Introduction
Detección Ubicua ha convertido en un área de investigación de acoplamiento debido a la cada vez más poderosa, pequeño, la computación de bajo costo y equipos de detección 1. Monitoreo Movilidad utilizando sensores vestibles ha generado un gran interés desde la microelectrónica a nivel de los consumidores son capaces de detectar características de movimiento con alta precisión 1. Reconocimiento de la actividad humana (HAR), utilizando sensores vestibles es un área reciente de investigación, con los estudios preliminares realizados en los años 1980 y 1990 2-4.
Smartphones modernos contienen los sensores necesarios y la capacidad de cálculo en tiempo real para el reconocimiento de la actividad de la movilidad. Análisis en tiempo real en el dispositivo permite la clasificación de la actividad y de la carga de datos sin intervención del usuario o investigador. Un smartphone con software de análisis de la movilidad podría proporcionar seguimiento gimnasio, vigilancia de la salud, la caída de detección, el hogar o la automatización del trabajo, y exercis autogestiónprogramas e 5. Smartphones pueden considerarse plataformas de medición inercial para detectar actividades móviles y patrones móviles en los seres humanos, el uso de características de señal matemáticos generados calculados con salidas de los sensores a bordo 6. Métodos de generación de características comunes incluyen heurística, el dominio del tiempo, dominio de la frecuencia, y los enfoques basados en análisis wavelet-7.
Sistemas HAR smartphones modernos han demostrado una precisión alta de predicción al detectar actividades especificadas 1,5,6,7. Estos estudios varían en la metodología de evaluación, así como la precisión ya que la mayoría de estudios tienen su propio conjunto de entrenamiento, la configuración del medio ambiente, y el protocolo de recogida de datos. La sensibilidad, la especificidad, la exactitud, el recuerdo, la precisión, y F es la puntuación se utilizan comúnmente para describir la calidad de predicción. Sin embargo, poco o nada de información está disponible en los métodos de reconocimiento "actividad concurrente" y la evaluación de la capacidad de detectar cambios en la actividad en tiempo real1, para los sistemas de HAR que intentan categorizar varias actividades. Métodos de evaluación de HAR precisión del sistema varían considerablemente entre los estudios. Independientemente del algoritmo de clasificación o características aplicadas, las descripciones de los métodos de evaluación estándar de oro son vagos para más investigación HAR.
El reconocimiento de actividades en un ambiente de la vida diaria no ha sido ampliamente investigado. La mayoría de los sistemas de reconocimiento de la actividad basada en teléfonos inteligentes se evalúan de una manera controlada, dando lugar a un protocolo de evaluación que puede ser ventajoso para el algoritmo en lugar de realista para un entorno del mundo real. Dentro de su esquema de evaluación, los participantes suelen realizar sólo las acciones destinadas a la predicción, en lugar de aplicar una amplia gama de actividades realistas para el participante para realizar consecutivamente, imitando los acontecimientos de la vida real.
Algunos HAR teléfono inteligente estudia 8,9 grupales actividades similares juntos, como escaleras y caminar, Pero excluir otras actividades del conjunto de datos. Precisión de la predicción se determina entonces por lo bien el algoritmo identifica las actividades de destino. Dernbach et al. 9 tenían los participantes escriben la actividad que estaban a punto de ejecutar antes de pasar, interrumpiendo transiciones continuas cambio-de-estado. Evaluaciones del sistema HAR deberían evaluar el algoritmo, mientras que el participante realiza acciones naturales en un entorno vida diaria. Esto permitiría una evaluación de la vida real que se replica el uso diario de la aplicación. Un circuito realista incluye muchos cambios del estado, así como una mezcla de acciones no predecibles por el sistema. Un investigador puede entonces evaluar la respuesta del algoritmo para estos movimientos adicionales, evaluando así la robustez del algoritmo para movimientos anómalos.
Este artículo presenta una Wearable Sistema de Control de la Movilidad (WMMS) protocolo de evaluación que utiliza un supuesto control que refleja los ambientes de la vida diaria de la vida real. WMMSevaluación puede entonces hacerse bajo condiciones controladas, pero realistas. En este protocolo, se utiliza un WMMS de tercera generación que se desarrolló en la Universidad de Ottawa y Ottawa Hospital Research Institute 11-15. El WMMS fue diseñado para los teléfonos inteligentes con un acelerómetro de tres ejes y giroscopio. El algoritmo de la movilidad representa la variabilidad de usuario, proporciona una reducción en el número de falsos positivos para la identificación de los cambios del estado, y aumenta la sensibilidad de la actividad de categorización. Reducir al mínimo los falsos positivos es importante ya que el WMMS desencadena la grabación de videoclips cortos cuando se detectan cambios en la actividad del Estado, para la evaluación de la actividad sensible al contexto que mejora aún más la clasificación WMMS. Grabación de vídeo innecesario crea ineficiencias en el almacenamiento y uso de la batería. El algoritmo WMMS está estructurado como un modelo de bajo computacional aprendizaje y evaluó utilizando diferentes niveles de predicción, donde un aumento en el nivel de predicción representa un aumento en la cantidadacciones de reconocibles.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Este protocolo fue aprobado por el Consejo de Ética de Investigación de Ottawa Red de Ciencias de la Salud.
1. Preparación
- Proporcionar a los participantes con un resumen de la investigación, responder a cualquier pregunta, y obtener el consentimiento informado. Características de los participantes de grabación (por ejemplo, edad, sexo, altura, peso, circunferencia de la cintura, la altura de la pierna desde la anterior espina ilíaca ilíaca al maléolo medial), código de identificación, y la fecha en una hoja de datos. Asegúrese de que el segundo teléfono inteligente que se utiliza para capturar vídeo se establece en al menos un 30 fotogramas por segundo velocidad de captura.
- Fije firmemente una funda de teléfono para cinturón o pantalón delante de la cintura el derecho del participante. Inicie la aplicación de teléfono inteligente que se utiliza para recoger los datos de los sensores (es decir, de registro de datos o aplicación WMMS) en el teléfono inteligente de medición movilidad y garantizar que la aplicación se ejecuta correctamente. Coloque el teléfono inteligente en la funda, con la parte posterior del dispositivo (ca traseraMera) hacia afuera.
- Iniciar grabación de vídeo digital en un segundo teléfono inteligente. Para el anonimato, grabar el video de comparación sin mostrar la cara de la persona, pero asegurarse de registrar todas las transiciones de actividad. El teléfono puede ser de mano.
2. Actividad Circuito
- Siga el participante y video de sus acciones, en el segundo teléfono inteligente, mientras realizan las siguientes acciones, pronunciadas por el investigador:
- Desde una posición de pie, agitar el teléfono inteligente para indicar el inicio del juicio.
- Continuar en reposo durante al menos 10 seg. Esta fase de pie se puede utilizar para la calibración orientación teléfono 14.
- A pie de una silla cercana y sentarse.
- Ponte de pie y caminar 60 metros a un ascensor.
- Ponte de pie y esperar a que el ascensor y luego entrar en el ascensor.
- Tome el ascensor hasta el segundo piso.
- Gire y entrar en el entorno del hogar.
- Al entrar en el cuarto de baño y simular cepillarse los dientes.
- Simular peinarse.
- Simular el lavado de manos.
- Seque las manos con una toalla.
- A pie hasta la cocina.
- Tome los platos de un estante y colocarlos en el mostrador.
- Llene una tetera con agua del fregadero de la cocina.
- Coloque la olla en el elemento de estufa.
- Coloque el pan en una tostadora.
- A pie hasta el comedor.
- Sentarse en una mesa de comedor.
- Simular una comida en la mesa.
- Ponte de pie y caminar de regreso a la pileta de la cocina.
- Enjuague los platos y colocarlos en un estante.
- A pie desde la cocina hacia el ascensor.
- Ponte de pie y esperar a que el ascensor y luego entrar en el ascensor.
- Tome el ascensor hasta el primer piso.
- Caminar 50 metros a una escalera.
- Abra la puerta y entrar en el hueco de la escalera.
- Sube por las escaleras (13 escalones, alrededor de aterrizaje, 13 pasos).
- Abra la puerta de la escalera en el pasillo.
- Gire a la derecha y caminar por el pasillo de 15 metros.
- Date la vuelta y caminar 15 metros de nuevo a la escalera.
- Abra la puerta y entrar en el hueco de la escalera.
- Caminar por escaleras (13 escalones, alrededor de aterrizaje, 13 pasos).
- Salga de la escalera y entrar en una habitación.
- Acuéstese sobre una cama.
- Levántese y camine 10 metros a una rampa.
- Sube por la rampa, girar a su alrededor, luego por la rampa (20 metros).
- Continúe caminando por el pasillo y abrir la puerta hacia el exterior.
- Caminar 100 metros de la vía pavimentada.
- Date la vuelta y caminar de regreso a la habitación.
- Al entrar en la habitación y situarse en el punto de partida.
- Continuar en pie, y luego agitar el teléfono inteligente para indicar el final de la prueba.
3. Prueba de finalización
- Detenga el teléfono inteligente de grabación de vídeo y pedir al participante para retirar y devolver el smartphone y funda. Detenga el registro de datos o aplicación WMMS en la smartphone. Copie los archivos de datos de movimiento adquiridos y el archivo de vídeo de los dos teléfonos a un ordenador para el procesamiento posterior.
4. Post-procesamiento
- Sincronizar temporización entre el vídeo y los datos del sensor en bruto mediante la determinación del momento en que el movimiento de la acción comenzó. Este movimiento de sacudida corresponde a una señal del acelerómetro y el vídeo del marco distinta. Compruebe si hay error de sincronización restando el tiempo de batido de finales de la época sacudida inicial, para fuentes de datos de los sensores y vídeo. Diferencias de tiempo deben ser similares entre los dos conjuntos de datos.
- Determinar los tiempos reales de cambio de estado del video estándar de oro registrando la diferencia de tiempo desde el momento en el movimiento de comienzo para el fotograma de vídeo en la transición entre las actividades. Utilice el software de edición de vídeo para obtener la sincronización dentro de 0.033 segundos (es decir, 30 fotogramas por segundo velocidad de vídeo). Utilice el software WMMS para generar cambios del estado comparables de los datos del sensor.
- Generar dos conjuntos de datos, unocon actividades reales y la segunda con actividades previstas, mediante el etiquetado de la actividad para cada fotograma de vídeo (basado en el cambio de estado de temporización) y luego el cálculo de la actividad pronosticada en cada tiempo de fotograma de vídeo desde la salida WMMS. Para la evaluación del desempeño WMMS, calcule verdaderos positivos, falsos negativos, verdaderos negativos, falsos positivos entre la actividad del patrón oro y WMMS actividad predijo. Utilice estos parámetros para el cálculo de medidas de resultados de sensibilidad, especificidad, y F-score.
Nota: Un valor de tolerancia de 3 ventanas de datos a cada lado de la ventana que se analiza se puede utilizar para determinar los resultados de cambio de estado, y 2 ventanas de datos para los resultados de clasificación. Por ejemplo, ya que se utilizaron 1 segundas ventanas de datos para la WMMS en este estudio, 3 seg antes y después de la ventana actual se examinaron de manera que se ignoran los cambios consecutivos dentro de esta tolerancia. La consideración fue que los cambios de estado que se producen en menos de 3 segundos se puede ignorar para huma brutoanálisis n movimiento, ya que estos estados sería considerado transitorio.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
El protocolo del estudio se realizó con una muestra de quince participantes aptos cuyo peso promedio fue 68,9 (± 11,1) kg, altura fue 173,9 (± 11,4) cm, y la edad fue de 26 (± 9) años, reclutados en el Hospital de Ottawa y la Universidad de Ottawa y personal de los estudiantes. Un smartphone capturado los datos del sensor a una tasa variable de 40 a 50 Hz. Variaciones del tipo de muestra son típicos para el muestreo del sensor smartphone. Un segundo teléfono inteligente se utiliza para grabar vídeo digital con una resolución de 1280x720 (720p).
La funda se sujeta al cinturón delantero derecho del participante o pantalón sin mayor estandarización de la ubicación. Esto demostró un método natural para colocar el dispositivo en el hostler en la cadera. Con el dispositivo que se coloca en la funda y la aplicación en ejecución registrador de datos, cada persona atraviesa el circuito una vez, a un ritmo auto-seleccionados. El circuito no se describió con antelación a las actividades de los participantes y procediendo fueradicho por el investigador secuencialmente durante el juicio.
El WMMS consistió en una toma de árbol con las condiciones de contorno superior e inferior, similar al trabajo de Wu, et al. 13. El clasificador revisada utilizó un tamaño y características ventana de 1 segundo de la señal de aceleración lineal (suma de rango, media móvil simple, suma de la desviación estándar) y la señal de la gravedad (diferencia a Y, suma varianza diferencia promedio) 15. Se calcularon tres conjuntos de clasificación para la evaluación: (i) la movilidad o inmovilidad, (ii) sentarse, pararse, acostarse o caminar, y (iii) sentarse, pararse, mentira, caminar, subir escaleras, o un pequeño movimiento de pie. Actividades de la vida diaria fueron etiquetados como pequeños movimientos. Los resultados representativos se muestran en la Tabla 1.
| Clasificación | TP | FN | Tennesse | FP | Sensibilidad (%) | Especificidad (%) | F1-Score (%) | ||||||||||||||
| Clasificación Set 1 | 350 | 55 | 8,701 | 91 | 86,30 ± 7,2 | 98,96 ± 0,6 | 86,17 ± 6,3 | ||||||||||||||
| Clasificación Grupo 2 | 359 | 47 | 8660 | 131 | 88,35 ± 7,80 | 98,51 ± 0,62 | 80,19 ± 6,36 | ||||||||||||||
| Clasificación Set 3 | 423 | 75 | 8540 | 159 | 98,17 ± 0,62 | 78,42 ± 5,96 | |||||||||||||||
| Clasificación Set 1 | |||||||||||||||||||||
| Inmóvil a Mobile | 177 | 19 | |||||||||||||||||||
| Móvil a inmóvil | 171 | 36 | |||||||||||||||||||
| Durante móvil | 3990 | 73 | |||||||||||||||||||
| Durante Inmóvil | 4711 | 18 | |||||||||||||||||||
| Clasificación Grupo 2 | |||||||||||||||||||||
| Soporte para caminar | 134 | 17 | |||||||||||||||||||
| A pie de soporte | 137 | 26 | |||||||||||||||||||
| A pie de Sit | 29 | 0 | |||||||||||||||||||
| Siéntese a Caminar | 30 | 0 | |||||||||||||||||||
| A pie de Lie | 11 | 4 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| Durante soporte | 2872 | 73 | |||||||||||||||||||
| Durante Sit | 644 | 9 | |||||||||||||||||||
| Durante Lie | 447 | 9 | |||||||||||||||||||
| Durante la caminata | 4697 | 40 | |||||||||||||||||||
| Clasificación Set 3 | |||||||||||||||||||||
| Soporte para caminar | 70 | 7 | |||||||||||||||||||
| A pie de soporte | 74 | 14 | |||||||||||||||||||
| A pie de Sit | 29 | 0 | |||||||||||||||||||
| Siéntese a Caminar | 30 | 0 | |||||||||||||||||||
| A pie de Lie | 15 | 0 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| A pie de Pequeño Move | 68 | 7 | |||||||||||||||||||
| Pequeño Move to Walk | 61 | 13 | |||||||||||||||||||
| 13 | 2 | ||||||||||||||||||||
| Escaleras para caminar | 13 | 2 | |||||||||||||||||||
| Pequeño Mover a Pequeño Move | 35 | 30 | |||||||||||||||||||
| Durante soporte | 1584 | 25 | |||||||||||||||||||
| Durante Sit | 643 | 10 | |||||||||||||||||||
| Durante Lie | 447 | 15 | |||||||||||||||||||
| Durante la caminata | 4398 | 56 | |||||||||||||||||||
| Durante Escaleras | 246 | 0 | |||||||||||||||||||
| Durante Cepillo Dientes | 190 | 12 </ td> | |||||||||||||||||||
| Durante peine del pelo | 158 | 2 | |||||||||||||||||||
| Durante Lavado de Manos | 152 | 6 | |||||||||||||||||||
| Durante secos Manos | 119 | 4 | |||||||||||||||||||
| Durante Platos Move | 93 | 5 | |||||||||||||||||||
| Durante Hervidor relleno | 190 | 5 | |||||||||||||||||||
| Durante la tostada del pan | 70 | 1 | |||||||||||||||||||
| Durante Lave los platos | 250 | 18 | |||||||||||||||||||
Tabla 1. Resultados de la determinación de cambio de estado; incluyendo, verdaderos positivos (TP), falsos negativos (FN), verdaderos negativos (TN) falsos positivos (FP), cambios del estado en total, la sensibilidad, especificidad, unnd F1-Score. Durante refiere a TN y FP para los cambios del estado durante la acción especificada.
De la Tabla 1, el móvil frente al inmóvil conjunto de clasificación tuvo una sensibilidad del 86,30% ± 7,2% y una especificidad del 98,96% ± 0,6%, mientras que el segundo conjunto de predicción tuvo una sensibilidad del 88,35% ± 7,80% y una especificidad del 98,51% ± 0,62% . Para el tercer grupo de clasificación, la sensibilidad fue del 84,92% ± 6,38% y la especificidad fue del 98,17 ± 0,62. Puntajes de F1 para el primer, segundo y tercer set de clasificación fueron 86,17 ± 6,3, 80,19 ± 6,36 y 78,42 ± 5,96, respectivamente.
Figura 1. Los cambios del estado de sensibilidad, especificidad y F1 es la puntuación de tres series de clasificación.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Reconocimiento de la actividad humana con un sistema de monitoreo de movilidad portátil ha recibido más atención en los últimos años debido a los avances técnicos en computación y smartphones ponible y necesidades sistemáticas para medidas de resultados cuantitativos que ayuden en la toma de decisiones clínicas y la evaluación intervención de salud. La metodología descrita en este trabajo fue eficaz para evaluar el desarrollo WMMS ya que se encontraron errores de clasificación de actividades que no habrían estado presentes si una amplia gama de actividades de la vida diaria y los escenarios a pie no se había incluido en la evaluación.
El protocolo de evaluación WMMS consta de dos partes principales: la adquisición de datos en condiciones realistas pero controlados con una acompañan datos estándar de oro establecidas y post-procesamiento de datos. El vídeo digital era una solución viable para proporcionar datos estándar de oro cuando se prueba WMMS predicciones algoritmo a través de las actividades de protocolo. Los pasos críticos en el protocoloson (i) garantizar que el vídeo estándar de oro captura la sacudida teléfono inteligente ya que este permite la sincronización del video estándar de oro con los datos adquiridos desde el teléfono y participante desgastado (ii) asegurar que las grabaciones de vídeo estándar de oro de todas las transiciones realizadas por el participante en el ensayo (es decir, la persona que la grabación del video estándar de oro debe estar en la posición correcta cuando se sigue el participante en el ensayo).
El protocolo de evaluación incorpora actividades de senderismo, un ambiente de la vida diaria, y varios terrenos y transiciones. Todas las acciones se realizan de forma consecutiva, mientras que un smartphone participante desgastado registra continuamente datos de acelerómetro, giroscopio, magnetómetro y sensores GPS, y un segundo teléfono inteligente se utiliza para vídeo todas las actividades realizadas por el participante en el ensayo. El protocolo puede ser modificado por la adaptación de la orden de las actividades en base a la ubicación de la prueba, siempre y cuando una serie de actividades continuas realizado de ar la vida diariae incorporado. Diez a quince minutos se requiere para completar el circuito, dependiendo del participante. Durante las pruebas piloto, algunos participantes con discapacidad sólo podían completar un ciclo, por lo tanto, las pruebas de ensayo solo se debe considerar con algunas poblaciones para asegurar un conjunto de datos completo.
Limitaciones del método de evaluación WMMS propuesta son que el tiempo de resolución se limita a la velocidad de fotogramas de vídeo de la cámara utilizada para grabar el video de comparación del patrón oro y la dificultad para identificar distintas tiempo de cambio de estado del vídeo para las actividades de la vida diaria. Variación por varios marcos de la hora de identificar un estado de cambio de conduce a diferencias entre los resultados de oro-estándar y WMMS que podría ser debido a la interpretación de la actividad de inicio en lugar de error WMMS. Una tolerancia en cada cambio del estado, donde no se hacen comparaciones, se pueden implementar para ayudar a explicar estas discrepancias.
Generalmente, aumentando el númerode las actividades que se clasifican y la dificultad de clasificación (es decir, escaleras, pequeños movimientos) reducen la sensibilidad, la especificidad y puntuación media F1. Esto puede anticiparse ya que al aumentar el número de actividades aumenta la probabilidad de falsos positivos y falsos negativos. Protocolos de evaluación que sólo utilizan las actividades que son ventajosas para el algoritmo producirá resultados que son engañosas y no es probable que producir resultados similares cuando se evaluó en condiciones del mundo real. De ahí, la importancia con respecto a los métodos existentes es que el protocolo se traducirá en más resultados conservadores para sistemas WMMS que los informes anteriores en la literatura. Sin embargo, los resultados reflejan mejor los resultados en la práctica. El método propuesto de evaluaciones WMMS se puede utilizar para evaluar una serie de tecnologías portátiles que miden o ayudan movimiento humano.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
Los autores reconocen Evan Beisheim, Nicole Capela, Andrew Herbert-Copley para la asistencia técnica y la recogida de datos. La financiación del proyecto se recibió de Ciencias Naturales e Ingeniería de Investigación de Canadá (NSERC) y BlackBerry Ltd., incluyendo teléfonos inteligentes utilizados en el estudio.
Materials
| Name | Company | Catalog Number | Comments |
| Smartphone or wearable measurement device | Blackberry | Z10 | |
| Smartphone for video recording | Blackberry | Z10 or 9800 | |
| Phone holster | Any | ||
| Data logger application for the smartphone | BlackBerry World - TOHRC Data Logger for BlackBerry 10 | http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA | |
| Wearable mobility measurement | Custom Blackberry 10 and Matlab software for mobility monitoring | http://www.irrd.ca/cag/smartphone/ | |
| Video editing or analysis software | Motion Analysis Tools | http://www.irrd.ca/cag/mat/ |
References
- Lara, O. D., Labrador, M. A. A Survey on Human Activity Recognition using Wearable Sensors. IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).
- Foerster, F., Smeja, M., Fahrenberg, J. Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring. Computers in Human Behavior. 15 (5), 571-583 (1999).
- Elsmore, T. F., Naitoh, P. Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations. , DTIC Online. (1993).
- Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. Measuring sleep by wrist actigraph. , DTIC Online. (1981).
- 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).
- Incel, O. D., Kose, M., Ersoy, C. A Review and Taxonomy of Activity Recognition on Mobile Phones. BioNanoScience. 3 (2), 145-171 (2013).
- Yang, C. C., Hsu, Y. L. A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring. Sensors. 10 (8), 7772-7788 (2010).
- He, Y., Li, Y. Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone. International Journal of Distributed Sensor Networks. 2013, (2013).
- Vo, Q. V., Hoang, M. T., Choi, D. Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm. International Journal of Distributed Sensor Networks. 2013, (2013).
- 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).
- 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).
- 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).
- Wu, H., Lemaire, E. D., Baddour, N. Activity Change-of-state Identification Using a Blackberry Smartphone. Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).
- 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).
- Tundo, M. D. Development of a human activity recognition system using inertial measurement unit sensors on a smartphone. , Available from: http://www.ruor.uottawa.ca/handle/10393/30963 (2014).
