Name: Trajetória Análise de Dados para Estudo de Atividade pedonal espaço-tempo (Vídeo) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Aprenda métodos de análise espacial-temporal para modelar atividades pedonais usando dados de GPS. Este protocolo computacional permite visualizar padrões de movimento humano e caracterizar espaços de atividade individual para planejamento urbano.

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

Este trabalho é financiado pelo NIH concessão 1R03AI090465.

1. Obtendo dados <ol><li> Trajetória de dados podem ser coletados com o GPS de navegação com GPS, aplicações de rastreamento de telefones inteligentes, bem como o A-GPS (GPS assistido) dispositivos como a empregada em nosso estudo, um dispositivo rastreador comercial criança. </li><li> Dados da trajetória geralmente é salvo em termos de tempo de latitude e longitude registros. Um intervalo de tempo desejado deve ser definido com base nas necessidades de aplicação. Muitas vezes, o intervalo mais freqüente é desejado para estudos do espaço-tempo de atividade. </li><li> Converter os dados em valores separados por vírgula, ou. Csv com colunas separadas para ID de registro, latitude, longitude e tempo, respectivamente. Em seguida, converter os arquivos. CSV em comumente usados ​​Sistemas de Informação Geográfica (SIG) de formato de arquivo (ou seja, ESRI shapefile 8). </li><li> Carregar em um shapefile de polígonos de construção e outro do limite da área de estudo com o analisador de trajetória. Defina o &quot;extrusão&quot; dos edifícios adequadamente para um di 3Dsplay e definir a &quot;extrusão&quot; e &quot;transparência&quot; da camada limite corretamente para exibir um cubo espaço-tempo-6, 9, com x, y dimensões representando o espaço ea dimensão z representa o tempo. </li></ol> 2. Pré-processamento <ol><li> Duas opções estão disponíveis para pré-processamento dos dados ruidosos trajetória primas. Pode-se escolher entre a lista suspensa do menu de pré-processamento. </li><li> Se &quot;Interativo&quot; é escolhido, uma projeção 2D da trajetória 3D é criado para facilitar a visualização e seleção. Manipular a exibição em 3D para analisar a trajetória prima no espaço e no tempo. Identificação de erros nos dados com base na forma, velocidade e / ou da topologia dos segmentos de calha. Normalmente pontos de trilha (vértices) com alta velocidade irrealistas ou mudança de direção abrupta significar erros. Selecione e removê-los das trajetórias originais. Selecione e removê-los a partir de qualquer trajetória do 3D ou sua projeção 2D. </li><li> Um conjunto de pontos de trilha com espetado shapes (Figura 1) espacialmente e uma longa duração temporalmente significar erros que são mais possivelmente causadas por locais fechados onde o sinal de GPS é fraco. Se um grupo desses pontos é selecionada, o programa pode calcular o centróide espaço-temporal dos pontos selecionados e ajustar a faixa de passar pelo centróide. </li><li> Alternativamente, se &quot;Automático&quot; é escolhido a partir do menu de pré-processamento, defina a entrada e locais de saída, bem como parâmetros empíricos que determinam a velocidade anormal elevada e viragem brusca de pontos. O programa pesquisa entre os dados da trajetória carregados e executa automaticamente com base em um algoritmo que imita a abordagem detecção visual de erros. </li></ol> 3. Segmentação de trajetória e Caracterização Espaço Ativo <ol><li> Segmentação trajetória requer a camada de construção, para garantir que o arquivo forma edifício é carregado. </li><li> Clique na ferramenta de segmentação na barra de ferramentas para iniciar a função.Ajuste a entrada e saída de e localizado o ficheiro de forma de construção como a camada de referência. Use os nomes de construção para rotular a trajetória segmentada. O algoritmo identifica segmentos interiores baseado em conjunto ou por defeito critérios tais como velocidade, duração, etc, de pontos de trilha, bem como a topologia espacial com relação aos edifícios. </li><li> Clique na atividade ferramenta de sumarização espaço para carregar em trajetórias segmentados e calcular atributos sumárias selecionados para caracterizar um espaço de actividade, tais como raio total da atividade, raio em um determinado período de tempo, a relação do tempo total gasto dentro de casa contra ao ar livre, e assim por diante. </li><li> Os atributos podem ser exportados para uma planilha para utilização de modelagem quantitativa. </li></ol> 4. Mapeamento de Superfície densidade <ol><li> Superfície de densidade mostra a densidade de atividades no espaço com a dimensão temporal desabou. Três opções estão disponíveis a partir da lista drop-down do menu de mapeamento de densidade de superfície. </li><li> Se a opção &#39;densidade de pontos da trilha&#39; é selecionado, preencha a caixa de diálogo com informações de entrada e saída e optar por exibir ou em 3D ou 2D. Todos os vértices a partir dos dados de trajectória são utilizadas para calcular as densidades de kernel dos pontos. Figura 2 mostra uma superfície de densidade. </li><li> Se &quot;densidade caminho Track &#39;é selecionado, o algoritmo calcula e exibe densidade de caminhos individuais viajou (Figura 3). </li><li> Se a opção &#39;densidade Re-amostrados ponto&#39; é selecionado, o algoritmo de re-amostragem dos dados da trajetória usando um intervalo de tempo definido e mapas a densidade de pontos distribuídos uniformemente no tempo. Esta opção é projetado para dispositivos de rastreamento que coletam pontos de rastreamento em intervalos de tempo irregulares devido à variação de sensibilidade dos dispositivos sob várias condições físicas ou trajetórias segmentados. Figura 4 mostra as superfícies de densidade 2D e 3D de trajetórias segmentados. </li><li> Se &#39;Temporal foco&#39; é selecionado para umny das opções acima, temporal 10 de focagem pode ser realizado para examinar os padrões de atividade em períodos de tempo diferentes. Por exemplo, superfícies de densidade de atividade em horários diferentes em um dia pode ser visualizado para facilitar a identificação de pontos quentes ao longo do tempo (Figura 5). </li></ol> 5. Estimativa de volume e densidade Volume Rendering <ol><li> Visualização volumétrica densidade usa a noção de um cubo de espaço-tempo como na visualização de trajetórias. O núcleo de visualização tal é a desagregação do espaço em voxels 11. Nossa abordagem para visualizar o volume primeira densidade estima volume de densidade em voxels individuais através da contagem do número de faixas de espaço-tempo que se cruzam com os voxels. Pode-se clicar em &quot;cálculo de volume Densidade&quot; no menu de visualização densidade de volume para essa etapa. </li><li> As mesmas três opções estão disponíveis para visualização volumétrica densidade como para a visualização da superfície densidade. </li><li> &#39;Volume rendering&#39; clique em Avançar para iniciar a interface de visualização 3D de volume para renderização interativa de volume 12. Ao definir o número de divisões ao longo de cada eixo, pode-se analisar os clusters em diferentes escalas. A z-fator é usado para definir o exagero vertical para melhor visualização. A camada de referência, tais como os edifícios podem ser carregados para ajudar a visualização, bem. Os resultados do processamento de volume pode ser ajustado por meio da manipulação interactivamente a função de transferência, que controla o mapeamento de densidade de cor. (Figura 6). </li></ol> 6. Outros exploratórios Análise de Dados (EDA) e Visualizações <ol><li> Um procedimento está disponível para criar série de animação a ser exibido no Google Earth. Em &quot;outros&quot;, clique em &quot;Exportar para o KML para a EDA&quot; para aceder a este procedimento. Ele cria um arquivo de 13 kml que se abre no Google Earth para animação interativa da trajetória. </li><li> Pode-se seguir a trajetória de travel o ambiente em tempo de deslocamento ao longo da linha do tempo no Google Earth. </li><li> Um procedimento está disponível para visualizar as conexões entre os locais de interesse através de &quot;análise de ligação&quot;. Por exemplo, conexões entre diferentes edifícios em um campus universitário são derivados de dados da trajetória segmentados que foram coletados pelos alunos (Figura 7). </li><li> Com base nas ligações derivadas, tais como hotspots esses edifícios com o maior tráfego de saída ou de entrada e hubs que ligam os lugares mais traficadas podem ser identificados. </li></ol>

<ol><li>Stoddard, S. T., Morrison, A. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+human+movement+in+the+transmission+of+vector-borne+pathogens%5BTitle%5D)+AND+%22PLoS+Negl.+Trop.+Dis%22%5BJournal%5D)">The role of human movement in the transmission of vector-borne pathogens.</a> PLoS Negl. Trop. Dis. 3 (7), e10(2009).</li>
<li>Morens, D. M., Folkers, G. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+challenge+of+emerging+and+re-emerging+infectious+diseases%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">The challenge of emerging and re-emerging infectious diseases.</a> Nature. 430, 242-249 (2004).</li>
<li>Viboud, C., Bjornstad, O. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synchrony%2C+waves%2C+and+spatial+hierarchies+in+the+spread+of+influenza%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Synchrony, waves, and spatial hierarchies in the spread of influenza.</a> Science. 312, 447-451 (2006).</li>
<li>Shoval, N., Isaacson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Application+of+tracking+technologies+to+the+study+of+pedestrian+spatial+behaviour%5BTitle%5D)+AND+%22The+Professional+Geographer%22%5BJournal%5D)">The Application of tracking technologies to the study of pedestrian spatial behaviour.</a> The Professional Geographer. 58 (2), 172-183 (2006).</li>
<li>Yu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+GIS+design+for+exploring+interactions+of+human+activities%5BTitle%5D)+AND+%22Cartography+and+Geographic+Information+Science%22%5BJournal%5D)">Spatio-temporal GIS design for exploring interactions of human activities.</a> Cartography and Geographic Information Science. 33 (1), 3-19 (2006).</li>
<li>Kwan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interactive+geovisualization+of+activity-travel+patterns+using+three-dimensional+geographical+information+systems%3A+a+methodological+exploration+with+a+large+data+set%5BTitle%5D)+AND+%22Transportation+Research+Part+C%22%5BJournal%5D)">Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set.</a> Transportation Research Part C. 8, 185-203 (2000).</li>
<li>Demšar, U., Virrantaus, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Space-time+density+of+trajectories%3A+exploring+spatio-temporal+patterns+in+movement+data%5BTitle%5D)+AND+%22International+Journal+of+Geographical+Information+Science%22%5BJournal%5D)">Space-time density of trajectories: exploring spatio-temporal patterns in movement data.</a> International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).</li>
<li>ESRI Shapefile Technical Description [Internet]. , Environmental Systems Research Institute, Inc. Available from:
		
	 <a target="_blank" href="http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf">http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf</a> (1998).</li>
<li>Kraak, M., Koussoulakous, A. A visualization environment for the space-time cube. Fisher, P. Proceedings of 11th International Conference on Developments in Spatial Data Handling, Berlin, , Springer. 189-200 (2004).</li>
<li>Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. MacEachren, A. M., Polsky, C., et al. Proceedings of 18th International Cartographic Conference, , 880-887 (1997).</li>
<li>Levory, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Display+of+surfaces+from+volume+data%5BTitle%5D)+AND+%22IEEE+Computer+Graphics+and+Application%22%5BJournal%5D)">Display of surfaces from volume data.</a> IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).</li>
<li>Drebin, R. A., Carpenter, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volume+Rendering%5BTitle%5D)+AND+%22Computer+Graphics%22%5BJournal%5D)">Volume Rendering.</a> Computer Graphics. , (1998).</li>
<li>KML | OGC(R) [Internet]. , Open Geospatial Consortium, Inc. Available from:
		
	 <a target="_blank" href="http://www.opengeospatial.org/standards/kml/">http://www.opengeospatial.org/standards/kml/</a> (2012).</li>
<li>Lee, W., Krumm, J. Trajectory preprocessing. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLee%2C+W+%22Computing+with+Spatial+Trajectories%22">Computing with Spatial Trajectories</a>. Zheng, Y., Zhou, X. , Springer, Bucher. 3-34 (2011).</li>
<li>Han, B., Comaniciu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sequential+kernel+density+approximation+and+its+application+to+real-time+visual+tracking%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Sequential kernel density approximation and its application to real-time visual tracking.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).</li>
</ol>

Não há conflitos de interesse declarados.

Utilizou-add-in mecanismo de ArcGIS para desenvolver a interface. Todas as operações interactivas foram implementados usando C + +. Todo o processamento automático e funções de análise foram desenvolvidos utilizando Python. AGPS dados ou dados GPS coletados por pedestres apresenta desafio único no pré-processamento como os erros podem ser maciça devido a adjacência para edifícios e freqüentes paradas de interiores. Além disso, o foco de pré-processamento de dados não deve ser de redução como...

<table border="1"><tbody><tr><td> Nome do reagente </td><td> Companhia </td><td> Número de catálogo </td><td> Comentários (opcional) </td></tr><tr><td> WorldTracker GPRS </td><td> Rastreamento O Mundo </td><td></td><td></td></tr><tr><td> Um computador pessoal para executar a análise </td><td></td><td></td><td></td></tr><tr><td> ArcGIS </td><td> ESRI </td><td></td><td></td></tr><tr><td> Extensão Analyzer trajetória </td><td></td><td></td><td></td></tr></tbody></table>

trajetória análise de dados para estudo de atividade pedonal espaço-tempo

Trajectory Data Analyses for Pedestrian Space-time Activity Study

É bem reconhecido que o movimento humano nas dimensões espaciais e temporais tem influência directa sobre a transmissão da doença 1-3. Uma doença infecciosa normalmente se espalha através do contato entre indivíduos infectados e suscetíveis em seus espaços de atividades sobrepostas. Portanto, a informação da mobilidade actividade diária pode ser usado como um indicador para medir a exposição a factores de risco de infecção. No entanto, uma grande dificuldade e, portanto, a razão para a falta de estudos de transmissão de doenças infecciosas em escala micro surgem da falta de dados detalhados de mobilidade individual. Anteriormente, no transporte e pesquisa de turismo dados detalhados de espaço-tempo de atividade, muitas vezes dependiam da técnica de diário de tempo-espaço, o que requer que os sujeitos ativamente registrar suas atividades no tempo e no espaço. Isso é altamente exigente para os participantes e colaboração dos participantes afeta muito a qualidade dos dados 4. Modernotecnologias como GPS e comunicações móveis, tornaram possível a recolha automática de dados da trajetória. Os dados coletados, no entanto, não é o ideal para a modelagem de humanos no espaço-tempo atividades, limitada pelas precisões de dispositivos existentes. Também não existe qualquer ferramenta prontamente disponível para o processamento eficiente dos dados para o estudo do comportamento humano. Apresentamos aqui um conjunto de métodos e uma interface de desktop integrado ArcGIS visual baseada nas análises de pré-processamento e espaço-temporal de dados da trajetória. Nós fornecemos exemplos de como esse tratamento pode ser usado para modelar humanos espaço-tempo atividades, especialmente com erro ricos em dados da trajetória de pedestres, que poderiam ser úteis em estudos de saúde pública, como a modelagem de doenças infecciosas de transmissão. O procedimento apresentado inclui pré-processamento de segmentação trajetória, caracterização espaço de actividade, da densidade e visualização, e alguns outros métodos de análise exploratória. Pré-processing é a limpeza de dados ruidosos trajectória primas. Apresentamos uma interativo interface pré-processamento visual, bem como um módulo automático. Segmentação trajetória 5 envolve a identificação das partes interna e externa do pré-processados ​​de espaço-tempo faixas. Mais uma vez, a segmentação interativa visual e segmentação automática são suportadas. Segmentados espaço-tempo trilhas são então analisados ​​para obter características de um espaço de actividade, como a atividade de estimativa de densidade raio etc e visualização são usados ​​para examinar grande quantidade de dados de trajetória para modelar pontos quentes e interações. Nós demonstrar tanto o mapeamento da superfície densidade 6 e renderização densidade volume 7. Nós também incluímos um par de outras análises de dados exploratórios (EDA) e visualizações ferramentas, como suporte ao Google Earth e animação análise de conexão. O conjunto de analítica, bem como métodos visuais apresentados neste artigo podem ser aplicadas a todos os dados de trajetória para sritmo tempo de estudos de atividade.

Trajetória dados foram coletados por voluntários estudantes de graduação da Kean University (NJ, EUA), na primavera de 2010. O objetivo foi estudar os padrões de atividade dos alunos que capturados influenza (diagnosticada por médico ou auto-diagnosticada) em comparação com aqueles que não o fizeram. A fim de ilustrar os métodos e procedimentos apresentados neste trabalho que levou as trajetórias recolhidas na zona campus suburbano para gerar resultados representativos. Trajetórias dentro da área do campus são principal...

Um conjunto de métodos de processamento espaço-temporais são apresentados para analisar os dados trajetória humana, como a coletados através de um dispositivo GPS, com a finalidade de modelagem de pedestres espaço-tempo atividades.

Trajetória Análise de Dados para Estudo de Atividade pedonal espaço-tempo

It is well recognized that human movement in the  spatial and temporal dimensions has direct influence on disease transmission1-3.  An infectious disease ...

O objetivo geral deste procedimento é modelar as atividades espaciotemporais de pedestres por meio da análise espaciotemporal e da visualização de dados de trajetória humana. Isso é realizado primeiramente coletando dados detalhados do sistema global de posicionamento, ou GPS, e carregando os dados no analisador de trajetórias. O segundo passo é pré-processar e segmentar os dados de trajetória.Em seguida, caracterizam-se os espaços de atividade dos indivíduos. O passo final consiste em examinar os padrões espaço-temporais por meio de densidade, mapeamento superficial, densidade, renderização volumétrica ou ambos. Em última análise, outros métodos de análise exploratória de dados e visualizações são utilizados para revelar padrões ocultos adicionais nos dados.A principal vantagem deste método em relação a técnicas existentes, como a extensão FGIS desenvolvida pela SHNU para analisar trajetórias espaço-temporais, é que não apenas oferecemos uma interface para visualização interativa com trajetórias, mas também focamos no método de processamento que limpa os dados de trajetória de rotas, os segmenta, extrai propriedades a partir dos dados TR e realiza análise exploratória para descobr

trajectory-data-analyses-for-pedestrian-space-time-activity-study

Research

JoVE Journal

Biology

Biologia

Este protocolo é usado para avaliar variáveis espaciais e temporais da marcha de pacientes neurológicos/ortopédicos e idosos por meio de um sistema de fotocélulas baseado no piso recentemente introduzido.

Avaliação Clínica de espaço-temporal parâmetros da marcha em pacientes mais velhas e adultos

Um protocolo é apresentada para a caracterização do comportamento de pedestres no campo e a simulação da resposta estrutural resultante. Testes de campo demonstram que o in situ identificados frequência de estimulação e taxa de sincronização entre os participantes constituem um contributo essencial para a simulação e verificação das cargas induzidas pelo homem.

Simulação de vibrações induzidas por humanos com base no comportamento do pedestre no campo Caracterizada

O objetivo era comprovar a utilização óptima das técnicas de coleta de dados para a marcha caminhada nórdica e análise de postura. Captura de movimento tridimensional deve ser usado durante a análise de curta duração (isto é único ciclo da marcha), enquanto acelerometria deve ser empregado para análise de duração mais longa (ou seja repetidos ciclos) como um teste de caminhada de 6 minutos.

Fundamentar Técnicas Movimento de captura adequados à avaliação da marcha Nordic Walking e postura em adultos mais velhos

Aqui, apresentamos um novo protocolo para medir a estabilidade posicional em eventos-chave durante o sentar-para-levantar-para-andar usando o centro de pressão para a distância do centro de massa de todo o corpo. Isso foi derivado da plataforma de força e da tecnologia de captura de movimento tridimensional. O paradigma é confiável e pode ser utilizado para a avaliação de indivíduos neurologicamente comprometidos.

Sit-to-stand-e-pé do 120% joelho Altura: uma nova abordagem para avaliar Dinâmica Postural Independente de Controlo de Chumbo-limb

Este manuscrito descreve o método para testar a validade concorrente de medidas cinemáticas registradas pelo aplicativo de smartphone em comparação com um sistema de captura de movimento 3D no plano sagital. Este protocolo permitirá que os médicos configurem smartphones para captura de vídeo do movimento humano.

Vídeo Análise do Movimento Usando Smartphones (VIMAS): Um estudo piloto

Neste estudo, um método de análise clínico-amigável tridimensional da marcha, que foi concebido para ser realizado na clínica de reabilitação, é apresentado. O método consiste em um método de medição simplificada e intuitivas figuras para facilitar o entendimento dos clínicos dos resultados.

Método de análise orientada a clínica tridimensional da marcha para avaliar o distúrbio da marcha

Este protocolo descreve o uso de um simulador de caminhada que serve como um método seguro e ecologicamente válido para estudar o comportamento dos pedestres na presença de tráfego em movimento.

Usando um simulador de caminhada de realidade virtual para investigar o comportamento de pedestres

Este trabalho descreve o material e o método desenvolvidos para investigar a organização postural do início da marcha. O método é baseado em registros de plataforma de força e no princípio direto da mecânica para calcular a cinemática do centro de gravidade e do centro de pressão.

Organização Postural da Iniciação da Marcha para Análise Biomecânica Utilizando Registros da Plataforma de Força

Apresentamos um fluxo de trabalho de baixo custo e sem marcadores usando o DeepLabCut para quantificar a marcha espontânea e a locomoção em camundongos em movimento livre. Esse protocolo integra aquisição de vídeo por câmera única, rastreamento sem marcadores de marcos anatômicos e extração de parâmetros locomotores espaço-temporais, fornecendo uma estrutura não invasiva e acessível para análise do comportamento motor, sem equipamentos especializados.

Um fluxo de trabalho de baixo custo e sem marcadores baseado em DeepLabCut para análise espontânea de marcha e locomoção em camundongos em movimento livre

Teste de sensibilidade visual em lagartos usando um paradigma de condicionamento operante, que emprega a reprodução de vídeo de random-dot kinematograms e computer-generated invertebrados.

Teste de sensibilidade visual para a velocidade e direção do movimento em Lagartos

Aprenda métodos de análise espacial-temporal para modelar atividades pedonais usando dados de GPS. Este protocolo computacional permite visualizar padrões de movimento humano e caracterizar espaços de atividade individual para planejamento urbano.

Trajetória Análise de Dados para Estudo de Atividade pedonal espaço-tempo

Explorar mais vídeos