Name: Évaluation dun système de reconnaissance de lactivité humaine basée à Smartphone dans un milieu de vie quotidien (Vidéo) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Découvrez un protocole d'évaluation standardisé pour les systèmes de surveillance de la mobilité portables utilisant des activités quotidiennes continues. Cette méthode permet d'évaluer la précision de la reconnaissance d'activités humaines dans un environnement réaliste.

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

Les auteurs reconnaissent Evan Beisheim, Nicole Capela, Andrew Herbert-Copley pour l&#39;assistance technique et la collecte de données. Le financement du projet a été reçue du Conseil de recherches en génie du Canada (CRSNG) en sciences naturelles et BlackBerry Ltd, y compris les smartphones utilisés dans l&#39;étude.

Ce protocole a été approuvé par le Comité d&#39;éthique de la recherche en santé d&#39;Ottawa Science Network. 1. Préparation <ol><li> Fournir aux participants un aperçu de la recherche, répondre à vos questions, et obtenir le consentement éclairé. Les caractéristiques des participants d&#39;enregistrement (par exemple, âge, sexe, taille, poids, tour de taille, la hauteur des pieds de l&#39;épine iliaque antéro-supérieure de la malléole interne), code d&#39;identification, et la date sur une feuille de données. Assurez-vous que le second smartphone qui est utilisé pour capturer de la vidéo est fixé à au moins 30 images par seconde taux de capture. </li><li> Attacher solidement un étui de téléphone à la ceinture avant droite ou pantalon taille du participant. Démarrez l&#39;application smartphone qui sera utilisé pour collecter les données de capteur (par exemple, l&#39;exploitation forestière de données ou application WMMS) sur le smartphone de mesure de la mobilité et de veiller à ce que l&#39;application fonctionne correctement. Placez le smartphone dans l&#39;étui, avec le dos de l&#39;appareil (à l&#39;arrière camera) vers l&#39;extérieur. </li><li> Début de l&#39;enregistrement vidéo numérique sur un deuxième smartphone. Pour l&#39;anonymat, enregistrer la vidéo de comparaison sans montrer le visage de la personne, mais veiller à enregistrer toutes les transitions d&#39;activité. Le téléphone peut être portatif. </li></ol> 2. Activité Circuit <ol><li> Suivez le participant et vidéo à leurs actions, sur le deuxième smartphone, pendant qu&#39;ils effectuent les actions suivantes, prononcées par l&#39;enquêteur: <ol><li> À partir d&#39;une position debout, secouer le smartphone pour indiquer le début du procès. </li><li> Continuer debout pendant au moins 10 secondes. Cette phase debout peut être utilisé pour l&#39;orientation de téléphone étalonnage 14. </li><li> Marchez à une chaise à proximité et asseoir. </li><li> Levez-vous et marchez 60 mètres à un ascenseur. </li><li> Levez-vous et attendre l&#39;ascenseur, puis marcher dans l&#39;ascenseur. </li><li> Prenez l&#39;ascenseur jusqu&#39;au deuxième étage. </li><li> Tournez et marcher dans l&#39;environnement de la maison. </li><li> Promenez-vous dans la salle de bains et SiMulate se brosser les dents. </li><li> Simuler peigner les cheveux. </li><li> Simuler le lavage des mains. </li><li> Séchez vos mains avec une serviette. </li><li> Marche pour la cuisine. </li><li> Prenez des plats à partir d&#39;un rack et placez-les sur le comptoir. </li><li> Remplir une bouilloire avec de l&#39;eau de l&#39;évier de la cuisine. </li><li> Placer la bouilloire sur l&#39;élément de fourneau. </li><li> Placez le pain dans un grille-pain. </li><li> Marche pour la salle à manger. </li><li> Asseyez-vous à une table de salle à manger. </li><li> Simuler un repas à la table. </li><li> Se tenir debout et marcher de nouveau à l&#39;évier de cuisine. </li><li> Rincez les plats et les placer dans un rack. </li><li> Marche de la cuisine vers l&#39;ascenseur. </li><li> Levez-vous et attendre l&#39;ascenseur, puis marcher dans l&#39;ascenseur. </li><li> Prenez l&#39;ascenseur jusqu&#39;au premier étage. </li><li> Marcher 50 mètres pour une cage d&#39;escalier. </li><li> Ouvrez la porte et entrez la cage d&#39;escalier. </li><li> Monter des escaliers (13 étapes, autour de l&#39;atterrissage, 13 étapes). </li><li> Ouvrez la porte de la cage d&#39;escalier dans le couloir. </li><li> Tournez à droite et marcher dans le couloir de 15 mètres. </li><li> Tourner autour et marcher 15 mètres en arrière de la cage d&#39;escalier. </li><li> Ouvrez la porte et entrez la cage d&#39;escalier. </li><li> Descendez les escaliers (13 étapes, autour de l&#39;atterrissage, 13 étapes). </li><li> Sortez de la cage d&#39;escalier et marcher dans une pièce. </li><li> Allongez-vous sur un lit. </li><li> Se lever et marcher 10 mètres pour une rampe. </li><li> Marcher jusqu&#39;à la rampe, tourner autour, puis vers le bas de la rampe (20 mètres). </li><li> Continuez à marcher dans le couloir et ouvrez la porte vers l&#39;extérieur. </li><li> Marcher 100 mètres sur la voie pavée. </li><li> Demi-tour et revenir à pied à la salle. </li><li> Marchez dans la salle et se tenir au point de départ. </li><li> Continuer debout, puis secouer le smartphone pour indiquer la fin du procès. </li></ol></li></ol> 3. fin de l&#39;essai <ol><li> Arrêtez le smartphone d&#39;enregistrement vidéo et de demander au participant de retirer et de retourner le smartphone et l&#39;étui. Arrêter l&#39;enregistrement de données ou application WMMS sur le SMArtphone. Copiez les fichiers de données de mouvement acquis et le fichier vidéo de deux téléphones à un ordinateur pour le post-traitement. </li></ol> 4. Post-traitement <ol><li> Synchroniser la synchronisation entre la vidéo et les données de capteur brutes en déterminant le moment où l&#39;action d&#39;agitation a commencé. Ce mouvement d&#39;agitation correspond à une trame de signal de l&#39;accéléromètre et de la vidéo distincte. Vérifiez erreur de synchronisation en soustrayant le temps de bougé de l&#39;extrémité de l&#39;heure de début de bougé, pour les sources de données de capteurs et vidéo. Les différences de temps devrait être similaire entre les deux ensembles de données. </li><li> Déterminer les temps de la vidéo de l&#39;étalon-or réelles de changement d&#39;état par l&#39;enregistrement de la différence de temps entre l&#39;heure de début de l&#39;agitation pour la trame vidéo à la transition entre les activités. Utilisez un logiciel de montage vidéo pour obtenir le calendrier à l&#39;intérieur de 0,033 sec (soit 30 images par seconde vidéo). Utilisez un logiciel pour générer WMMS changements d&#39;état comparables à partir des données de capteurs. </li><li> Générer deux ensembles de données, l&#39;uneavec des activités vrai et le deuxième avec les activités prévues, par marquage de l&#39;activité pour chaque trame vidéo (sur la base du changement d&#39;état de synchronisation), puis en calculant l&#39;activité prévue à chaque fois à partir de la sortie WMMS de trame vidéo. Pour l&#39;évaluation de la performance WMMS, calculer vrais positifs, faux négatifs, vrais négatifs, faux positifs entre l&#39;activité de l&#39;étalon-or et WMMS prévu une activité. Utilisez ces paramètres pour calculer les résultats sensibilité, la spécificité, et F-scores mesures. Note: Un réglage de tolérance de 3 fenêtres de données de chaque côté de la fenêtre en cours d&#39;analyse peut être utilisée pour la détermination des résultats de changement de l&#39;état, et de 2 fenêtres de données pour les résultats de classification. Par exemple, depuis 1 seconde fenêtres de données ont été utilisés pour la WMMS dans cette étude, 3 secondes avant et après la fenêtre en cours ont été examinés afin que les changements consécutifs à l&#39;intérieur de cette tolérance sont ignorés. La contrepartie a été que les changements d&#39;état qui se produisent en moins de 3 secondes peut être ignorée de HUMA brutn analyse de mouvement puisque ces Etats serait considérée comme transitoire. </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>

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents.

La reconnaissance de l&#39;activité humaine avec un système de surveillance de la mobilité portable a reçu plus d&#39;attention au cours des dernières années en raison des progrès techniques dans l&#39;informatique et les smartphones portable et systématique des besoins pour les mesures des résultats quantitatifs qui aident à la prise de décision clinique et l&#39;évaluation des interventions en santé. La méthodologie décrite dans le présent document a été efficace pour évaluer le développement WMMS car les erreurs de c...

Détection Ubiquitous est devenue un domaine de recherche engageante raison de plus en plus puissant, petit, faible coût de l&#39;informatique et de l&#39;équipement de détection 1. Suivi de la mobilité en utilisant les capteurs portables a suscité beaucoup d&#39;intérêt depuis la microélectronique au niveau des consommateurs sont capables de détecter des caractéristiques de mouvement avec une grande précision 1. La reconnaissance de l&#39;activité humaine (HAR) en utilisant les capteurs portables est une zone récente de la recherche, des études préliminaires effectuées dans les années 1980 et 1990 2 - 4. Smartphones modernes contiennent les capteurs nécessaires et de la capacité de calcul en temps réel pour la reconnaissance de l&#39;activité de mobilité. Analyse en temps réel sur le dispositif permet la classification de l&#39;activité et le téléchargement de données sans intervention de l&#39;utilisateur ou enquêteur. Un smartphone avec le logiciel d&#39;analyse de la mobilité pourrait fournir un suivi de remise en forme, la surveillance de la santé, détection de chute, la maison ou l&#39;automatisation de travail, et exercis autogestionnaireles programmes de E5. Smartphones peuvent être considérés comme des plates-formes de mesure inertielle pour détecter les activités mobiles et les modèles mobiles chez les humains, en utilisant les caractéristiques de signaux mathématiques générées calculées avec des sorties de capteurs embarqués 6. Méthodes de production de longs courants comprennent heuristique, dans le domaine temporel, domaine de fréquence, et les approches fondées sur l&#39;analyse en ondelettes-7. Systèmes de smartphones HAR modernes ont montré une précision élevées de prédiction lors de la détection des activités spécifiées 1,5,6,7. Ces études varient dans la méthodologie d&#39;évaluation ainsi que la précision puisque la plupart des études ont leur propre ensemble de la formation, la configuration de l&#39;environnement, et le protocole de collecte des données. Sensibilité, la spécificité, la précision, le rappel, la précision, et F-score sont couramment utilisés pour décrire la qualité de prédiction. Cependant, peu ou pas d&#39;informations sont disponibles sur les méthodes pour &quot;activité simultanée&quot; la reconnaissance et l&#39;évaluation de la capacité de détecter les changements d&#39;activité en temps réel1, pour les systèmes HAR qui tentent de catégoriser plusieurs activités. Les méthodes d&#39;évaluation pour la précision du système HAR varient considérablement entre les études. Indépendamment de l&#39;algorithme de classification ou caractéristiques appliquées, des descriptions de méthodes d&#39;évaluation standard d&#39;or sont vagues pour la plupart des recherches HAR. La reconnaissance de l&#39;activité dans un environnement de la vie quotidienne n&#39;a pas été largement étudié. La plupart des systèmes de reconnaissance activité basée smartphone sont évalués d&#39;une manière contrôlée, conduisant à un protocole d&#39;évaluation qui peuvent être avantageux de l&#39;algorithme plutôt que réaliste à un environnement du monde réel. Au sein de leur système d&#39;évaluation, les participants effectuent souvent que les actions destinées à la prévision, plutôt que l&#39;application d&#39;un large éventail d&#39;activités réalistes pour le participant à effectuer consécutivement, imitant les événements de la vie réelle. Certains smartphones HAR étudie 8,9 groupe des activités similaires ensemble, tels que les escaliers et la marche, Mais excluent les autres activités de l&#39;ensemble de données. Précision de la prédiction est alors déterminé par la façon dont l&#39;algorithme a identifié les activités cibles. Dernbach et al. 9 avaient participants écrivent l&#39;activité qu&#39;ils étaient sur ​​le point d&#39;exécuter avant de passer, interrompre transitions continues de changement d&#39;état. HAR système évaluations devraient évaluer l&#39;algorithme alors que le participant effectue des actions naturelles dans un cadre de vie quotidien. Cela permettrait une évaluation de la vie réelle qui reproduit l&#39;utilisation quotidienne de l&#39;application. Un circuit réaliste comprend de nombreux changements d&#39;état ainsi que d&#39;un mélange des actions non prévisibles par le système. Un enquêteur peut alors évaluer la réponse de l&#39;algorithme à ces mouvements supplémentaires, évaluant ainsi la robustesse de l&#39;algorithme à des mouvements anormaux. Cet article présente un système de surveillance de la mobilité Wearable (WMMS) protocole d&#39;évaluation qui utilise un cours contrôlé qui tient compte des environnements de la vie quotidienne de la vie réelle. WMMSévaluation peut alors être faite dans des conditions contrôlées, mais réalistes. Dans ce protocole, nous utilisons une troisième génération WMMS qui a été développé à l&#39;Université d&#39;Ottawa et Ottawa Hospital Research Institute 11-15. Le WMMS a été conçu pour les smartphones avec un accéléromètre tri-axe et du gyroscope. Représente l&#39;algorithme de la mobilité pour l&#39;utilisateur de la variabilité, permet une réduction dans le nombre de faux positifs pour l&#39;identification des changements d&#39;état, et augmente la sensibilité de l&#39;activité catégorisation. Minimiser les faux positifs est important car la WMMS déclenche court enregistrement de vidéo clip lorsque l&#39;activité des changements d&#39;état sont détectées, pour l&#39;évaluation de l&#39;activité contextuel qui améliore encore la classification WMMS. Enregistrement vidéo inutile crée des inefficacités dans le stockage et l&#39;utilisation de la batterie. L&#39;algorithme WMMS est structuré comme un modèle d&#39;apprentissage à faible calcul et évaluée en utilisant différents niveaux de prédiction, où une augmentation du niveau de prédiction, signifie une augmentation de la quantitéactions de reconnaissable.

<table><tbody><tr><td>Smartphone ou appareil de mesure portable</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Smartphone pour l’enregistrement vidéo</td><td>Blackberry</td><td>Z10 ou 9800</td><td></td></tr><tr><td>Étui de téléphone</td><td>N’importe quelle</td><td></td><td></td></tr><tr><td>application d’enregistrement de données pour le smartphone</td><td>BlackBerry World - TOHRC Enregistreur de données pour 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>Mesure de la mobilité portable</td><td>Logiciel Blackberry 10 et Matlab personnalisé pour le suivi de la</td><td></td> mobilité<td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td></tr><tr><td>Montage vidéo ou logiciel d’analyse</td><td>Outils d’analyse</td><td></td> de mouvement<td><a href="http://www.irrd.ca/cag/mat/">http://www.irrd.ca/cag/mat/</a></td></tr></tbody></table>

Évaluation d&#39;un système de reconnaissance de l&#39;activité humaine basée à smartphone dans un milieu de vie quotidien

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

Une méthode d’évaluation qui inclut des activités continues dans un environnement de vie quotidienne a été développée pour les systèmes de surveillance de la mobilité portable (WMMS) qui tentent de reconnaître les activités de l’utilisateur. Les participants ont effectué un ensemble prédéterminé d’actions de la vie quotidienne dans un circuit d’essai continu qui comprenait des activités de mobilité (marcher, se tenir debout, s’asseoir, s’allonger, monter et descendre des escaliers), des tâches de la vie quotidienne (peigner les cheveux, se brosser les dents, préparer les aliments, manger, faire la vaisselle) et des changements subtils de l’environnement (ouvrir des portes, utiliser un ascenseur, marcher sur des pentes, traverser des paliers d’escaliers, marcher à l’extérieur). 
Pour évaluer les performances WMMS sur ce circuit, quinze participants valides ont accompli les tâches en portant un smartphone sur leur bassin avant droit. L’application WMMS utilisait les signaux de l’accéléromètre et du gyroscope du smartphone pour classer les états d’activité. Un ensemble de données de comparaison de référence a été créé en enregistrant vidéo chaque essai et en enregistrant manuellement les heures de début d’activité. Les données de référence et WMMS ont été analysées hors ligne. Trois ensembles de classification ont été calculés pour chaque circuit : (i) mobilité ou immobilité, ii) s’asseoir, se tenir debout, s’allonger ou marcher, et (iii) s’asseoir, se tenir debout, mentir, marcher, monter des escaliers ou petit mouvement debout. Les sensibilités, les spécificités et les scores F pour la catégorisation des activités et les changements d’état ont été calculés.
L’ensemble de classification mobile par rapport à immobile avait une sensibilité de 86,30 % ± 7,2 % et une spécificité de 98,96 % ± 0,6 %, tandis que le deuxième ensemble de prédictions avait une sensibilité de 88,35 % ± 7,80 % et une spécificité de 98,51 % ± 0,62 %. Pour le troisième ensemble de classification, la sensibilité était de 84,92 % ± 6,38 % et la spécificité était de 98,17 ± 0,62. Les scores F1 pour les première, deuxième et troisième séries de classement étaient respectivement de 86,17 ± 6,3, 80,19 ± 6,36 et 78,42 ± 5,96. Cela démontre que les performances de WMMS dépendent du protocole d’évaluation en plus des algorithmes. Le protocole démontré peut être utilisé et adapté pour évaluer les systèmes de reconnaissance de l’activité humaine en médecine de réadaptation où la surveillance de la mobilité peut être bénéfique dans la prise de décision clinique.

Le protocole de l&#39;étude a été menée auprès d&#39;un échantillon de commodité de quinze participants valides dont le poids moyen était de 68,9 (± 11,1) kg, hauteur était de 173,9 (± 11,4) cm, et l&#39;âge était de 26 (± 9) ans, recrutés dans L&#39;Hôpital d&#39;Ottawa et de l&#39;Université d&#39;Ottawa du personnel et des étudiants. Un smartphone capturé les données des capteurs à un taux de 40-50 Hz variable. Les variations de taux d&#39;échantillonnage sont typiques pour l&#39;échantillonnage du capteur de smartph...

Une méthode d’évaluation standardisée a été développée pour les systèmes de surveillance de la mobilité portable (WMMS) qui inclut des activités continues dans un environnement de vie quotidien réaliste. Le test avec une série d’activités de la vie quotidienne peut diminuer la sensibilité à la reconnaissance des activités ; par conséquent, des circuits d’essai réalistes sont encouragés pour une évaluation valide des performances WMMS.

Évaluation d&#39;un système de reconnaissance de l&#39;activité humaine basée à Smartphone dans un milieu de vie quotidien

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

L'objectif général de cette méthodologie de reconnaissance d'activités est de fournir une méthode d'évaluation normalisée pour tester les systèmes portables de surveillance de la mobilité en incluant des activités continues dans un environnement réaliste de vie quotidienne. Cette méthode peut aider à répondre à des questions clés dans les domaines de la rééducation physique, du génie biomédical et de la biomécanique, telles que de savoir si les systèmes de capteurs portables qui enregistrent les mouvements d'une personne fournissent des résultats précis et fiables. Le principal avantage de cette technique réside dans le fait que le protocole d'évaluation utilise un parcours contrôlé qui reflète les environnements réels de la vie quotidienne. Commencez par fixer solidement un étui à téléphone au niveau de la hanche avant droite du participant.Démarrer l'application sur le smartphone de mesure de la mobilité utilisé pour collecter les données du capteur. Ensuite, placer le smartphone dans l'étui, le dos de l'appareil tourné vers l'extérieur. Puis, démarrer un enregistrement vidéo numérique sur un deuxième smartphone afin d'assurer l'anonymat.Enregistrez la vidéo comparative sur le deuxième smartphone sans montrer le visage du participant. Toutefois, assurez-vous que toutes les transitions d'activité sont enregistrées pendant le circuit d'activité. Suivez le participant et utilisez le deuxième smartphone pour enregistrer toutes les actions du participant.Commencez par donner les instructions suivantes au participant en position debout. Secouez le smartphone pour indiquer le début de l'essai. Restez debout pendant au moins 10 secondes, puis marchez jusqu'à une chaise à proximité et asseyez-vous.Levez-vous et marchez 60 mètres jusqu'à un arrêt d'ascenseur, attendez l'arrivée de l'ascenseur, puis entrez dans l'ascenseur. Ensuite, tournez-vous et marchez vers l'environnement domestique. Entrez dans la salle de bain et simulez le brossage des dents, la coiffure, le lavage des mains, puis le séchage des mains à l'aide d'une serviette.Ensuite, se diriger vers la cuisine, prendre de la vaisselle depuis un porte-vaisselle et la poser sur le comptoir. Remplir une bouilloire avec de l'eau provenant de l'évier de la cuisine et poser la bouilloire sur la cuisinière. Puis, insérer du pain dans un grille-pain.Ensuite, rendez-vous dans la salle à manger et asseyez-vous à la table. Simulez le fait de prendre un repas à table. Puis levez-vous et retournez à l'évier de la cuisine pour rincer la vaisselle et la placer sur une étagère.Marchez 50 mètres jusqu'à un escalier. Ouvrez la porte et entrez dans l'escalier. Montez 13 marches et ouvrez la porte de l'escalier pour accéder au couloir.Tournez à droite et marchez dans le couloir sur 15 mètres. Ensuite, demandez au participant de faire demi-tour et de marcher sur 15 mètres en sens inverse jusqu’à la cage d’escalier. Ouvrez la porte, entrez dans la cage d’escalier et descendez de 13 marches, puis sortez de la cage d’escalier.Ensuite, entrez dans une pièce et allongez-vous sur le lit. Levez-vous ensuite et marchez sur une distance de 10 mètres jusqu'à une rampe. Montez la rampe, faites demi-tour, puis redescendez la rampe.Continuez à marcher dans le hall et ouvrez la porte vers l'extérieur. Ensuite, avancez de 100 mètres sur le chemin pavé. Faites demi-tour et revenez vers la pièce.Ensuite, entrez dans la pièce et placez-vous au point de départ. Restez debout, puis secouez le smartphone pour indiquer la fin de l'essai. Une fois l'essai terminé, arrêtez l'enregistrement sur le deuxième smartphone et retirez le premier smartphone avec son étui du participant.Enfin, arrêtez l'application d'enregistrement des données sur le premier smartphone. Copiez les fichiers de données de mouvement et les fichiers vidéo provenant des deux téléphones sur un ordinateur pour un traitement ultérieur. Ce protocole a présenté une méthode d'évaluation des systèmes portables de surveillance de la mobilité, ou WMMS, pendant des activités continues dans un environnement de vie quotidienne.La sensibilité et la spécificité ont été mesurées pour trois types de classifications, mobilité ou immobilité. S'asseoir, se tenir debout, s'allonger ou marcher, ainsi que s'asseoir, se tenir debout, s'allonger, marcher, monter des escaliers ou effectuer de petits mouvements debout. Bien que ce protocole conduise à des résultats plus conservateurs pour les systèmes WMMS par rapport aux rapports antérieurs, les résultats présentés ici refléteront mieux les résultats en pratique courante.Une fois maîtrisée, cette technique peut être réalisée en 10 à 15 minutes si elle est effectuée correctement. Lors de la réalisation de cette procédure, il est important de se souvenir de donner des instructions claires au participant à l'étude et d'enregistrer toutes les transitions d'activité afin qu'elles puissent être consignées à partir de la vidéo. Après cette procédure, d'autres méthodes computationnelles peuvent être appliquées aux données issues du capteur pour élaborer de meilleures méthodes de classification des activités, une fois celle-ci développée.Cette technique ouvre la voie aux chercheurs dans le domaine de la reconnaissance de l'activité humaine pour explorer la surveillance portable de la mobilité dans un environnement pouvant se transposer dans le monde réel. Après avoir visionné cette vidéo, vous devriez avoir une bonne compréhension de la manière de configurer un environnement d'essai continu et de capturer des données pertinentes sur les mouvements humains afin d'évaluer les applications de surveillance de l'activité humaine. N'oubliez pas que les personnes en situation de handicap peuvent présenter des capacités de mobilité et d'équilibre différentes, il convient donc de prendre des précautions pour éviter les chutes ou les surmenages lors de la réalisation de cette procédure.

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

Research

Recherche

JoVE Journal

Behavior

Comportement

Ce manuscrit décrit la méthode permettant de tester la validité concurrente des mesures cinématiques enregistrées par l’application smartphone par rapport à un système de capture de mouvement 3D dans le plan sagittal. Ce protocole permettra aux cliniciens de configurer des smartphones pour la capture vidéo des mouvements humains.

Analyse vidéo Mouvement Utilisation Smartphones (VIMAS): une étude pilote

Cette étude présente un protocole de conception et de fabrication d’un dispositif portable de verres de type qui détecte les patrons de l’apport alimentaire et autres activités physiques recommandées, à l’aide de capteurs insérés dans les deux charnières des verres.

Conception et évaluation des lunettes actives de la prise alimentaire et de la Classification de l’activité physique

Capteurs discrètes et omniprésente informatique incorporé dans la vie familiale quotidienne d’âgées adultes permet significative la santé et des changements d’activité à être enregistrées en continu pendant des mois aux années, fournissant écologiquement valides, haute fréquence, multi-domaine données pour la recherche ou l’utilisation clinique.

Méthodologie pour l’établissement d’un laboratoire de la vie à l’échelle communautaire pour capturer l’activité à distance discret et continue et données sur la santé

Nous avons conçu un test de réalité virtuelle pour évaluer les activités instrumentales de la vie quotidienne (AIVQ) avec un système de capture de mouvement. Nous vous proposons une analyse détaillée de cinématique du participant d’interpréter divers mouvements, dont la trajectoire, la distance de déplacement et temps d’exécution pour évaluer les capacités de l’AIJD.

Mesurer la cinématique des mouvements de la vie quotidienne avec les systèmes de Capture de mouvement en réalité virtuelle

Ce dispositif innovant utilise des capteurs magnéto-inertiels pour permettre l'analyse de la démarche et de l'activité dans des environnements incontrôlés. Actuellement dans le processus de qualification comme mesure des résultats dans l'Agence médicale européenne, l'une des applications sera de servir de point de terminaison clinique dans les essais cliniques dans les maladies neuromusculaires.

Moniteur à domicile pour l'analyse de la démarche et de l'activité

Un protocole est proposé pour capturer la fonction naturelle de la main des personnes ayant une déficience de la main au cours de leurs routines quotidiennes à l’aide d’une caméra égocentrique. L’objectif du protocole est de s’assurer que les enregistrements sont représentatifs de l’utilisation typique de la main par une personne pendant les activités de la vie quotidienne à la maison.

Capturer l’utilisation représentative des mains à la maison à l’aide d’une vidéo égocentrique chez les personnes atteintes d’une déficience des membres supérieurs

Le présent protocole introduit une application non commerciale développée par des soins personnels pour la collecte de données sur site en temps réel, y compris les balances psychologiques, la localisation GPS, la fréquence cardiaque et le niveau de saturation en oxygène du sang, ainsi que les procédures opérationnelles de l’application. Une étude empirique menée à Taïwan en 2020 a été utilisée comme exemple d’application.

Une application de jumelage avec des appareils portables pour surveiller l’état de santé personnel

Les montres intelligentes commerciales équipées de capteurs portables sont de plus en plus utilisées dans les études de population. Cependant, leur utilité est souvent limitée par la durée limitée de leur batterie, leur capacité de mémoire et la qualité des données. Ce rapport fournit des exemples de solutions rentables aux défis techniques réels rencontrés lors d’études impliquant des enfants asthmatiques et des patients cardiaques âgés.

Mise en place de dispositifs portables grand public pour la surveillance de l’exposition et de la santé dans les études de population

Cet article propose un système basé sur l’intelligence artificielle pour détecter automatiquement si les élèves sont attentifs à la classe ou s’ils sont distraits. Ce système est conçu pour aider les enseignants à maintenir l’attention des élèves, à optimiser leurs leçons et à introduire dynamiquement des modifications afin qu’ils soient plus engageants.

Système basé sur l’intelligence artificielle pour détecter les niveaux d’attention chez les élèves

Cet article décrit l’évaluation de la performance motrice globale des nourrissons avec un dispositif portable multicapteur et son pipeline d’analyse entièrement automatisé basé sur l’apprentissage profond. La méthode quantifie la posture et les mouvements des nourrissons de la position couchée sur le dos jusqu’à ce qu’ils maîtrisent la marche de manière autonome.

Évaluation quantifiée des capacités motrices globales du nourrisson à l’aide d’un appareil portable multicapteur

M3-BREATHE est un système de santé mobile (mHealth) qui intègre des capteurs portables pour surveiller la respiration, le comportement et les expositions environnementales afin d’un traitement personnalisé et d’une évaluation de la santé dans le monde réel.

M3-BREATHE dans le monde réel : vers une surveillance mobile multimodale du comportement, de la respiration et des expositions pour le traitement et l’évaluation de la santé

Découvrez un protocole d'évaluation standardisé pour les systèmes de surveillance de la mobilité portables utilisant des activités quotidiennes continues. Cette méthode permet d'évaluer la précision de la reconnaissance d'activités humaines dans un environnement réaliste.

Évaluation d'un système de reconnaissance de l'activité humaine basée à Smartphone dans un milieu de vie quotidien

Explorer plus de vidéos