Evaluatie van een smartphone op basis van menselijke activiteiten Recognition System in een dagelijkse Leefomgeving
December 11th, 2015
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.
Het algemene doel van deze methodologie voor activiteitsherkenning is om een gestandaardiseerde evaluatiemethode te bieden voor het testen van draagbare mobiliteitsbewakingssystemen door continue activiteiten op te nemen in een realistische dagelijkse leefomgeving. Deze methode kan helpen bij het beantwoorden van sleutelvragen op het gebied van fysische revalidatie, biomedische techniek en biomechanica, zoals of draagbare sensorsystemen die registreren hoe een persoon zich beweegt, nauwkeurige en betrouwbare resultaten opleveren. Het grote voordeel van deze techniek is dat het evaluatieprotocol een controlecursus gebruikt die de dagelijkse leefomgeving in het echte leven weerspiegelt. Begin door een telefoonholster stevig aan de rechter voorkant van de heup van de deelnemer te bevestigen.
Start de applicatie op de smartphone voor mobiliteitsmeting die wordt gebruikt om de sensorgegevens te verzamelen. Plaats vervolgens de smartphone in de holster met de achterkant van het apparaat naar buiten gericht. Start vervolgens een digitale video-opname op een tweede smartphone voor anonimiteit.
Neem de vergelijkende video op de tweede smartphone op zonder het gezicht van de deelnemer te tonen. Zorg er echter voor dat alle activiteitsovergangen worden opgenomen tijdens de activiteitscircuit. Volg de deelnemer en gebruik de tweede smartphone om alle acties van de deelnemer op te nemen.
Begin door de volgende instructies aan de deelnemer te geven vanuit een staande positie. Schud de smartphone om het begin van de proef aan te geven. Blijf minimaal 10 seconden staan en loop vervolgens naar een nabijgelegen stoel en ga zitten.
Sta op en loop 60 meter naar een lift en wacht tot de lift arriveert en loop vervolgens de lift in. Draai vervolgens om en loop het thuissituatie binnen. Loop naar de badkamer en simuleer tanden poetsen, simuleer het kammen van haar, handen wassen en droog vervolgens de handen met een handdoek.
Loop vervolgens naar de keuken en neem borden van een rek en plaats ze op het aanrecht. Vul een ketel met water uit de gootsteen en plaats de ketel op het fornuis. Plaats vervolgens brood in een broodrooster.
Loop vervolgens naar de eetkamer en ga aan de eettafel zitten. Simuleer een maaltijd aan tafel te eten. Sta vervolgens op en loop terug naar de keuken om de borden te spoelen en plaats ze in een rek.
Loop 50 meter naar een trappenhuis. Open de deur en loop het trappenhuis in. Loop 13 treden omhoog en open de deur van het trappenhuis naar de gang.
Draai rechtsaf en loop 15 meter door de gang. Instrueer vervolgens de deelnemer om zich om te draaien en 15 meter terug te lopen naar het trappenhuis. Open de deur, loop het trappenhuis in en loop 13 treden naar beneden en verlaat het trappenhuis.
Loop vervolgens een kamer binnen en ga op het bed liggen. Sta vervolgens op en loop 10 meter naar een helling. Loop de helling op, draai om en loop vervolgens de helling af.
Loop verder de gang in en open de deur naar buiten. Loop vervolgens 100 meter naar het geplaveide pad. Draai om en loop terug naar de kamer.
Loop vervolgens de kamer in en ga staan op het startpunt. Blijf staan en schud vervolgens de smartphone om het einde van de proef aan te geven. Zodra de proef is voltooid, stopt u de opname van de tweede smartphone en verwijdert u de eerste smartphone met de holster van de deelnemer.
Stop tenslotte de datalogapplicatie op de eerste smartphone. Kopieer de verworven bewegingsgegevensbestanden en videobestanden van beide telefoons naar een computer voor nabewerking. Dit protocol besprak een evaluatiemethode voor draagbare mobiliteitsbewakingssystemen of WMMS tijdens continue activiteiten in een dagelijkse leefomgeving.
Gevoeligheid en specificiteit werden gemeten voor drie soorten classificaties, mobiliteit of immobiliteit. Zitten, staan, liggen of lopen en zitten, staan, liggen, lopen, traplopen of kleine staande beweging. Hoewel dit protocol zal resulteren in meer conservatieve resultaten voor de WMMS-systemen dan eerdere rapporten, zullen de hier gerapporteerde resultaten betere resultaten weerspiegelen in de dagelijkse praktijk.
Eenmaal onder de knie, kan deze techniek in 10 tot 15 minuten worden voltooid als deze correct wordt uitgevoerd. Terwijl u deze procedure probeert, is het belangrijk om duidelijke instructies te geven aan de studieonderwerp en om alle activiteitsovergangen te registreren, zodat ze vanuit de video kunnen worden geregistreerd. Na het volgen van deze procedure kunnen andere computationele methoden worden toegepast op de sensoruitvoer om betere methoden voor activiteitsclassificatie te ontwikkelen na de ontwikkeling ervan.
Deze techniek baant de weg voor onderzoekers op het gebied van herkenning van menselijke activiteiten om draagbare mobiliteitsbewaking te onderzoeken in een omgeving die kan worden vertaald naar de echte wereld. Na het bekijken van deze video, zou u een goed begrip moeten hebben van hoe u een continue testomgeving kunt instellen en relevante menselijke bewegingsgegevens kunt vastleggen voor het evalueren van applicaties voor het monitoren van menselijke activiteit. Vergeet niet dat mensen met een handicap andere mobiliteits- en evenwichtscapaciteiten zullen hebben, dus moeten voorzorgsmaatregelen worden genomen om valpartijen of overbelasting te voorkomen bij het uitvoeren van deze procedure.
View the full transcript and gain access to thousands of scientific videos
Overzicht
Dit artikel presenteert een gestandaardiseerde evaluatiemethode voor Draagbare Mobiliteitsbewakingssystemen (WMMS) die continue activiteiten in realistische dagelijkse omgevingen opneemt. De methodologie heeft tot doel de nauwkeurigheid en betrouwbaarheid van activiteitsherkenning in fysieke revalidatie en biomedische techniek te verbeteren.
Belangrijke studiecomponenten
Wetenschapsgebied
- Biomedische techniek
- Fysieke revalidatie
- Biomechaniek
Achtergrond
- Draagbare sensorsystemen worden gebruikt om menselijke beweging te bewaken.
- Nauwkeurige activiteitsherkenning is cruciaal voor effectieve revalidatie.
- Realistische testomgevingen kunnen de evaluatieresultaten verbeteren.
- Gestandardiseerd methoden zijn nodig voor betrouwbare prestatiebeoordeling.
Doel van het onderzoek
- Om een methode te ontwikkelen voor het evalueren van WMMS in reële scenario's.
- Om sleutelvragen met betrekking tot de betrouwbaarheid van draagbare sensoren aan te pakken.
- Om de gevoeligheid van activiteitsherkenning te verbeteren door middel van realistische testen.
Gebruikte methoden
- Deelnemers droegen een smartphoneholster op hun heup.
- Sensorgegevens werden verzameld met behulp van een mobiliteitsmeetapplicatie.
- Een digitale video-opname werd gemaakt voor anonimiteit tijdens het testen.
- Het testen omvatte een reeks dagelijkse levensactiviteiten.
Belangrijkste resultaten
- Het evaluatieprotocol weerspiegelt realistische dagelijkse omgevingen.
- Realistische testcircuits verhogen de validiteit van de prestatie-evaluatie van WMMS.
- Gestandardiseerd methoden kunnen leiden tot betrouwbaardere resultaten in activiteitsherkenning.
Conclusies
- Een gestandaardiseerde evaluatiemethode is essentieel voor WMMS.
- Realistisch testen verbetert de nauwkeurigheid van activiteitsherkenning.
- Deze methodologie kan een significante impact hebben op revalidatiepraktijken.
Veelgestelde vragen
Executive Industry Relevance
Standardized evaluation of wearable mobility monitoring systems (WMMS) in realistic daily living environments is critical for establishing predictive confidence in human activity recognition technologies. This protocol enables robust target validation for sensor-based activity classifiers, directly impacting translational research and preclinical model development in rehabilitation and biomedical engineering. Reliable activity recognition supports risk-adjusted advancement of digital health solutions across the biopharma portfolio.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous hypothesis testing for sensor-based activity classification algorithms.
- Supports biological de-risking by benchmarking classifier performance against gold standard video-logged data.
- Facilitates functional validation of activity recognition targets in ecologically valid settings.
Screening & Assay Development
- Prepares validated activity datasets for downstream algorithm refinement and benchmarking.
- Standardizes assay conditions by using a continuous, real-world activity circuit.
- Enables reproducible, quantitative outputs such as sensitivity, specificity, and F1 scores for classifier evaluation.
Translational & Preclinical Research
- Aligns activity recognition outputs with clinically relevant mobility endpoints for rehabilitation research.
- Ensures continuity from discovery-stage classifier development to preclinical validation in real-world scenarios.
- Provides a foundation for risk-adjusted decisions on advancing digital mobility monitoring tools.
Pipeline & Workflow Integration
This evaluation protocol bridges early discovery, screening, and translational research by providing a standardized workflow for WMMS validation in daily living environments.
- Discovery Biology: Supports hypothesis testing and pathway clarification for activity recognition algorithms.
- Screening: Delivers reproducible, quantitative metrics for classifier performance across multiple activity states.
- Analytics: Generates sensitivity, specificity, and F1 score outputs for robust condition comparison.
- Translational Research: Connects classifier validation to clinically meaningful mobility monitoring endpoints.
- Enterprise Reuse: Establishes a reusable protocol adaptable to diverse activity recognition systems and populations.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in activity recognition.
- Operational Value: Promotes standardization, reproducibility, and scalability of WMMS evaluation.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency for digital health R&D.
- Portfolio Impact: Enables risk-adjusted prioritization of mobility monitoring technologies for clinical and research applications.
Implementation Considerations
- Requires expertise in sensor data acquisition and manual video annotation for gold standard comparison.
- Needs smartphones with accelerometer and gyroscope capabilities and secure data handling infrastructure.
- Demands cross-team standardization of activity protocols and data logging procedures.
- Adaptable to various model systems but must account for participant safety and mobility limitations.
- Protocol duration and participant compliance may limit throughput in large-scale studies.
