Name: Ocena systemu rozpoznawania aktywności człowieka opartego na smartfonach w codziennym środowisku życia (Wideo) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Poznaj metodę oceny systemów monitorowania mobilności z użyciem smartfonów w realistycznym środowisku codziennego życia. Technika ta umożliwia badaczom testowanie algorytmów rozpoznawania aktywności człowieka z wysoką dokładnością.

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

Autorzy dziękują Evanowi Beisheimowi, Nicole Capeli, Andrew Herbertowi-Copleyowi za pomoc techniczną i pomoc w zbieraniu danych. Finansowanie projektu uzyskano od Kanadyjskiej Rady ds. Badań Przyrodniczych i Inżynieryjnych (NSERC) oraz BlackBerry Ltd., w tym smartfonów wykorzystanych w badaniu.

Ten protokół został zatwierdzony przez Radę Etyki Badań Sieci Nauk o Zdrowiu w Ottawie.
1. Przygotowanie
<ol>
	<li>Przedstaw uczestnikom zarys badania, odpowiedz na wszelkie pytania i uzyskaj świadomą zgodę. Zapisz charakterystykę uczestnika (np. wiek, płeć, wzrost, wagę, obwód talii, wysokość nóg od przedniego górnego odcinka kręgosłupa biodrowego do kostki przyśrodkowej), kod identyfikacyjny i datę na karcie danych. Upewnij się, że drugi smartfon używany do przechwytywania wideo jest ustawiony na co najmniej 30 klatek na sekundę.</li>
	<li>Bezpiecznie przymocuj kaburę na telefon do przedniego prawego paska lub pasa spodni uczestnika. Uruchom aplikację na smartfona, która będzie używana do zbierania danych z czujników (tj. rejestrację danych lub aplikację WMMS) na smartfonie do pomiaru mobilności i upewnij się, że aplikacja działa prawidłowo. Umieść smartfon w kaburze, tyłem urządzenia (tylną kamerą) skierowaną na zewnątrz.</li>
	<li>Rozpocznij cyfrowe nagrywanie wideo na drugim smartfonie. Aby zachować anonimowość, nagraj film porównawczy bez pokazywania twarzy osoby, ale upewnij się, że nagrywasz wszystkie przejścia aktywności. Telefon może być trzymany w ręku.</li>
</ol>
2. Obwód aktywności
<ol>
	<li>Podążaj za uczestnikiem i nagrywaj jego działania na drugim smartfonie, podczas gdy wykonują oni następujące czynności, wypowiadane przez badacza:
	<ol>
		<li>Z pozycji stojącej potrząśnij smartfonem, aby wskazać początek badania.</li>
		<li>Kontynuuj stanie przez co najmniej 10 sekund. Ta faza stania może być wykorzystana do kalibracji orientacji telefonu 14.</li>
		<li>Podejdź do pobliskiego krzesła i usiądź.</li>
		<li>Wstań i idź 60 metrów do windy.</li>
		<li>Wstań i poczekaj na windę, a następnie wejdź do windy.</li>
		<li>Wjedź windą na drugie piętro.</li>
		<li>Odwróć się i wejdź do środowiska domowego.</li>
		<li>Wejdź do łazienki i symuluj mycie zębów.</li>
		<li>Symuluj czesanie włosów.</li>
		<li>Symuluj mycie rąk.</li>
		<li>Osusz ręce ręcznikiem.</li>
		<li>Idź do kuchni.</li>
		<li>Wyjmij naczynia z rusztu i połóż je na blacie.</li>
		<li>Napełnij czajnik wodą ze zlewu kuchennego.</li>
		<li>Umieść czajnik na elemencie kuchenki.</li>
		<li>Umieść chleb w tosterze.</li>
		<li>Idź do jadalni.</li>
		<li>Usiądź przy stole w jadalni.</li>
		<li>Symuluj jedzenie posiłku przy stole.</li>
		<li>Wstań i wróć do zlewu kuchennego.</li>
		<li>Spłucz naczynia i umieść je na ruszcie.</li>
		<li>Idź z kuchni z powrotem do windy.</li>
		<li>Wstań i poczekaj na windę, a następnie wejdź do windy.</li>
		<li>Wjedź windą na pierwsze piętro.</li>
		<li>Idź 50 metrów do klatki schodowej.</li>
		<li>Otwórz drzwi i wejdź na klatkę schodową.</li>
		<li>Wejdź po schodach (13 stopni, wokół podestu, 13 stopni).</li>
		<li>Otwórz drzwi klatki schodowej na korytarz.</li>
		<li>Skręć w prawo i idź korytarzem przez 15 metrów.</li>
		<li>Odwróć się i idź 15 metrów z powrotem do klatki schodowej.</li>
		<li>Otwórz drzwi i wejdź na klatkę schodową.</li>
		<li>Zejdź po schodach (13 stopni, wokół podestu, 13 stopni).</li>
		<li>Wyjdź z klatki schodowej i wejdź do pokoju.</li>
		<li>Połóż się na łóżku.</li>
		<li>Wstań i idź 10 metrów do rampy.</li>
		<li>Wejdź na rampę, odwróć się, a następnie zejdź po rampie (20 metrów).</li>
		<li>Kontynuuj wchodzenie do holu i otwórz drzwi na zewnątrz.</li>
		<li>Przejdź 100 metrów utwardzoną ścieżką.</li>
		<li>Odwróć się i wróć do pokoju.</li>
		<li>Wejdź do pokoju i stań w punkcie wyjścia.</li>
		<li>Kontynuuj stanie, a następnie potrząśnij smartfonem, aby wskazać koniec próby.</li>
	</ol>
	</li>
</ol>
3. Zakończenie próby
<ol>
	<li>Zatrzymaj smartfon do nagrywania wideo i poproś uczestnika o wyjęcie i zwrócenie smartfona i kabury. Zatrzymaj rejestrowanie danych lub aplikację WMMS w smartfonie. Skopiuj pozyskane pliki danych ruchu i plik wideo z obu telefonów do komputera w celu przetworzenia końcowego.</li>
</ol>
4. Przetwarzanie końcowe
<ol>
	<li>Zsynchronizuj czas między wideo a nieprzetworzonymi danymi z czujnika, określając czas rozpoczęcia potrząsania. Ten ruch potrząsania odpowiada wyraźnemu sygnałowi akcelerometru i klatce wideo. Sprawdź, czy nie ma błędu synchronizacji, odejmując czas zakończenia potrząsania od czasu rozpoczęcia potrząsania dla źródeł danych czujnika i wideo. Różnice czasowe między tymi dwoma zestawami danych powinny być podobne.</li>
	<li>Określ rzeczywiste czasy zmiany stanu na podstawie wideo o złotym standardzie, rejestrując różnicę czasu od czasu początkowego potrząśnięcia do klatki wideo przy przejściu między działaniami. Użyj oprogramowania do edycji wideo, aby uzyskać czas z dokładnością do 0.033 sekundy (tj. 30 klatek na sekundę). Oprogramowanie WMMS służy do generowania porównywalnych zmian stanu na podstawie danych z czujników.</li>
	<li>Wygeneruj dwa zestawy danych, jeden z rzeczywistymi działaniami, a drugi z przewidywanymi działaniami, oznaczając aktywność dla każdej klatki wideo (na podstawie czasu zmiany stanu), a następnie obliczając przewidywaną aktywność w każdym czasie klatki wideo na podstawie danych wyjściowych WMMS. W przypadku oceny wydajności WMMS należy obliczyć wyniki prawdziwie dodatnie, fałszywie ujemne, prawdziwie ujemne i fałszywie dodatnie między aktywnością złotego standardu a przewidywaną aktywnością WMMS. Użyj tych parametrów, aby obliczyć miary czułości, swoistości i wyników F-score. 
	Uwaga: Ustawienie tolerancji 3 przedziałów danych po obu stronach analizowanego okna może być używane do określania wyników zmiany stanu, a 2 przedziałów danych do wyników klasyfikacji. Na przykład, ponieważ w tym badaniu dla WMMS użyto 1-sekundowych okien danych, zbadano 3 sekundy przed i po bieżącym oknie, tak aby kolejne zmiany w ramach tej tolerancji były ignorowane. Wzięto pod uwagę, że zmiany stanu, które zachodzą w czasie krótszym niż 3 sekundy, mogą być ignorowane w analizie ogólnych ruchów człowieka, ponieważ stany te byłyby uważane za przejściowe.</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>

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Rozpoznawanie aktywności człowieka za pomocą systemu monitorowania mobilności ubieralnej zyskało w ostatnich latach większą uwagę ze względu na postęp techniczny w dziedzinie komputerów ubieralnych i smartfonów oraz systematyczne zapotrzebowanie na ilościowe pomiary wyników, które pomagają w podejmowaniu decyzji klinicznych i ocenie interwencji zdrowotnych. Metodologia opisana w tym artykule okazała się skuteczna w ocenie rozwoju WMMS, ponieważ stwierdzono błędy klasyfikacji aktywności, które nie występowałyby, gdyby w o...

Wszechobecne wykrywanie stało się interesującym obszarem badawczym dzięki coraz potężniejszym, małym, tanim urządzeniom obliczeniowym i detekcyjnym 1. Monitorowanie mobilności za pomocą czujników ubieralnych wzbudziło duże zainteresowanie, ponieważ mikroelektronika na poziomie konsumenckim jest w stanie wykrywać charakterystykę ruchu z dużą dokładnością 1. Rozpoznawanie aktywności człowieka (HAR) za pomocą czujników noszonych na ciele jest najnowszym obszarem badań, ze wstępnymi badaniami przeprowadzonymi w latach 80. i 90. XX wieku.
Nowoczesne smartfony zawierają niezbędne czujniki i możliwość obliczeń w czasie rzeczywistym do rozpoznawania aktywności mobilności. Analiza w czasie rzeczywistym na urządzeniu pozwala na klasyfikację działań i przesyłanie danych bez interwencji użytkownika lub badacza. Smartfon z oprogramowaniem do analizy mobilności może zapewnić śledzenie kondycji, monitorowanie zdrowia, wykrywanie upadków, automatyzację domu lub pracy oraz samodzielne zarządzanie programami ćwiczeń 5. Smartfony można uznać za inercyjne platformy pomiarowe do wykrywania aktywności mobilnej i wzorców ruchomych u ludzi, wykorzystujących generowane cechy sygnału matematycznego obliczane za pomocą wbudowanych wyjść czujników 6. Typowe metody generowania cech obejmują podejścia heurystyczne, czasowe, częstotliwościowe i oparte na analizie falkowej 7.
Nowoczesne systemy HAR dla smartfonów wykazały wysoką precyzję podczas wykrywania określonych działań 1,5,6,7. Badania te różnią się metodologią oceny, a także dokładnością, ponieważ większość badań ma własny zestaw treningowy, konfigurację środowiskową i protokół gromadzenia danych. Czułość, swoistość, dokładność, kompletność, precyzja i F-Score są powszechnie używane do opisania jakości przewidywania. Jednak niewiele lub nie ma żadnych informacji na temat metod rozpoznawania "jednoczesnej aktywności" i oceny zdolności do wykrywania zmian aktywności w czasie rzeczywistym 1 dla systemów HAR, które próbują kategoryzować kilka działań. Metody oceny dokładności systemu HAR różnią się znacznie w zależności od badania. Niezależnie od algorytmu klasyfikacji lub zastosowanych cech, opisy metod oceny złotego standardu są niejasne w przypadku większości badań HAR.
Rozpoznawanie aktywności w codziennym środowisku życia nie zostało dokładnie zbadane. Większość systemów rozpoznawania aktywności opartych na smartfonach jest oceniana w kontrolowany sposób, co prowadzi do protokołu oceny, który może być bardziej korzystny dla algorytmu niż realistyczny w rzeczywistym środowisku. W ramach swojego schematu oceny uczestnicy często wykonują tylko działania przeznaczone do przewidywania, zamiast stosować szeroki zakres realistycznych czynności, które uczestnik musi wykonać po kolei, naśladując rzeczywiste wydarzenia.
Niektóre badania HAR dla smartfonów 8,9 grupują podobne czynności, takie jak schody i chodzenie, ale wykluczają inne aktywności ze zbioru danych. Dokładność przewidywania jest następnie określana na podstawie tego, jak dobrze algorytm zidentyfikował działania docelowe. Dernbach i in. 9 poprosili uczestników o napisanie czynności, którą mieli wykonać przed ruchem, przerywając ciągłe przejścia zmiany stanu. Oceny systemu HAR powinny oceniać algorytm, podczas gdy uczestnik wykonuje naturalne działania w codziennym życiu. Pozwoliłoby to na rzeczywistą ocenę, która replikuje codzienne korzystanie z aplikacji. Realistyczny obwód obejmuje wiele zmian stanu, a także mieszankę działań, których system nie jest możliwy do przewidzenia. Badacz może następnie ocenić reakcję algorytmu na te dodatkowe ruchy, oceniając w ten sposób odporność algorytmu na nietypowe ruchy.
Ten artykuł przedstawia protokół oceny Systemu Monitorowania Mobilności Ubieralnej (WMMS), który wykorzystuje kontrolowany kurs, który odzwierciedla rzeczywiste codzienne środowisko życia. Ocena WMMS może być następnie przeprowadzona w kontrolowanych, ale realistycznych warunkach. W tym protokole używamy WMMS trzeciej generacji, który został opracowany na Uniwersytecie w Ottawie i Ottawa Hospital Research Institute 11-15. WMMS został zaprojektowany z myślą o smartfonach z trójosiowym akcelerometrem i żyroskopem. Algorytm mobilności uwzględnia zmienność użytkownika, zapewnia zmniejszenie liczby wyników fałszywie dodatnich w celu identyfikacji zmian stanu i zwiększa czułość kategoryzacji działań. Minimalizacja wyników fałszywie dodatnich jest ważna, ponieważ WMMS uruchamia nagrywanie krótkich klipów wideo po wykryciu zmian stanu aktywności, w celu kontekstowej oceny aktywności, która jeszcze bardziej poprawia klasyfikację WMMS. Niepotrzebne nagrywanie wideo powoduje nieefektywność przechowywania i zużycia baterii. Algorytm WMMS jest skonstruowany jako niskoobliczeniowy model uczenia się i oceniany przy użyciu różnych poziomów predykcji, gdzie wzrost poziomu predykcji oznacza wzrost liczby rozpoznawalnych działań.

<table><tbody><tr><td>Smartfon lub urządzenie pomiarowe do noszenia</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Smartfon do nagrywania wideo</td> Kabura na <td>telefon Blackberry</td><td>Z10 lub 9800</td><td></td></tr><tr><td></td><td>Dowolna</td><td></td><td></td></tr><tr><td>aplikacja rejestratora danych na smartfon</td><td>BlackBerry World - Rejestrator danych TOHRC dla 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>Pomiar mobilności urządzeń ubieralnych</td><td>Niestandardowe oprogramowanie Blackberry 10 i Matlab do monitorowania</td><td></td> mobilności<td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td></tr><tr><td>Edycja wideo lub oprogramowanie analityczne</td><td>Narzędzia</td><td></td> do analizy ruchu<td><a href="http://www.irrd.ca/cag/mat/">http://www.irrd.ca/cag/mat/</a></td></tr></tbody></table>

ocena systemu rozpoznawania aktywności człowieka opartego na smartfonach w codziennym środowisku życia

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

Metoda oceny, która obejmuje ciągłą aktywność w codziennym środowisku, została opracowana dla Wearable Mobility Monitoring Systems (WMMS), które próbują rozpoznawać działania użytkowników. Uczestnicy wykonywali wcześniej ustalony zestaw codziennych czynności życiowych w ramach ciągłego obwodu testowego, który obejmował czynności ruchowe (chodzenie, stanie, siedzenie, leżenie, wchodzenie/schodzenie po schodach), codzienne zadania życiowe (czesanie włosów, mycie zębów, przygotowywanie jedzenia, jedzenie, zmywanie naczyń) oraz subtelne zmiany otoczenia (otwieranie drzwi, korzystanie z windy, chodzenie po pochyłościach, pokonywanie podestów schodów, chodzenie na świeżym powietrzu). 
Aby ocenić wydajność WMMS na tym torze, piętnastu pełnosprawnych uczestników wykonało zadania, nosząc smartfon na prawej przedniej części miednicy. Aplikacja WMMS wykorzystywała sygnały akcelerometru i żyroskopu ze smartfona do klasyfikowania stanów aktywności. Złoty standard porównawczy zestaw danych został stworzony poprzez nagrywanie wideo każdej próby i ręczne rejestrowanie czasu rozpoczęcia aktywności. Dane Gold Standard i WMMS były analizowane w trybie offline. Dla każdego obwodu obliczono trzy zestawy klasyfikacyjne: (i) mobilność lub bezruch, ii) siedzenie, stanie, leżenie lub chodzenie oraz (iii) siedzenie, stanie, leżenie, chodzenie, wchodzenie po schodach lub mały ruch stojący. Obliczono czułość, swoistość i F-Score dla kategoryzacji aktywności i zmian stanu.
Zestaw klasyfikacyjny mobilny i niemobilny miał czułość 86,30% ± 7,2% i swoistość 98,96% ± 0,6%, podczas gdy drugi zestaw predykcji miał czułość 88,35% ± 7,80% i swoistość 98,51% ± 0,62%. Dla trzeciego zestawu klasyfikacyjnego czułość wynosiła 84,92% ± 6,38%, a swoistość 98,17 ± 0,62. Wyniki F1 w pierwszej, drugiej i trzeciej klasyfikacji wynosiły odpowiednio 86,17 ± 6,3, 80,19 ± 6,36 oraz 78,42 ± 5,96. Pokazuje to, że wydajność WMMS zależy nie tylko od algorytmów, ale także od protokołu oceny. Zademonstrowany protokół może być wykorzystany i dostosowany do oceny systemów rozpoznawania aktywności człowieka w medycynie rehabilitacyjnej, gdzie monitorowanie mobilności może być korzystne w podejmowaniu decyzji klinicznych.

Protokół badania przeprowadzono z wykorzystaniem próby wygodnej składającej się z piętnastu zdrowych uczestników, których średnia masa ciała wynosiła 68.9 (± 11.1) kg, wzrost 173.9 (± 11.4) cm, a wiek 26 (± 9) lat; osoby te zostały zrekrutowane spośród personelu i studentów The Ottawa Hospital oraz University of Ottawa. Smartfon rejestrował dane z czujników ze zmienną częstotliwością 40-50 Hz. Wahania częstotliwości próbkowania są typowe dla czujników w smartfonach. Drugi smartfon posłużył do nagrywania cyfrowego wideo w...

Ustandaryzowana metoda oceny została opracowana dla Wearable Mobility Monitoring Systems (WMMS), która obejmuje ciągłe działania w realistycznym codziennym środowisku życia. Testowanie z serią codziennych czynności życiowych może zmniejszyć czułość rozpoznawania aktywności; w związku z tym zachęca się do stosowania realistycznych obwodów testowych w celu prawidłowej oceny wydajności WMMS.

Ocena systemu rozpoznawania aktywności człowieka opartego na smartfonach w codziennym środowisku życia

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

Ogólnym celem tej metodologii rozpoznawania aktywności jest zapewnienie zestandaryzowanej metody ewaluacji do testowania systemów monitorowania mobilności w urządzeniach ubieralnych poprzez włączenie ciągłych aktywności w realistycznym środowisku życia codziennego. Metoda ta może pomóc w udzieleniu odpowiedzi na kluczowe pytania w dziedzinach rehabilitacji fizycznej, inżynierii biomedycznej i biomechaniki, takich jak to, czy systemy czujników ubieralnych rejestrujące sposób poruszania się osoby dostarczają dokładnych i wiarygodnych wyników. Główną zaletą tej techniki jest fakt, że protokół ewaluacyjny wykorzystuje tor kontrolny odzwierciedlający rzeczywiste środowiska życia codziennego. Rozpocznij od bezpiecznego przymocowania etui na telefon do prawego przedniego biodra uczestnika.Uruchom aplikację na smartfonie do pomiaru mobilności, który służy do zbierania danych z czujników. Następnie umieść smartfon w etui tak, aby tył urządzenia był skierowany na zewnątrz. W kolejnym kroku rozpocznij cyfrowe nagrywanie wideo drugim smartfonem w celu zapewnienia anonimowości.Nagraj wideo porównawcze za pomocą drugiego smartfona, nie pokazując twarzy uczestnika. Należy jednak upewnić się, że wszystkie przejścia między aktywnościami zostały zarejestrowane podczas obiegu aktywności. Podążaj za uczestnikiem i używaj drugiego smartfona do nagrywania wszystkich jego działań.Zacznij od przekazania uczestnikowi następujących instrukcji w pozycji stojącej. Wstrząśnij smartfonem, aby zasygnalizować rozpoczęcie próby. Pozostań w pozycji stojącej przez co najmniej 10 s, a następnie podejdź do znajdującego się w pobliżu krzesła i usiądź.Wstań i przejdź 60 metrów do windy, poczekaj na jej przyjazd, a następnie wejdź do windy. Następnie odwróć się i wejdź do domowego otoczenia. Wejdź do łazienki i zasymuluj mycie zębów, czesanie włosów, mycie rąk, a następnie wycieranie rąk ręcznikiem.Następnie przejdź do kuchni, wyjmij naczynia z suszarki i połóż je na blacie. Napełnij czajnik wodą z kuchennego zlewu i postaw go na kuchence. Po tym czasie włóż chleb do tostera.Następnie przejdź do jadalni i usiądź przy stole jadalnianym. Zasymuluj spożywanie posiłku przy stole. Następnie wstań i wróć do zlewozmywaka kuchennego, aby opłukać naczynia i ustawić je na suszarce.Przejdź 50 metrów do klatki schodowej. Otwórz drzwi i wejdź na klatkę schodową. Wejdź po 13 stopniach i otwórz drzwi klatki schodowej prowadzące na korytarz.Skręć w prawo i przejdź korytarzem przez 15 metrów. Następnie poleć uczestnikowi, aby odwrócił się i przeszedł 15 metrów z powrotem do klatki schodowej. Otwórz drzwi, wejdź na klatkę schodową, zejdź po 13 schodach i wyjdź z klatki schodowej.Następnie wejdź do pokoju i połóż się na łóżku. Potem wstań i przejdź 10 metrów do rampy. Wejdź na rampę, obróć się, a następnie zejdź z rampy.Kontynuuj marsz przez korytarz i otwórz drzwi prowadzące na zewnątrz. Następnie przejdź 100 metrów utwardzoną ścieżką. Odwróć się i wróć w kierunku pomieszczenia.Następnie wejdź do pomieszczenia i stań w punkcie startowym. Pozostań w bezruchu, a następnie potrząśnij smartfonem, aby zasygnalizować koniec próby. Po zakończeniu próby zatrzymaj nagrywanie na drugim smartfonie i zdejmij z uczestnika pierwszy smartfon wraz z etui.Na koniec zatrzymaj aplikację do rejestrowania danych na pierwszym smartfonie. Skopiuj pozyskane pliki z danymi o ruchu oraz pliki wideo z obu telefonów na komputer w celu przeprowadzenia obróbki danych. Niniejszy protokół opisał metodę oceny systemów do noszenia służących do monitorowania mobilności (WMMS) podczas ciągłych aktywności w środowisku codziennego życia.Czułość i swoistość mierzono dla trzech typów klasyfikacji: ruchomości lub unieruchomienia; siedzenia, stania, leżenia lub chodzenia oraz siedzenia, stania, leżenia, chodzenia, wchodzenia po schodach lub niewielkich ruchów w pozycji stojącej. Chociaż niniejszy protokół doprowadzi do bardziej konserwatywnych wyników dla systemów WMMS niż w poprzednich raportach, wyniki przedstawione tutaj będą lepiej odzwierciedlać efekty w codziennej praktyce.Po opanowaniu technika ta może zostać wykonana w ciągu 10 do 15 minut, pod warunkiem właściwego przeprowadzenia procedury. Podczas realizacji tego procesu ważne jest, aby przekazać uczestnikowi badania jasne instrukcje oraz odnotować wszystkie przejścia między aktywnościami, aby można było je zarejestrować na podstawie nagrania wideo. Po zastosowaniu tej procedury, na danych wyjściowych z czujników można zastosować inne metody obliczeniowe w celu opracowania lepszych metod klasyfikacji aktywności po etapie ich rozwoju.Technika ta utorowuje drogę badaczom z zakresu rozpoznawania ludzkiej aktywności do eksploracji monitorowania mobilności za pomocą urządzeń ubieralnych w środowisku, które można przełożyć na warunki rzeczywiste. Po obejrzeniu tego filmu powinni Państwo posiadać dobrą wiedzę na temat konfiguracji ciągłego środowiska testowego oraz przechwytywania odpowiednich danych o ruchach człowieka w celu oceny aplikacji do monitorowania aktywności ludzkiej. Należy pamiętać, że osoby z niepełnosprawnościami mogą mieć inne możliwości w zakresie mobilności i równowagi, dlatego podczas wykonywania tej procedury należy zachować środki ostrożności, aby uniknąć upadków lub nadmiernego wysiłku.

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

Research

JoVE Journal

Behavior

Zachowanie

Ten manuskrypt opisuje metodę testowania równoczesnej ważności pomiarów kinematycznych zarejestrowanych przez aplikację na smartfony w porównaniu z systemem przechwytywania ruchu 3D w płaszczyźnie strzałkowej. Protokół ten umożliwi lekarzom skonfigurowanie smartfonów do rejestrowania ruchu człowieka.

Wideoanaliza ruchu za pomocą smartfonów (ViMAS): badanie pilotażowe

To badanie przedstawia protokół projektowania i produkcji okularowego urządzenia do noszenia, które wykrywa wzorce przyjmowania jedzenia i innych aktywności fizycznych za pomocą ogniw obciążnikowych umieszczonych w obu zawiasach okularów.

Projektowanie i ocena inteligentnych okularów do przyjmowania pokarmu i klasyfikacji aktywności fizycznej

Dyskretne czujniki i wszechobecna technologia obliczeniowa włączona do codziennego życia domowego osób starszych umożliwia rejestrowanie znaczących zmian w zdrowiu i aktywności w sposób ciągły przez miesiące lub lata, dostarczając ekologicznie ważnych, wysokiej częstotliwości, wielodomenowych danych do badań lub zastosowań klinicznych.

Metodologia tworzenia ogólnowspólnotowego laboratorium życiowego w celu pozyskiwania dyskretnych i ciągłych danych dotyczących zdalnej aktywności i zdrowia

Zaprojektowaliśmy test rzeczywistości wirtualnej do oceny instrumentalnych czynności życia codziennego (IADL) za pomocą systemu przechwytywania ruchu. Proponujemy szczegółową analizę kinematyczną w celu interpretacji różnych ruchów uczestnika, w tym trajektorii, odległości ruchu i czasu do ukończenia, aby ocenić możliwości IADL.

Pomiar kinematyki codziennych ruchów za pomocą systemów przechwytywania ruchu w rzeczywistości wirtualnej

To innowacyjne urządzenie wykorzystuje czujniki magneto-inercyjne, aby umożliwić analizę chodu i aktywności w niekontrolowanych środowiskach. Obecnie w procesie kwalifikacji jako miernik wyniku w Europejskiej Agencji Medycznej, jednym z wniosków będzie pełnienie funkcji klinicznego punktu końcowego w badaniach klinicznych w chorobach nerwowo-mięśniowych.

Domowy monitor do analizy chodu i aktywności

Protokół jest proponowany do uchwycenia naturalnej funkcji ręki osób z upośledzeniem ręki podczas ich codziennych czynności za pomocą egocentrycznej kamery. Celem protokołu jest zapewnienie, że nagrania są reprezentatywne dla typowego użycia dłoni przez daną osobę podczas codziennych czynności w domu.

Uchwycenie reprezentatywnego użycia dłoni w domu za pomocą egocentrycznego wideo u osób z upośledzeniem kończyn górnych

Obecny protokół wprowadza niekomercyjną, samodzielnie opracowaną aplikację do zbierania danych w czasie rzeczywistym na miejscu, w tym skal psychologicznych, lokalizacji GPS, tętna i poziomu nasycenia krwi tlenem, a także procedur operacyjnych aplikacji. Jako przykład zastosowania posłużyło badanie empiryczne przeprowadzone na Tajwanie w 2020 roku.

Aplikacja do parowania z urządzeniami ubieralnymi w celu monitorowania stanu zdrowia

Komercyjne smartwatche wyposażone w czujniki do noszenia są coraz częściej wykorzystywane w badaniach populacyjnych. Jednak ich użyteczność jest często ograniczona przez ograniczoną żywotność baterii, pojemność pamięci i jakość danych. Niniejszy raport zawiera przykłady opłacalnych rozwiązań rzeczywistych problemów technicznych napotkanych podczas badań z udziałem dzieci cierpiących na astmę i starszych pacjentów kardiologicznych.

Konfiguracja konsumenckich urządzeń ubieralnych do monitorowania narażenia i zdrowia w badaniach populacyjnych

Ten artykuł proponuje system oparty na sztucznej inteligencji, który automatycznie wykrywa, czy uczniowie zwracają uwagę na klasę, czy są rozproszeni. System ten ma za zadanie pomóc nauczycielom utrzymać uwagę uczniów, zoptymalizować ich lekcje i dynamicznie wprowadzać modyfikacje, aby były one bardziej angażujące.

Oparty na sztucznej inteligencji system do wykrywania poziomu uwagi u uczniów

M3-BREATHE to mobilny system zdrowia (mHealth), który integruje przenośne czujniki do monitorowania oddychania, zachowań i ekspozycji na czynniki środowiskowe w celu spersonalizowanego leczenia i oceny zdrowia w rzeczywistości.

Real-World M3-BREATHE: ku wielomodalnemu mobilnemu monitorowaniu zachowań, oddychania i ekspozycji w leczeniu i ocenie zdrowia

Poznaj metodę oceny systemów monitorowania mobilności z użyciem smartfonów w realistycznym środowisku codziennego życia. Technika ta umożliwia badaczom testowanie algorytmów rozpoznawania aktywności człowieka z wysoką dokładnością.

Ocena systemu rozpoznawania aktywności człowieka opartego na smartfonach w codziennym środowisku życia

Przeglądaj więcej filmów