mobilitätsanalysesoftware konnte Fitness Tracking, Gesundheitsberichterstattung liefern, fallen Erkennung, zu Hause oder der Arbeit Automatisierung und selbstverwaltende exercise Programme 5. Smartphones kann als Trägheitsmessplattformen zur Detektion mobilen Aktivitäten und mobile Muster bei Menschen mit generierten mathematischen Signalmerkmale mit integrierten Sensorausgänge 6 berechnet. Erzeugungsverfahren gemeinsames Merkmal umfassen Heuristik Zeitbereich, Frequenzdomäne und Wavelet-Analyse basierende Ansätze 7. Modernes Smartphone HAR Systeme wurden bei der Erkennung bestimmter Aktivitäten 1,5,6,7 hohe Vorhersagegenauigkeit angezeigt. Diese Studien unterscheiden sich in Bewertungsmethodik sowie die Genauigkeit, da die meisten Studien haben ihre eigenen Trainingsgruppe, Umwelt Konfiguration und Datenerfassung Protokoll. Sensitivität, Spezifität, Genauigkeit, Rückruf, Präzision und F-Score werden häufig verwendet, um Vorhersagequalität zu beschreiben. , Wenig bis gar keine Informationen ist jedoch auf Verfahren für &quot;paralleles Arbeiten&quot; Anerkennung und Bewertung der Fähigkeit, Aktivitätsänderungen in Echtzeit zu erfassen1, für die HAR-Systeme, die verschiedene Aktivitäten zu kategorisieren versuchen. Bewertungsmethoden für die Systemgenauigkeit HAR variieren erheblich zwischen den Studien. Unabhängig von der Klassifikationsalgorithmus oder angewandte Funktionen, sind Beschreibungen der Goldstandard Bewertungsmethoden vage für die meisten HAR Forschung. Aktivitätserkennung in einer täglichen Lebensumfeld wurde nicht umfassend erforscht. Esten Smartphone basierten Aktivitätserkennungssysteme werden in einer kontrollierten Art und Weise bewertet, was zu einer Bewertung Protokoll, das dem Algorithmus nicht realistisch, eine reale Umgebung vorteilhaft sein. Im Rahmen ihrer Bewertungsschema, Teilnehmer führen oft nur die Aktionen zur Vorhersage bestimmt, anstatt die Anwendung eine große Auswahl an realistischen Aktivitäten für die Teilnehmer nacheinander durchführen, imitiert wirklichen Leben Veranstaltungen. Einige Smartphone HAR studiert 8,9 Gruppe ähnliche Aktivitäten zusammen, wie Treppen und Wandern, Schließen jedoch andere Aktivitäten aus dem Datensatz. Vorhersagegenauigkeit wird dann, wie gut der Algorithmus identifiziert die Zielaktivitäten bestimmt. Dernbach et al. 9 hatten die Teilnehmer schreiben, die Tätigkeit, die sie dabei, bevor sie ausgeführt werden, zu unterbrechen kontinuierlichen Change-of-Zustandsübergänge waren. HAR-System Bewertungen sollten den Algorithmus zu bewerten, während die Teilnehmer führt natürlichen Aktionen in einem täglichen Lebenseinstellung. Dies würde eine reale Bewertung, die tägliche Nutzung der Anwendung repliziert ermöglichen. Eine realistische Schaltung enthält viele Änderungen-of-Staat als auch einen Mix von Maßnahmen durch das System nicht vorhersehbar. Ein Ermittler dann beurteilen Reaktion des Algorithmus auf diese zusätzlichen Bewegungen, wodurch die Bewertung Robustheit des Algorithmus, um anomale Bewegungen. Dieser Beitrag stellt eine tragbare Mobility Monitoring System (WMMS) Bewertungsprotokoll, das eine gesteuerte Kurs, der realen täglichen Lebenswelten spiegelt verwendet. WMMSAuswertung kann dann unter kontrollierten, aber realistischen Bedingungen durchgeführt werden. In diesem Protokoll verwenden wir eine der dritten Generation WMMS, die an der Universität von Ottawa und Ottawa Hospital Research Institute 11-15 entwickelt wurde. Die WMMS wurde für Smartphones mit einem Tri-Achsen-Beschleunigungsmesser und Gyroskop gestaltet. Die Mobilität Algorithmus Konten für Benutzer Variabilität, stellt eine Verringerung der Anzahl von False Positives für Änderungen-of-state Identifikation, und erhöht die Empfindlichkeit der Aktivität Kategorisierung. Minimierung von False Positives ist wichtig, da die WMMS löst kurzen Videoclip-Aufnahme wenn Aktivität Zustandsänderungen erkannt werden, für die kontextbezogene Aktivität Evaluierung, die WMMS Klassifizierung weiter verbessert. Unnötige Videoaufzeichnung erzeugt Ineffizienzen bei der Lagerung und Verwendung von Akkus. Die WMMS Algorithmus wird als Low-Rechenlernmodell strukturiert und ausgewertet mit verschiedenen Vorhersagewerken, in denen eine Erhöhung der Vorhersageniveau bedeutet eine Zunahme in der Mengevon erkennbaren Handlungen.

<table><tbody><tr><td>Smartphone oder tragbares Messgerät</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Smartphone für Videoaufzeichnung</td><td>Blackberry</td><td>Z10 oder 9800</td><td></td></tr><tr><td>Telefonholster</td><td>Beliebige</td><td></td><td></td></tr><tr><td>Datenlogger-Anwendung für das Smartphone</td><td>BlackBerry World - TOHRC Datenlogger für 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>Tragbare Mobilitätsmessung</td><td>Benutzerdefinierte Blackberry 10- und Matlab-Software zur Mobilitätsüberwachung</td><td></td><td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td></tr><tr><td>Videobearbeitung oder 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>

evaluation eines smartphone-basierte personal activity recognition system in einem täglichen lebens umwelt

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

Eine Bewertungsmethode, die kontinuierliche Aktivitäten in einer täglichen Lebensumgebung umfasst, wurde für tragbare Mobilitätsüberwachungssysteme (WMMS) entwickelt, die versuchen, Benutzeraktivitäten zu erkennen. Die Teilnehmer führten innerhalb eines kontinuierlichen Testkreislaufs eine vorgegebene Reihe von Handlungen des täglichen Lebens durch, die Mobilitätsaktivitäten (Gehen, Stehen, Sitzen, Liegen, Treppensteigen/-absteigen), Aufgaben des täglichen Lebens (Haare kämmen, Zähne putzen, Essen zubereiten, Essen, Geschirrspülen) und subtile Veränderungen der Umgebung (Öffnen von Türen, Benutzen eines Aufzugs, Gehen auf Steigungen, Überqueren von Treppenpodesten, Gehen im Freien) umfassten. 
Um die WMMS-Leistung auf diesem Parcours zu bewerten, absolvierten fünfzehn nicht-behinderte Teilnehmer die Aufgaben, während sie ein Smartphone am rechten vorderen Becken trugen. Die WMMS-Anwendung verwendete Smartphone-Beschleunigungsmesser- und Gyroskopsignale, um Aktivitätszustände zu klassifizieren. Ein Goldstandard-Vergleichsdatensatz wurde erstellt, indem jeder Versuch auf Video aufgezeichnet und die Zeitpunkte des Einsetzens der Aktivität manuell protokolliert wurden. Goldstandard- und WMMS-Daten wurden offline analysiert. Für jeden Zirkel wurden drei Klassifizierungssätze berechnet: (i) Mobilität oder Immobilität, ii) Sitzen, Stehen, Liegen oder Gehen und (iii) Sitzen, Stehen, Liegen, Gehen, Treppensteigen oder kleine Stehbewegungen. Es wurden Sensitivitäten, Spezifitäten und F-Scores für die Aktivitätskategorisierung und Zustandsänderungen berechnet.
Der Klassifikationssatz von mobil und immobil hatte eine Sensitivität von 86,30 % ± 7,2 % und eine Spezifität von 98,96 % ± 0,6 %, während der zweite Vorhersagesatz eine Sensitivität von 88,35 % ± 7,80 % und eine Spezifität von 98,51 % ± 0,62 % aufwies. Für den dritten Klassifikationssatz betrug die Sensitivität 84,92 % ± 6,38 % und die Spezifität 98,17 ± 0,62. Die F1-Ergebnisse für den ersten, zweiten und dritten Wertungssatz betrugen 86,17 ± 6,3, 80,19 ± 6,36 bzw. 78,42 ± 5,96. Dies zeigt, dass die WMMS-Leistung nicht nur von den Algorithmen, sondern auch vom Auswertungsprotokoll abhängt. Das demonstrierte Protokoll kann für die Evaluierung von Systemen zur Erkennung menschlicher Aktivitäten in der Rehabilitationsmedizin verwendet und angepasst werden, wo die Mobilitätsüberwachung für die klinische Entscheidungsfindung von Vorteil sein kann.

Das Studienprotokoll wurde mit einer Gelegenheitsstichprobe von fünfzehn nichtbehinderte Teilnehmer, deren Durchschnittsgewicht betrug 68,9 (± 11,1) kg durchgeführt, Höhe betrug 173,9 (± 11,4) cm, und Alter betrug 26 (± 9) Jahre, gerechnet ab Ottawa Krankenhaus rekrutiert und University of Ottawa Mitarbeiter und Studenten. Ein Smartphone erfassten Sensordaten mit einer variablen 40-50 Hz-Rate. Abtastrate Schwankungen sind typisch für Smartphone-Sensor Probenahme. Ein zweites Smartphone wurde verwendet, um digitale Video...

Es wurde eine standardisierte Bewertungsmethode für tragbare Mobilitätsüberwachungssysteme (WMMS) entwickelt, die kontinuierliche Aktivitäten in einer realistischen täglichen Lebensumgebung umfasst. Das Testen mit einer Reihe von Aktivitäten des täglichen Lebens kann die Empfindlichkeit der Aktivitätserkennung verringern. Daher werden realistische Testschaltungen für eine valide Bewertung der WMMS-Leistung empfohlen.

Evaluation eines Smartphone-basierte Personal Activity Recognition System in einem täglichen Lebens Umwelt

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

Das übergeordnete Ziel dieser Methodik zur Aktivitätserkennung besteht darin, eine standardisierte Evaluationsmethode zur Prüfung tragbarer Mobilitätsüberwachungssysteme bereitzustellen, indem kontinuierliche Aktivitäten in einer realistischen Alltagsumgebung einbezogen werden. Diese Methode kann helfen, zentrale Fragen in den Bereichen physikalische Rehabilitation, biomedizinische Technik und Biomechanik zu beantworten, beispielsweise, ob tragbare Sensorsysteme, die erfassen, wie sich eine Person bewegt, genaue und zuverlässige Ergebnisse liefern. Der Hauptvorteil dieser Technik liegt darin, dass das Evaluationsprotokoll einen Kontrollparcours verwendet, der reale alltägliche Lebensumgebungen widerspiegelt. Befestigen Sie zunächst einen Handyhalfter sicher am rechten vorderen Hüftbereich des Teilnehmers.Starten Sie die Anwendung auf dem Smartphone zur Messung der Mobilität, das zur Erfassung der Sensordaten verwendet wird. Bringen Sie dann das Smartphone in der Halterung mit der Rückseite des Geräts nach außen an. Starten Sie anschließend eine digitale Videoaufnahme mit einem zweiten Smartphone zur Anonymisierung.Nehmen Sie das Vergleichsvideo mit dem zweiten Smartphone auf, ohne das Gesicht des Teilnehmers zu zeigen. Stellen Sie jedoch sicher, dass alle Übergänge zwischen den Aktivitäten während der Aktivitätsschleife erfasst werden. Folgen Sie dem Teilnehmer und nutzen Sie das zweite Smartphone, um alle Handlungen des Teilnehmers aufzuzeichnen.Beginnen Sie damit, dem Teilnehmer die folgenden Anweisungen aus einer stehenden Position heraus zu geben. Schütteln Sie das Smartphone, um den Beginn des Versuchs anzuzeigen. Verbleiben Sie mindestens 10 Sekunden im Stehen und gehen Sie anschließend zu einem nahegelegenen Stuhl, setzen Sie sich darauf.Stehen Sie auf und gehen Sie 60 Meter zu einer Aufzugstation, warten Sie, bis der Aufzug angekommen ist, und betreten Sie ihn. Drehen Sie sich anschließend um und gehen Sie in die häusliche Umgebung. Betreten Sie das Badezimmer und simulieren Sie das Zähneputzen, Kämmen der Haare, Händewaschen und anschließendes Händetrocknen mit einem Handtuch.Danach gehen Sie in die Küche, nehmen Sie das Geschirr von einem Gestell und stellen Sie es auf die Arbeitsfläche. Füllen Sie einen Wasserkocher mit Wasser aus dem Küchenhahn und stellen Sie den Wasserkocher auf den Herd. Danach legen Sie Brot in einen Toaster.Gehen Sie danach zum Esszimmer und setzen Sie sich an den Esstisch. Simulieren Sie das Essen einer Mahlzeit am Tisch. Danach stehen Sie auf und gehen zurück zur Küche, um das Geschirr abzuspülen und es in ein Abtropfgestell zu stellen.Gehen Sie 50 Meter zu einem Treppenhaus. Öffnen Sie die Tür und betreten Sie das Treppenhaus. Gehen Sie 13 Stufen hinauf und öffnen Sie die Tür zum Flur.Biegen Sie rechts ab und gehen Sie 15 Meter den Flur entlang. Weisen Sie dann den Teilnehmer an, sich umzudrehen und 15 Meter zurück zum Treppenhaus zu gehen. Öffnen Sie die Tür, betreten Sie das Treppenhaus und gehen Sie 13 Stufen hinunter, dann verlassen Sie das Treppenhaus.Gehen Sie anschließend in einen Raum und legen Sie sich auf das Bett. Stehen Sie dann auf und gehen Sie 10 Meter zu einer Rampe. Gehen Sie die Rampe hinauf, drehen Sie sich um und gehen Sie anschließend die Rampe wieder hinunter.Gehen Sie weiter in den Flur und öffnen Sie die Tür nach draußen. Gehen Sie anschließend 100 Meter auf dem befestigten Weg. Drehen Sie sich um und gehen Sie zurück in Richtung des Raums.Danach betreten Sie den Raum und stellen sich am Startpunkt auf. Verbleiben Sie in stehender Position und schütteln Sie das Smartphone, um das Ende des Versuchs anzuzeigen. Sobald der Versuch abgeschlossen ist, beenden Sie die Aufnahme mit dem zweiten Smartphone und nehmen das erste Smartphone mit dem Halfter vom Teilnehmer ab.Schließlich beenden Sie die Datenaufzeichnungsanwendung auf dem ersten Smartphone. Kopieren Sie die erfassten Bewegungsdatendateien und Videodateien von beiden Telefonen auf einen Computer zur Nachbearbeitung. Dieses Protokoll beschrieb eine Evaluationsmethode für tragbare Mobilitätsüberwachungssysteme oder WMMS während kontinuierlicher Aktivitäten in einer alltäglichen Umgebung.Empfindlichkeit und Spezifität wurden für drei Arten von Klassifizierungen gemessen: Mobilität oder Immobilität, Sitzen, Stehen, Liegen oder Gehen sowie Sitzen, Stehen, Liegen, Gehen, Treppensteigen oder kleine Stehbewegungen. Obwohl dieses Protokoll konservativere Ergebnisse für die WMMS-Systeme liefert als frühere Berichte, werden die hier berichteten Ergebnisse die Ergebnisse in der alltäglichen Praxis besser widerspiegeln.Wenn die Technik einmal beherrscht ist, kann sie bei korrekter Durchführung in 10 bis 15 Minuten abgeschlossen werden. Während des Ablaufs dieses Verfahrens ist es wichtig, dem Studienteilnehmer klare Anweisungen zu geben und alle Aktivitätsübergänge aufzuzeichnen, damit diese aus dem Video erfasst werden können. Nach Durchführung dieses Verfahrens können weitere computergestützte Methoden auf die Sensordaten angewendet werden, um verbesserte Methoden zur Klassifizierung von Aktivitäten nach ihrer Entwicklung zu erstellen.Diese Technik er&ouml;ffnet Forschern auf dem Gebiet der Erkennung menschlicher Aktivit&auml;ten neue M&ouml;glichkeiten, tragbare Bewegungs&uuml;berwachungssysteme in einer Umgebung zu untersuchen, die sich auf die reale Welt &uuml;bertragen l&auml;sst. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verst&auml;ndnis daf&uuml;r haben, wie man eine kontinuierliche Testumgebung einrichtet und relevante Daten zur menschlichen Bewegung erfasst, um Anwendungen zur &Uuml;berwachung menschlicher Aktivit&auml;ten zu bewerten. Vergessen Sie nicht, dass Menschen mit Behinderungen unterschiedliche Mobilit&auml;ts- und Gleichgewichtsf&auml;higkeiten aufweisen; daher sollten Vorsichtsma&szlig;nahmen getroffen werden, um St&uuml;rze oder &Uuml;beranstrengung w&auml;hrend der Durchf&uuml;hrung dieses Verfahrens zu vermeiden.

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

Research

Forschung

JoVE Journal

Behavior

Verhalten

Dieses Manuskript beschreibt die Methode, um die gleichzeitige Gültigkeit von kinematischen Messungen, die von der Smartphone-Anwendung aufgezeichnet werden, im Vergleich zu einem 3D-Motion-Capture-System in der Sagittalebene zu testen. Dieses Protokoll wird es Klinikern ermöglichen, Smartphones für die Videoaufzeichnung menschlicher Bewegungen einzurichten.

Video Bewegungsanalyse mit Smartphones (VIMAS): Eine Pilotstudie

Diese Studie stellt ein Protokoll der Entwicklung und Herstellung eine Brillen-Typ tragbares Gerät, die erkennt die Muster der Nahrungsaufnahme und andere empfohlenen körperlichen Aktivitäten mit Wägezellen in beide Scharniere der Gläser eingefügt.

Gestaltung und Bewertung von Datenbrillen für Nahrungsaufnahme und körperliche Aktivität Klassifizierung

Unauffällige Sensoren und pervasive computing-Technologie integriert in die täglichen Leben zu Hause ältere Erwachsene ermöglicht sinnvolle Gesundheit und Aktivität Änderungen für Monate bis Jahre, Bereitstellung ökologisch gültig, kontinuierlich aufgezeichnet werden Hochfrequenz, Multi-Domain-Daten für Forschung und klinische Anwendung.

Methodik für den Aufbau einer EU-weiten Leben Labor für unauffällig und kontinuierliche Remote-Aktivität und Gesundheitsdaten erfassen

Wir entwarfen einen virtual-Reality-Test, instrumentelle Aktivitäten des täglichen Lebens (Pertrochanterer) mit einem Motion-Capture-System prüfen. Wir schlagen eine detaillierte kinematische Analyse des Teilnehmers zu interpretieren verschiedene Bewegungen, einschließlich Flugbahn, bewegliche Abstand und Zeit bis zur Fertigstellung, Pertrochanterer Fähigkeiten zu bewerten.

Messung der Kinematik des täglichen Lebens Bewegungen mit Motion-Capture-Systeme in der virtuellen Realität

Dieses innovative Gerät verwendet magneto-inertiale Sensoren, um Gang- und Aktivitätsanalysen in unkontrollierten Umgebungen zu ermöglichen. Derzeit im Qualifizierungsprozess als Ergebnismaßnahme in der Europäischen Medizinischen Agentur, wird eine der Anwendungen als klinischer Endpunkt in klinischen Studien bei neuromuskulären Erkrankungen dienen.

Home-Based Monitor für Gait- und Aktivitätsanalyse

Es wird ein Protokoll vorgeschlagen, um die natürliche Handfunktion von Personen mit Handbeeinträchtigungen während ihrer täglichen Routinen mit einer egozentrischen Kamera zu erfassen. Das Ziel des Protokolls ist es, sicherzustellen, dass die Aufzeichnungen repräsentativ für den typischen Handgebrauch einer Person bei Aktivitäten des täglichen Lebens zu Hause sind.

Aufnahme des repräsentativen Handgebrauchs zu Hause mit egozentrischem Video bei Personen mit Beeinträchtigung der oberen Extremitäten

Das vorliegende Protokoll führt eine nichtkommerzielle, selbst entwickelte Anwendung zur Erfassung von Echtzeitdaten vor Ort ein, einschließlich psychologischer Skalen, GPS-Standort, Herzfrequenz und Blutsauerstoffsättigung sowie der Betriebsverfahren der Anwendung. Als Anwendungsbeispiel diente eine empirische Studie, die 2020 in Taiwan durchgeführt wurde.

Eine Anwendung zur Kopplung mit tragbaren Geräten zur Überwachung des persönlichen Gesundheitszustands

Kommerzielle Smartwatches, die mit tragbaren Sensoren ausgestattet sind, werden zunehmend in Bevölkerungsstudien eingesetzt. Ihr Nutzen wird jedoch oft durch ihre begrenzte Akkulaufzeit, Speicherkapazität und Datenqualität eingeschränkt. Dieser Bericht enthält Beispiele für kostengünstige Lösungen für reale technische Herausforderungen, die bei Studien mit asthmatischen Kindern und älteren Herzpatienten aufgetreten sind.

Einrichtung von Consumer Wearable Devices zur Expositions- und Gesundheitsüberwachung in Bevölkerungsstudien

In diesem Artikel wird ein auf künstlicher Intelligenz basierendes System vorgeschlagen, das automatisch erkennt, ob die Schüler auf den Unterricht achten oder abgelenkt sind. Dieses System soll Lehrern helfen, die Aufmerksamkeit der Schüler aufrechtzuerhalten, ihren Unterricht zu optimieren und dynamisch Änderungen vorzunehmen, damit sie ansprechender sind.

Auf künstlicher Intelligenz basierendes System zur Erkennung des Aufmerksamkeitsniveaus von Schülern

In diesem Artikel wird die Bewertung der grobmotorischen Leistung von Säuglingen mit einem Multisensor-Wearable und seiner vollautomatischen, auf Deep Learning basierenden Analysepipeline beschrieben. Die Methode quantifiziert die Haltungs- und Bewegungsmuster von Säuglingen vom Liegen in Rückenlage bis zur Beherrschung des selbstständigen Gehens.

Quantifizierte Bewertung der grobmotorischen Fähigkeiten von Säuglingen mit einem Multisensor-Wearable

M3-BREATHE ist ein mobiles Gesundheitssystem (mHealth), das tragbare Sensoren integriert, um Atmung, Verhalten und Umweltbelastungen für eine personalisierte Behandlung und Gesundheitsbewertung in der realen Welt zu überwachen.

Real-World M3-BREATHE: Auf dem Weg zur multimodalen mobilen Überwachung von Verhalten, Atmung und Expositionen zur Behandlung und Gesundheitsbewertung

Erfahren Sie eine standardisierte Evaluationsmethode für Wearable Mobility Monitoring Systems unter realen Alltagsbedingungen. Dieses Protokoll nutzt kontinuierliche Aktivitäten zur Bewertung von Sensitivität und Spezifität bei der Aktivitätserkennung.

Evaluation eines Smartphone-basierte Personal Activity Recognition System in einem täglichen Lebens Umwelt

Weitere Videos entdecken