Name: 일상 생활 환경에서 스마트 폰 기반의 인간 활동 인식 시스템의 평가 (동영상) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: 학습하세요 일상 생활 환경에서 스마트폰 기반 웨어러블 이동성 모니터링 시스템의 표준화된 평가 방법을. 가속도계와 자이로스코프 데이터를 활용하여 인간 활동 인식의 정확도와 신뢰성을 검증하는 이 프로토콜은 재활의학 및 생물의학공학 연구에 활용됩니다.

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

저자는 기술 및 데이터 수집 지원 에반 Beisheim, 니콜 Capela의 앤드류 허버트-코플리을 인정합니다. 프로젝트 자금은 연구에 사용 된 스마트 폰을 포함한 자연 과학 및 캐나다 (NSERC)의 공학 연구 협의회 및 BlackBerry 회사로부터 받았습니다.

이 프로토콜은 오타와 건강 과학 네트워크 연구 윤리위원회에 의해 승인되었다. 1. 준비 <ol><li> , 연구의 개요와 참가자를 제공하는 모든 질문에 대답하고 동의를 구하십시오. 기록 참가자 특성 (예를 들어, 연령, 성별, 신장, 체중, 허리 둘레, 전방 우수한 내과에 골극에서 다리 높이) 데이터 시트에, 식별 코드, 날짜. 비디오를 캡처하는 데 사용되는 두 번째 스마트 폰 두 번째 캡처 속도 당 적어도 30 프레임으로 설정되어 있는지 확인합니다. </li><li> 안전하게 참가자의 전면 우측 벨트, 바지 허리에 전화 권총을 연결합니다. 모바일 폰에서 측정 된 센서 데이터 (즉, 데이터 기록 또는 WMMS 애플리케이션) 수집 애플리케이션 적절히 실행되고 있는지 확인하기 위해 사용되는 스마트 폰 애플리케이션을 시작한다. 장치의 뒷면 (후면 캘리포니아로, 홀스터에서 스마트 폰을 놓고바깥쪽으로 향하도록 메라). </li><li> 두 번째 스마트 폰에 디지털 비디오 녹화를 시작합니다. 익명 성을 위해, 사람의 얼굴을 나타내지 않고, 비교 화상을 기록하지만, 모든 활동을 기록하도록 전환되도록. 휴대 전화 핸드 헬드 수 있습니다. </li></ol> 2. 활동 회로 <ol><li> 두 번째 스마트 폰에서, 자신의 행동 참가자 및 비디오를 따라가 연구자에 의해 말한 다음 작업을 수행하는 동안 : <ol><li> 서있는 위치에서, 재판의 시작을 표​​시하기 위해 스마트 폰을 흔들어. </li><li> 적어도 10 초 동안 서 계속합니다. 이 서 전화 상 방향 보정 14에 사용될 수있다. </li><li> 근처의 의자에 걸어 앉아. </li><li> 일어나서 엘리베이터 60​​ 미터 도보. </li><li> 서서 엘리베이터를 기다렸다가 엘리베이터로 걸어. </li><li> 2 층에 엘리베이터를 타고. </li><li> 전원을 켜고 가정 환경에 걸어. </li><li> 욕실과 SI에 걸어mulate 치아를 닦고. </li><li> 머리를 빗질 시뮬레이션합니다. </li><li> 손을 씻는 시뮬레이션합니다. </li><li> 수건을 사용하여 건조 손. </li><li> 부엌으로 걸어보세요. </li><li> 랙에서 요리를 가지고 카운터에 배치합니다. </li><li> 부엌 싱크대에서 물 주전자를 채우십시오. </li><li> 난로 요소에 주전자를 놓습니다. </li><li> 토스터에서 빵을 놓습니다. </li><li> 식당에 걸어보세요. </li><li> 식당 테이블에 앉아있다. </li><li> 테이블에서 식사를 시뮬레이션합니다. </li><li> 서서 다시 부엌 싱크대에 걸어. </li><li> 요리를 씻어 및 랙에 배치합니다. </li><li> 다시 엘리베이터에 부엌에서 도보. </li><li> 서서 엘리베이터를 기다렸다가 엘리베이터로 걸어. </li><li> 1 층에 엘리베이터를 타고. </li><li> 계단을 50 미터 도보. </li><li> 문을 열고 계단을 입력합니다. </li><li> (착륙 약 13 단계, 13 단계) 계단을 걸어보세요. </li><li> 복도에 계단의 문을 엽니 다. </li><li> 우회전 15 미터 복도를 걸어. </li><li> 돌아서 다시 계단 15 미터 도보. </li><li> 문을 열고 계단을 입력합니다. </li><li> (착륙 약 13 단계, 13 단계)를 계단 아래로 걸어보세요. </li><li> 계단을 종료하고 방으로 걸어. </li><li> 침대에 누워. </li><li> 일어나서 램프 10 미터 도보. </li><li> 다음 램프 (20m) 아래로 돌아서, 램프를 걸어. </li><li> 홀에 들어가는 계속 외부에 문을 엽니 다. </li><li> 포장 된 경로에 100 미터 도보. </li><li> 돌아서 다시 방에 걸어. </li><li> 방으로 걸어 출발점에 서있다. </li><li> 서 계속하고 재판의 끝을 나타 내기 위해 스마트 폰을 흔들어. </li></ol></li></ol> 3. 시험 완료 <ol><li> 비디오 녹화 스마트 폰을 중지하고 제거하고 스마트 폰과 권총을 반환 할 참가자를 부탁드립니다. SMA에 대한 데이터 기록 또는 WMMS 애플리케이션을 중지rtphone. 후 처리를 위해 컴퓨터로 양쪽 전화기로부터 취득 된 모션 데이터 파일과 비디오 파일을 복사한다. </li></ol> 4. 후가공 <ol><li> 흔들림 동작이 시작될 때 시간을 결정하여 비디오 및 원시 센서 데이터 간의 타이밍을 동기화. 이 진동하는 움직임이 뚜렷한 가속도 신호 및 비디오 프레임에 대응한다. 센서 및 비디오 데이터 소스에서 시작 흔들림 시간에서 최종 흔들림 시간을 빼서 동기화 오류가 있는지 확인합니다. 시간차는 두 개의 데이터 세트 간 유사해야한다. </li><li> 활동 간의 전이에서 비디오 프레임 시작 진탕 시간과의 시차를 기록함으로써 금 표준 비디오의 실제 상태 변경 시간을 결정한다. 0.033 초 이내로 타이밍을 획득하기 위해 비디오 편집 소프트웨어를 사용하여 (즉, 제 2 비디오 율 30 프레임). 비교 변경-의 상태 센서 데이터로부터 생성하는 WMMS 소프트웨어를 사용합니다. </li><li> 두 데이터 세트를 생성 한진정한 활동 및 예측 활동 번째로, 각각의 비디오 프레임에 대한 활성을 레이블링 WMMS 출력으로부터 각 비디오 프레임의 시간에서 활성을 예측하고 계산 한 후 (타이밍의 상태 변화에 기초하여). WMMS 성능 평가를 위해, 금 표준 활동 사이에 진정한 양성, 음성 (false negative), 참 부정, 오탐 (false positive)을 계산하고 WMMS 활동을 예측했다. 민감도, 특이도, F-점수 결과 측정을 계산하려면이 매개 변수를 사용합니다. 주 : 분석되는 윈도우의 양쪽에 데이터 (3) 윈도우의 공차 설정 상태 변경 결과를 결정하는데 사용하고, 분류 결과에 대한 2 데이터 윈도우 될 수있다. 일초 데이터 창은이 연구에서 WMMS에 사용 된 이후이 허용 오차 내에서 연속적인 변화는 무시되도록 예를 들어, 3 초 전에 현재 창 후에는 조사 하였다. 고려 미만 3 초에서 일어나는 상태의 변화가 심한 구호 물자 무시 될 수 있습니다 것을이러한 상태 보낸 N 운동 분석은 일시적인 고려 될 것이다. </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>

저자는 경쟁하는 금전적 이해관계가 없음을 선언합니다.

착용 할 수있는 모바일 모니터링 시스템과 인간 활동의 인식으로 인해 착용 컴퓨팅 및 스마트 폰과 임상 의사 결정과 건강 개입의 평가에 도움이 정량 결과 측정에 대한 체계적인 요구 사항의 기술 발전에 최근 몇 년 동안 더 많은 관심을 받고있다. 이 문서에서 설명하는 방법은 활동 분류 오류가 일상 생활의 활동과 산책 시나리오의 넓은 범위를 평가에 포함되지 않은 경우 본 없었을 것이다 발견 된 이후 WMMS 개발 평가를위한 효과적이었다. WMMS 평가 프로토콜은 두 가지 주요 부분으로 구성 데이터 수집을 동반 설정 황금 표준 데이터 및 데이터 후 처리 현실적인하지만 통제 된 조건 하에서. 디지털 비디오는 프로토콜에 걸쳐 활동 WMMS 예측 알고리즘을 테스트 할 때 금 표준 데이터를 제공하기위한 실행 가능한 해결책이었다. 프로토콜의 중요한 단계금 표준 비디오는 스마트 폰 흔들림을 캡처하는이 참가자 착용 전화에서 수집 된 데이터와 금 표준 비디오의 동기화를 허용하기 때문에 (내가) 보...

유비쿼터스 센싱으로 인해 더욱 강력하고, 소형, 저비용 컴퓨팅 및 장비 1 감지에 매력적인 연구 분야가되었다. 소비자 수준의 마이크로 고정밀 1 동작 특성을 검출 할 수 있기 때문에 착용 형 센서를 사용하여 이동성 모니터링은 많은 관심을 생성했다. 4 - 예비 연구 (2) 1990 년대 1980 년대에 수행과 함께 착용 할 수있는 센서를 이용하여 인간의 활동 인식 (HAR)는 연구의 최근의 영역입니다. 현대 스마트 폰은 이동 활성 인식에 필요한 센서 및 실시간 계산 능력을 포함하고있다. 디바이스에 대한 실시간 분석은 사용자 또는 연구자의 개입없이 활동 분류 및 데이터 업로드를 허용한다. 이동성 분석 소프트웨어와 스마트 폰은 감지, 집 또는 작업 자동화 및자가 관리 exercis 가을, 피트니스 추적, 상태 모니터링을 제공 할 수있다전자 프로그램 5. 스마트 폰은 내장 된 센서 출력 (6)으로 계산 수학 신호 생성 기능을 이용하여, 인간의 이동과 활동 이동 패턴을 검출하기위한 관성 측정 플랫폼이 고려 될 수있다. 일반적인 특성 생성 방법은 휴리스틱, 시간 영역, 주파수 영역, 및 웨이블릿 분석 기반 접근법 7을 포함한다. 지정된 활동 1,5,6,7를 검출 할 때 현대 스마트 폰 HAR 시스템은 높은 예측 정확도를 보여 주었다. 대부분의 연구가 자신의 트레이닝 세트, 환경 설정, 및 데이터 수집 프로토콜을 갖기 때문에 이러한 연구 평가 방법론뿐만 아니라 정확도가 다양. 민감도, 특이도, 정밀도, 소환, 정밀도 및 F 점수는 일반적으로 예측 품질을 기술하기 위해 사용된다. 그러나, 정보를 거의 실시간으로 활동의 변화를 감지 할 수있는 능력의 &quot;동시 활동&quot;인식과 평가 방법을 볼 수 있습니다1, 여러 활동을 분류하려고 시도 HAR 시스템. HAR 시스템의 정확성에 대한 평가 방법을 연구 사이에 실질적으로 다를 수 있습니다. 에 관계없이 분류 알고리즘 또는 적용 기능, 금 표준 평가 방법에 대한 설명은 대부분의 HAR 연구를위한 모호하다. 일상 생활 환경에서 활동 인식이 광범위하게 연구되지 ​​않았습니다. 대부분 폰 기반 활동 인식 시스템은 실제 환경에 알고리즘보다는 현실적인 것이 유리할 수있다 평가 프로토콜 선도, 제어 된 방식으로 평가된다. 자신의 평가 체계 내에서, 참가자들은 오히려 실제 이벤트를 모방, 연속적으로 수행하기 위해 참가자를위한 현실적인 활동의 넓은 범위를 적용하는 것보다 예측를 대상으로 만 작업을 수행 할 수 있습니다. 일부 스마트 폰 HAR은 계단과 도보로 함께 8,9 그룹 유사한 활동을, 연구하지만, 데이터 세트에서 다른 활동을 제외. 예측 정밀도는 다음 알고리즘이 목표 활동을 식별하는 방법도 결정한다. Dernbach 등. 9는 참가자들이 지속적인 변화의 상태 전이를 차단, 이동하기 전에 실행하려고했다 활동을 기록했다. 참가자가 일상 생활 속에서 자연의 작업을 수행하는 동안 HAR 시스템 평가는 알고리즘을 평가해야한다. 이 응용 프로그램의 일상적인 사용을 복제하는 실제 평가를 허용합니다. 현실적인 회로는 많은 사람들의 상태 변화-뿐만 아니라 시스템에 의해 예측 가능한되지 않은 조치의 혼합을 포함한다. 연구자는 이렇게 변칙적 인 움직임 알고리즘의 견고성을 평가, 이러한 추가 움직임에 알고리즘의 응답을 평가할 수 있습니다. 이 논문은 실제 일상 생활 환경을 반영하는 제어 과정을 사용하여 착용 할 수있는 모바일 모니터링 시스템 (WMMS) 평가 프로토콜을 제공합니다. WMMS평가는 제어하지만 현실 조건 하에서 이루어질 수있다. 이 프로토콜에서 우리는 오타와의 대학과 오타와 병원 연구소 11-15에서 개발 된 3 세대 WMMS를 사용합니다. WMMS은 3 축 가속도계 및 자이로 스코프와 스마트 폰을 위해 설계되었습니다. 이동성 알고리즘은 사용자를 차지하는 변동성 변경 -의 상태 확인을위한 위양성의 수의 감소를 제공하고, 활성 분류 감도를 증가시킨다. WMMS 더 WMMS 분류를 개선 상황에 맞는 활동 평가를 위해, 국가의 활동에 변화가 감지되는 짧은 동영상 촬영을 유발하기 때문에 오 탐지를 최소화하는 것이 중요합니다. 불필요한 영상 기록 저장 및 배터리 사용의 비 효율성을 만듭니다. WMMS 알고리즘 예지 레벨의 증가는 양의 증가를 의미하는 다른 예측 수치를 이용하여 낮은 연산 학습 모델로서 구성과 평가의 인식 행위.

<table><tbody><tr><td>스마트 폰 또는 웨어러블 측정 장치</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>비디오 녹화용 스마트 폰</td><td>Blackberry</td><td>Z10 또는 9800</td><td></td></tr><tr><td>전화 홀스터</td><td>스마트</td> 폰용 모든 <td></td><td></td></tr><tr><td>데이터 로거 응용 프로그램</td><td>BlackBerry World - TOHRC BlackBerry 10</td><td></td> <td>용 데이터 로거<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>웨어러블 이동성 측정</td><td>이동성 모니터링을 위한 맞춤형 Blackberry 10 및 Matlab 소프트웨어</td><td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td>비디오 편집 또는 <td></td></tr><tr><td> 해석 소프트웨어</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>

일상 생활 환경에서 스마트 폰 기반의 인간 활동 인식 시스템의 평가

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

사용자 활동을 인식하려고 시도하는 WMMS(Wearable Mobility Monitoring System)를 위해 일상 생활 환경에서 지속적인 활동을 포함하는 평가 방법이 개발되었습니다. 참가자들은 이동 활동(걷기, 서기, 앉기, 눕기, 계단 오르내리기), 일상 생활(머리 빗질, 양치질, 음식 준비, 식사, 설거지), 미묘한 환경 변화(문 열기, 엘리베이터 사용, 경사로 걷기, 계단참 횡단, 야외 걷기)를 포함하는 연속 테스트 회로 내에서 미리 결정된 일련의 일상 생활 동작을 수행했습니다. 
이 회로에서 WMMS 성능을 평가하기 위해 15명의 비장애인 참가자가 오른쪽 앞골반에 스마트폰을 착용한 상태에서 작업을 완료했습니다. WMMS 애플리케이션은 스마트폰 가속도계와 자이로스코프 신호를 사용하여 활동 상태를 분류했습니다. 황금 표준 비교 데이터 세트는 각 임상시험을 비디오로 녹화하고 활동 시작 시간을 수동으로 기록하여 생성되었습니다. 최적본위제(Gold Standard) 및 WMMS 데이터는 오프라인에서 분석되었습니다. 각 회로에 대해 세 가지 분류 세트가 계산되었습니다: (i) 이동성 또는 부동성, ii) 앉기, 서기, 눕기 또는 걷기, (iii) 앉기, 서기, 눕기, 걷기, 계단 오르기 또는 작은 서 있는 움직임. 민감도, 특이도, 활동 분류 및 상태 변화에 대한 F-점수가 계산되었습니다.
모바일 대 부동성 분류 세트는 민감도가 86.30%± 7.2%, 특이도가 98.96%± 0.6%인 반면, 두 번째 예측 세트는 민감도가 88.35%± 7.80%, 특이도가 98.51%± 0.62%였습니다. 세 번째 분류 세트의 경우 민감도는 84.92% ± 6.38%였고 특이도는 98.17 ± 0.62였다. 1, 2, 3번째 등급의 F1 점수는 각각 86.17점± 6.3점, 80.19점± 6.36점, 78.42점± 5.96점이었다. 이는 WMMS 성능이 알고리즘 외에도 평가 프로토콜에 따라 달라진다는 것을 보여줍니다. 입증된 프로토콜은 이동성 모니터링이 임상 의사 결정에 도움이 될 수 있는 재활 의학에서 인간 활동 인식 시스템을 평가하는 데 사용 및 맞춤화될 수 있습니다.

연구 프로토콜은 높이가 CM (11.4 ±) 173.9이었다, 누구의 평균 체중 68.9이었다 (11.1 ±) 열 다섯 수 바디 참가자의 편의를 샘플 kg으로 실시하고, 나이는 오타와 병원에서 모집, 26 (± 9) 년이었다 오타와 직원과 학생들의 대학. 스마트 폰은 40-50 Hz에서 가변 속도 센서 데이터를 캡쳐. 샘플 속도의 변화는 스마트 폰 센서 샘플링을위한 전형적인. 스마트 폰은 1280 × 720 초 (720)의 해상도에 디지털 비디오를 기록하기 위해 사용 하였다. 권총은 위치의 더 표준화없이 참가자의 오른쪽 앞 벨트 또는 바지에 고정되었다. 이 엉덩이에 것 hostler에서 장치를 배치하기위한 자연적인 방법을 보여 주었다. 홀스터 및 데이터 로거 응용 프로그램을 실행에 배치 된 장치로, 각 사람은 자기가 선택한 속도로, 한 번 회로를 통과. 회로 참가자, 진행 활동에 미리 기재되지이었다재판 중에 조사를 순차적으로 사용 가능. <p class="jove_co...

현실적인 일상 생활 환경에서 지속적인 활동을 포함하는 WMMS(Wearable Mobility Monitoring System)에 대한 표준화된 평가 방법이 개발되었습니다. 일련의 일상 생활 활동으로 테스트하면 활동 인식 민감도가 감소할 수 있습니다. 따라서 WMMS 성능의 유효한 평가를 위해 현실적인 테스트 회로를 사용하는 것이 좋습니다.

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

이 활동 인식 방법론의 전반적인 목표는 실제 일상생활 환경에서의 연속적인 활동을 포함함으로써 웨어러블 모빌리티 모니터링 시스템을 테스트하기 위한 표준화된 평가 방법을 제공하는 것입니다. 이 방법은 신체 재활, 생의학 공학 및 생체 역학 분야에서 사람이 어떻게 움직이는지를 기록하는 웨어러블 센서 시스템이 정확하고 신뢰할 수 있는 결과를 제공하는지와 같은 핵심 질문에 답하는 데 도움을 줄 수 있습니다. 이 기술의 주요 장점은 평가 프로토콜이 실제 일상생활 환경을 반영한 제어 코스를 사용한다는 점입니다. 우선 참가자의 오른쪽 앞골반에 휴대폰 홀스터를 단단히 부착하는 것으로 시작하십시오.센서 데이터를 수집하는 데 사용되는 이동성 측정 스마트폰에서 애플리케이션을 실행하십시오. 그런 다음 스마트폰의 뒷면이 바깥쪽을 향하도록 홀스터에 넣으십시오. 다음으로, 익명성 보장을 위해 두 번째 스마트폰으로 디지털 비디오 녹화를 시작하십시오.두 번째 스마트폰을 사용하여 참가자의 얼굴이 나오지 않도록 비교 영상을 촬영하십시오. 다만, 활동 서킷 동안 모든 활동 전환 과정이 기록되도록 해야 합니다. 참가자를 따라다니며 두 번째 스마트폰으로 참가자의 모든 동작을 촬영하십시오.먼저 서 있는 자세의 참가자에게 다음과 같이 안내하십시오. 스마트폰을 흔들어 실험의 시작을 알립니다. 최소 10초 동안 계속 서 있다가 근처 의자로 걸어가서 앉으십시오.일어서서 엘리베이터 앞까지 60m를 걸어가 엘리베이터가 올 때까지 기다린 후 엘리베이터 안으로 들어갑니다. 다음으로 몸을 돌려 가정 환경 내부로 걸어 들어갑니다. 욕실로 들어가 양치질, 머리 빗기, 손 씻기를 시뮬레이션한 다음 수건으로 손을 닦는 동작을 시뮬레이션합니다.그 후, 주방으로 걸어가 선반에서 접시를 꺼내 조리대 위에 놓으십시오. 주방 싱크대에서 물을 받아 주전자를 채운 뒤 가스레인지 위에 올리십시오. 그런 다음 토스터에 빵을 넣으십시오.다음으로 식당으로 이동하여 식탁에 앉으십시오. 식탁에서 식사를 하는 동작을 시뮬레이션합니다. 그 후 일어나 다시 주방 싱크대로 돌아가 그릇을 헹구고 건조대에 놓으십시오.계단실까지 50m를 이동합니다. 문을 열고 계단실로 들어갑니다. 계단을 13칸 올라간 뒤 계단실 문을 열고 복도로 나갑니다.우회전하여 복도를 따라 15 meters 직진하십시오. 그 다음 참가자에게 몸을 돌려 계단실까지 15 meters 되돌아오도록 지시하십시오. 문을 열고 계단실로 들어가 13단계를 내려간 후 계단실 밖으로 나가십시오.다음으로, 방 안으로 들어가 침대에 눕습니다. 그런 다음 일어나서 경사로까지 10 meters를 걷습니다. 경사로를 올라간 뒤, 몸을 돌려 다시 경사로를 내려옵니다.복도로 계속 걸어가서 외부로 연결된 문을 엽니다. 다음으로 포장된 경로를 따라 100m를 걷습니다. 방향을 틀어 다시 방 쪽으로 되돌아옵니다.그 다음 방으로 들어가 시작 지점에 섭니다. 계속 서 있는 상태에서 스마트폰을 흔들어 실험 종료를 표시합니다. 실험이 완료되면 두 번째 스마트폰의 녹화를 중지하고, 피험자로부터 홀더가 장착된 첫 번째 스마트폰을 제거합니다.마지막으로, 첫 번째 스마트폰에서 데이터 로깅 애플리케이션을 종료합니다. 획득한 동작 데이터 파일과 비디오 파일을 두 스마트폰 모두에서 컴퓨터로 복사하여 후처리를 진행합니다. 본 프로토콜에서는 일상생활 환경에서의 지속적인 활동 중 웨어러블 이동성 모니터링 시스템(WMMS)에 대한 평가 방법을 논의하였습니다.이동성 또는 부동성의 세 가지 분류 유형에 대해 민감도와 특이도를 측정하였습니다. 앉기, 서기, 눕기 또는 걷기, 그리고 앉기, 서기, 눕기, 걷기, 계단 오르기 또는 미세한 기립 움직임이 이에 해당합니다. 본 프로토콜은 이전 보고서들에 비해 WMMS 시스템에 대해 더 보수적인 결과를 도출하겠으나, 여기서 보고된 결과는 일상적인 진료 환경에서의 결과를 더 잘 반영할 것입니다.이 기술을 숙달하면 제대로 수행했을 때 10분에서 15분 만에 완료할 수 있습니다. 이 절차를 시도하는 동안, 연구 참여자에게 명확한 지침을 제공하고 모든 활동 전환 시점을 기록하여 비디오에서 로그를 남길 수 있도록 하는 것이 중요합니다. 이 절차 이후에는 센서 출력값에 다른 계산 방법을 적용하여, 개발 이후 더 나은 활동 분류 방법을 구축할 수 있습니다.이 기술은 인간 활동 인식 분야의 연구자들이 실제 환경으로 전이 가능한 환경에서 웨어러블 모빌리티 모니터링을 탐색할 수 있는 길을 열어줍니다. 이 영상을 시청하고 나면, 인간 활동 모니터링 애플리케이션을 평가하기 위해 지속적인 테스트 환경을 설정하고 관련 인간 움직임 데이터를 캡처하는 방법에 대해 충분히 이해하게 될 것입니다. 장애가 있는 사람들은 모빌리티와 균형 능력이 다를 수 있으므로, 이 절차를 수행할 때 낙상이나 과도한 신체적 무리를 방지하기 위해 주의를 기울여야 한다는 점을 잊지 마십시오.

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

Research

연구

JoVE Journal

Behavior

행동

이 원고는 시상면의 3D 모션 캡처 시스템과 비교하여 스마트폰 애플리케이션에 의해 기록된 운동학적 측정의 동시 유효성을 테스트하는 방법을 설명합니다. 이 프로토콜을 통해 임상의는 사람의 움직임을 비디오로 캡처하기 위해 스마트폰을 설정할 수 있습니다.

비디오 운동 분석을 사용하여 스마트 폰 (ViMAS) : 파일럿 연구

이 연구 설계 및 음식 섭취 량의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜을 선물 하 고 로드 셀을 사용 하 여 다른 추천된 신체적 활동 안경의 두 경첩에 삽입.

설계 및 스마트 유리의 음식 섭취 량과 신체 활동 분류에 대 한 평가

높은 주파수, 이전 성인 수 있도록 의미 있는 건강 및 활동 계속 달에 년, 생태학적으로 유효한, 제공에 대 한 기록 변경의 일상 가정 생활에 눈에 거슬리지 센서 및 퍼 베이 시 브 컴퓨팅 기술 통합 다중 도메인 연구 또는 임상 사용에 대 한 데이터입니다.

눈에 거슬리지 하 고 지속적인 원격 활동 및 건강 데이터를 캡처에 대 한 사회 전반의 생활 연구소 설립을 위한 방법론

우리는 모션 캡처 시스템 일상 생활 (IADL)의 기 악 활동을 평가 하기 위해 가상 현실 테스트를 설계. 우리는 다양 한 움직임, 궤적, IADL 기능 평가를 완료 시간과 이동 거리를 포함 하 여 참가자의 해석에 대 한 자세한 운동학 분석을 제안 합니다.

가상 현실에서의 일상 생활 움직임 모션 캡처 시스템의 기구학을 측정

이 혁신적인 장치는 자기 관성 센서를 사용하여 통제되지 않은 환경에서 보행 및 활동 분석을 허용합니다. 현재 유럽 의학 기관의 결과 측정으로 자격 과정에서, 응용 프로그램 중 하나는 신경 근육 질환에서 임상 시험에서 임상 종점 역할을하는 것입니다.

걸음걸이 및 활동 분석을 위한 홈 기반 모니터

프로토콜은 자기 중심의 카메라를 사용하여 일상 생활 중에 손 장애가있는 개인의 자연스러운 손 기능을 캡처하는 것이 좋습니다. 프로토콜의 목표는 집에서 일상 생활의 활동 중에 녹음이 개인의 전형적인 손 사용을 대표하는지 확인하는 것입니다.

팔다리 장애가 있는 개인의 자기 중심 비디오를 사용하여 집에서 대표손 사용 캡처

본 프로토콜은 심리적 체중계, GPS 위치, 심박수 및 혈중 산소 포화도 수준 및 애플리케이션의 작동 절차를 포함하는 실시간 현장 데이터를 수집하기 위한 비상업적 자체 개발 애플리케이션을 소개합니다. 2020년 대만에서 실시된 실증적 연구가 적용 사례로 사용되었습니다.

개인 건강 상태를 모니터링하기 위해 웨어러블 장치와 페어링하는 응용 프로그램

웨어러블 센서가 장착 된 상업용 스마트 워치는 인구 연구에서 점점 더 많이 사용되고 있습니다. 그러나 유틸리티는 제한된 배터리 지속 시간, 메모리 용량 및 데이터 품질로 인해 제한되는 경우가 많습니다. 이 보고서는 천식 어린이 및 노인 심장 환자를 대상으로 한 연구에서 직면하는 실제 기술 문제에 대한 비용 효율적인 솔루션의 예를 제공합니다.

인구 연구에서 노출 및 건강 모니터링을 위한 소비자 웨어러블 장치 설정

이 논문은 학생들이 수업에 집중하고 있는지 또는 주의가 산만한지 자동으로 감지하는 인공 지능 기반 시스템을 제안합니다. 이 시스템은 교사가 학생들의 주의를 유지하고, 수업을 최적화하고, 학생들의 참여를 돕기 위해 동적으로 수정 사항을 도입할 수 있도록 설계되었습니다.

학생의 주의력 수준을 감지하기 위한 인공 지능 기반 시스템

M3-BREATHE는 호흡, 행동, 환경 노출을 모니터링하기 위해 웨어러블 센서를 통합한 모바일 헬스(mHealth) 시스템으로, 실제 세계에서 맞춤형 치료와 건강 평가를 제공합니다.

실제 M3-BREATHE: 치료 및 건강 평가를 위한 행동, 호흡, 노출의 다중 모달 모바일 모니터링을 향해

학습하세요 일상 생활 환경에서 스마트폰 기반 웨어러블 이동성 모니터링 시스템의 표준화된 평가 방법을. 가속도계와 자이로스코프 데이터를 활용하여 인간 활동 인식의 정확도와 신뢰성을 검증하는 이 프로토콜은 재활의학 및 생물의학공학 연구에 활용됩니다.

일상 생활 환경에서 스마트 폰 기반의 인간 활동 인식 시스템의 평가

더 많은 동영상 탐색