Introduction
Alomtegenwoordige sensing is uitgegroeid tot een boeiende onderzoek gebied als gevolg van steeds krachtiger, kleine, lage kosten computing en sensing apparatuur 1. Mobiliteit monitoren met behulp van draagbare sensoren heeft geleid tot een grote belangstelling, omdat de consument-niveau micro-elektronica zijn voor het opsporen van de beweging kenmerken met een hoge nauwkeurigheid 1. Menselijke activiteit erkenning (HAR) met behulp van draagbare sensoren is een recent gebied van onderzoek, met de voorlopige studies uitgevoerd in de jaren 1980 en 1990 2-4.
Moderne smartphones bevatten de nodige sensoren en real-time berekening capaciteit voor mobiliteitsactiviteit herkenning. Real-time analyse van het apparaat maakt activiteit indeling en uploaden van gegevens zonder dat gebruikers of onderzoeker interventie. Een smartphone met mobiliteit analyse software kon fitness tracking, monitoring van gezondheid bieden, valdetectie, thuis of op het werk automatisering en self-managing exercise s 5. Smartphones kunnen worden beschouwd traagheidsmeetapparaat platforms voor het opsporen van de mobiele activiteiten en mobiele patronen in mensen, met behulp van gegenereerde wiskundige signaal functies berekend met ingebouwde sensor uitgangen 6. Gemeen generatie heuristische werkwijzen omvatten, tijdsdomein, frequentiedomein en wavelet-analyse gebaseerde benaderingen 7.
Moderne smartphone HAR-systemen hebben aangetoond hoge voorspelling nauwkeurigheid bij het detecteren van bepaalde activiteiten 1,5,6,7. Deze studies variëren in evaluatiemethoden evenals nauwkeurigheid omdat de meeste studies hebben hun eigen training set, milieu setup, en het verzamelen van gegevens protocol. Gevoeligheid, specificiteit, nauwkeurigheid, recall, precisie, en F-Score worden vaak gebruikt om de voorspelling kwaliteit te beschrijven. Echter, weinig tot geen informatie beschikbaar over de methoden voor "gelijktijdige activiteit" erkenning en evaluatie van het vermogen om activiteit veranderingen in real-time detectie1, voor HAR systemen die proberen meerdere activiteiten categoriseren. Evaluatiemethoden voor de juistheid HAR systeem aanzienlijk verschillen tussen de studies. Ongeacht de classificatie algoritme of toegepaste kenmerken, beschrijvingen van de gouden standaard evaluatiemethoden zijn vaag voor de meeste HAR onderzoek.
Activiteit erkenning in een dagelijkse leefomgeving is niet uitgebreid onderzocht. De meeste smartphone gebaseerde activiteitssystemen herkenning worden geëvalueerd op een gecontroleerde wijze, waardoor een evaluatie protocol dat voordelig kan zijn om het algoritme in plaats realistisch een echte omgeving. Binnen hun evaluatie regeling, de deelnemers presteren vaak alleen de beoogde voor het voorspellen acties, in plaats van het toepassen van een groot scala aan realistische activiteiten voor de deelnemer na elkaar uit te voeren, het nabootsen van real-life events.
Sommige smartphone HAR bestudeert 8,9 groep soortgelijke activiteiten samen, zoals trappen en wandelen, Maar exclusief andere activiteiten van de dataset. Voorspellingsnauwkeurigheid wordt dan bepaald door hoe goed het algoritme die het doelwit activiteiten. Dernbach et al. 9 hadden de deelnemers de activiteit die zij op het punt stonden uit te voeren voordat u, het onderbreken van voortdurende verandering-van-toestandsovergangen schrijven. HAR systeem evaluaties moet het algoritme te beoordelen, terwijl de deelnemer voert natuurlijke acties in een dagelijkse woon-instelling. Dit zou een real-life evaluatie die het dagelijks gebruik van de applicatie repliceert toestaan. Een realistische schakeling bevat vele veranderingen-van-state en een combinatie van maatregelen niet voorspelbaar door het systeem. Een onderzoeker kan dan beoordelen reactie van het algoritme deze extra bewegingen, waardoor de robuustheid van het algoritme evalueren om abnormale bewegingen.
Dit document presenteert een Wearable Mobility Monitoring System (WMMS) evaluatie protocol dat een gecontroleerde cursus die real-life dagelijkse leefomgeving weerspiegelt gebruikt. WMMSevaluatie kan vervolgens worden gemaakt onder gecontroleerde maar realistische omstandigheden. In dit protocol gebruiken we een derde generatie WMMS die werd ontwikkeld aan de Universiteit van Ottawa en Ottawa Hospital Research Institute 11-15. De WMMS is ontworpen voor smartphones met een tri-axis accelerometer en gyroscoop. De mobiliteit algoritme vertegenwoordigt gebruiker variabiliteit geeft een vermindering van het aantal valse positieven wijzigingen state-of-identificatie en verhoogt de gevoeligheid van de activiteit categorisatie. Minimaliseren van valse positieven is belangrijk omdat de WMMS triggers korte video clip opname wanneer activiteit veranderingen van de staat worden gedetecteerd, voor context-gevoelige activiteit evaluatie die verder verbetert WMMS classificatie. Onnodige video-opname creëert inefficiënties in de opslag en het gebruik van de batterij. De WMMS algoritme is gestructureerd als een laag-zelflerende model en geëvalueerd met verschillende niveaus voorspelling, waarbij een verhoogde voorspelling level betekent een toename van de hoeveelheidherkenbare acties.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Dit protocol werd goedgekeurd door de Ottawa Health Science Network Research Ethics Board.
1. Voorbereiding
- Bieden de deelnemers met een overzicht van het onderzoek, eventuele vragen te beantwoorden, en geïnformeerde toestemming te verkrijgen. Record deelnemer kenmerken (zoals leeftijd, geslacht, lengte, gewicht, taille omtrek, been hoogte van de spina iliaca anterior superior aan de mediale malleolus), identificatiecode, en datum op een fiche. Zorg ervoor dat de tweede smartphone die wordt gebruikt om de video-opname wordt ingesteld op ten minste 30 frames per seconde vast te leggen tarief.
- Stevig te bevestigen een telefoon holster naar rechtsvoor riem of broek taille van de deelnemer. Start de smartphone applicatie die wordt gebruikt om de sensordata (dwz data logging of WMMS applicatie) op de mobiliteit meting smartphone verzamelen en te waarborgen dat de toepassing adequaat wordt uitgevoerd. Plaats de smartphone in de houder, met de achterkant van het toestel (achterzijde camera) naar buiten gericht.
- Start digitale video-opname op een tweede smartphone. Anonimiteit, nemen de vergelijking video zonder dat het gezicht van de persoon, maar ervoor te zorgen dat alle activiteiten overgangen opnemen. De telefoon kan handheld zijn.
2. Activiteit Circuit
- Volg de deelnemer en video hun acties, op de tweede smartphone, terwijl ze de volgende acties, door de onderzoeker gesproken uitvoeren:
- Vanuit een staande positie, schud de smartphone aan het begin van het proces aan te geven.
- Verder staan gedurende ten minste 10 sec. Deze permanente fase kan worden gebruikt voor telefoongesprekken oriëntatie kalibratie 14.
- Lopen naar een nabijgelegen stoel en ga zitten.
- Sta op en loop 60 meter naar een lift.
- Staan en wachten voor de lift en loop dan naar de lift.
- Neem de lift naar de tweede verdieping.
- Draaien en lopen in de thuisomgeving.
- Lopen in de badkamer en siMulate tanden poetsen.
- Simuleren haar kammen.
- Simuleren handen wassen.
- Droge handen met een handdoek.
- Loop naar de keuken.
- Neem gerechten uit een rek en plaats ze op de toonbank.
- Vul een ketel met water uit de gootsteen.
- Plaats de ketel op de kachel element.
- Plaats brood in een broodrooster.
- Loop naar de eetzaal.
- Zitten aan een eettafel.
- Simuleren van het eten van een maaltijd aan tafel.
- Staan en lopen terug naar het aanrecht.
- Spoel de gerechten en plaats ze in een rek.
- Loop vanaf de keuken terug naar de lift.
- Staan en wachten voor de lift en loop dan naar de lift.
- Neem de lift naar de eerste verdieping.
- Loop 50 meter tot een trappenhuis.
- Open de deur en ga het trappenhuis.
- Lopen trappen (13 stappen, rond de landing, 13 stappen).
- Open het trappenhuis deur naar de hal.
- Sla rechtsaf en loop de zaal voor 15 meter.
- Draai je om en loop 15 meter terug naar het trappenhuis.
- Open de deur en ga het trappenhuis.
- Loop trap (13 stappen, rond de landing, 13 stappen).
- Verlaat het trappenhuis en lopen in een kamer.
- Liggen op een bed.
- Opstaan en lopen 10 meter naar een helling.
- Loop de helling, draai je om, dan naar beneden de helling (20 meter).
- Blijven lopen in de hal en open de deur naar buiten.
- Loop 100 meter op de verharde weg.
- Draai je om en loop terug naar de kamer.
- Lopen in de kamer en staan bij het beginpunt.
- Blijven staan, en dan schud de smartphone aan het einde van het proces aan te geven.
3. Trial Voltooiing
- Stop de video-opname smartphone en vragen de deelnemer te verwijderen en terug te keren van de smartphone en holster. Stop de data logging of WMMS applicatie op de smartphone. Kopieer de verworven beweging gegevensbestanden en het videobestand van beide telefoons op een computer voor post-processing.
4. Post-processing
- Synchroniseren timing tussen de video- en sensorgegevens onbewerkte door het bepalen van het tijdstip waarop de shake actie gestart. Deze schudbeweging correspondeert met een afzonderlijke accelerometersignaal en videoframe. Controleer synchronisatiefout door het aftrekken eind schudden tijd vanaf het begin schudden tijd sensor en videogegevens bronnen. Tijd verschillen moeten vergelijkbaar tussen de twee datasets zijn.
- Bepaal werkelijke change of state tijden van de gouden standaard video-opname door het tijdsverschil vanaf het begin schudden tijd om de video frame aan de overgang tussen de activiteiten. Gebruik video-editing software om timing te verkrijgen om binnen 0.033 sec (dwz, 30 frames per seconde video-tarief). Gebruik WMMS software om vergelijkbare veranderingen-van-state van de sensor data te genereren.
- Genereren twee datasets éénmet echte activiteiten en de tweede met voorspelde activiteiten door het merken van de activiteit van elk videoframe (gebaseerd op de faseovergang timing) en dan het voorspelde activiteit bij elke videoframetijd de WMMS uitgang. Voor WMMS evaluatie van de prestaties, te berekenen waar positieven, vals negatieven, waar negatieven valse positieven tussen de gouden standaard activiteit en WMMS voorspelde activiteit. Gebruik deze parameters om de gevoeligheid, specificiteit en F-score uitkomsten maatregelen te berekenen.
Opmerking: Een tolerantie instelling 3 datavensters aan weerszijden van het venster te analyseren gas kunnen worden gebruikt voor het bepalen change of state resultaten en 2 datavensters voor indeling resultaten. Aangezien bijvoorbeeld 1 seconde data windows werden gebruikt voor de WMMS in deze studie, 3 seconden vóór en na het huidige venster onderzocht zodat opeenvolgende veranderingen binnen deze tolerantie worden genegeerd. De overweging was dat veranderingen van de staat die gebeuren in minder dan 3 seconden kan worden genegeerd bruto Human bewegingsanalyse, aangezien deze staten zouden voorbijgaande worden beschouwd.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De studie protocol werd uitgevoerd met een gemak steekproef van vijftien valide deelnemers van wie de gemiddelde gewicht was 68,9 (± 11,1) kg, hoogte was 173,9 (± 11,4) cm en leeftijd was 26 (± 9) jaar, gerekruteerd uit de Ottawa Hospital en Universiteit van Ottawa medewerkers en studenten. Een smartphone sensor gegevens die zijn vastgelegd met een variabele 40-50 Hz tarief. Sample rate variaties zijn typisch voor de bemonstering smartphone sensor. Een tweede smartphone werd gebruikt om digitale video op te nemen op 1280x720 (720p) resolutie.
Het holster is bevestigd aan de rechter voorzijde riem of broek van de deelnemer zonder verdere standaardisatie van de locatie. Dit toonde een natuurlijke methode voor het plaatsen van de inrichting in de hostler op de heup. Met het apparaat geplaatst in de holster en de datalogger toepassing actief is, elke persoon doorkruist het circuit een keer, in een zelfgekozen tempo. Het circuit was niet beschreven op voorhand aan de deelnemer en de procedure activiteiten warendoor de onderzoeker achtereenvolgens gesproken tijdens het proces.
De WMMS bestond uit een beslisboom met boven- en randvoorwaarden, vergelijkbaar aan het werk door Wu, et al. 13. De herziene classifier gebruikt een 1 sec raam grootte en kenmerken van de lineaire versnelling signaal (som van de range, eenvoudig voortschrijdend gemiddelde, de som van de standaarddeviatie) en de zwaartekracht signaal (verschil met Y, variantie som gemiddeld verschil) 15. Drie indeling sets werden berekend voor de evaluatie: (i) mobiliteit en immobiliteit, (ii) zitten, staan, liggen, of wandelen, en (iii) zitten, staan, liggen, lopen, traplopen of kleine staande beweging. De activiteiten van het dagelijks leven werden bestempeld als kleine bewegingen. Representatieve resultaten worden getoond in tabel 1.
| Classificatie | TP | FN | TN | FP | Gevoeligheid (%) | Specificiteit (%) | F1-Score (%) | ||||||||||||||
| Indeling Set 1 | 350 | 55 | 8701 | 91 | 86,30 ± 7.2 | 98,96 ± 0,6 | 86,17 ± 6.3 | ||||||||||||||
| Indeling Set 2 | 359 | 47 | 8660 | 131 | 88,35 ± 7,80 | 98,51 ± 0,62 | 80.19 ± 6.36 | ||||||||||||||
| Indeling Set 3 | 423 | 75 | 8540 | 159 | 98,17 ± 0,62 | 78,42 ± 5,96 | |||||||||||||||
| Indeling Set 1 | |||||||||||||||||||||
| Immobiel naar Mobile | 177 | 19 | |||||||||||||||||||
| Mobile om Immobile | 171 | 36 | |||||||||||||||||||
| Tijdens het Mobile | 3990 | 73 | |||||||||||||||||||
| Tijdens Immobile | 4711 | 18 | |||||||||||||||||||
| Indeling Set 2 | |||||||||||||||||||||
| Stand to Walk | 134 | 17 | |||||||||||||||||||
| Loop naar de Stand | 137 | 26 | |||||||||||||||||||
| Loop naar Sit | 29 | 0 | |||||||||||||||||||
| Zitten om te lopen | 30 | 0 | |||||||||||||||||||
| Loop naar Lie | 11 | 4 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| Tijdens Stand | 2872 | 73 | |||||||||||||||||||
| Tijdens Sit | 644 | 9 | |||||||||||||||||||
| Tijdens Lie | 447 | 9 | |||||||||||||||||||
| Tijdens Walk | 4697 | 40 | |||||||||||||||||||
| Indeling Set 3 | |||||||||||||||||||||
| Stand to Walk | 70 | 7 | |||||||||||||||||||
| Loop naar de Stand | 74 | 14 | |||||||||||||||||||
| Loop naar Sit | 29 | 0 | |||||||||||||||||||
| Zitten om te lopen | 30 | 0 | |||||||||||||||||||
| Loop naar Lie | 15 | 0 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| Loop naar Small Move | 68 | 7 | |||||||||||||||||||
| Kleine Move to Walk | 61 | 13 | |||||||||||||||||||
| 13 | 2 | ||||||||||||||||||||
| Stairs to Walk | 13 | 2 | |||||||||||||||||||
| Kleine Verplaatsen naar kleine Move | 35 | 30 | |||||||||||||||||||
| Tijdens Stand | 1584 | 25 | |||||||||||||||||||
| Tijdens Sit | 643 | 10 | |||||||||||||||||||
| Tijdens Lie | 447 | 15 | |||||||||||||||||||
| Tijdens Walk | 4398 | 56 | |||||||||||||||||||
| Tijdens Trappen | 246 | 0 | |||||||||||||||||||
| Tijdens Brush Teeth | 190 | 12 </ td> | |||||||||||||||||||
| Tijdens Kam het haar | 158 | 2 | |||||||||||||||||||
| Tijdens handen wassen | 152 | 6 | |||||||||||||||||||
| Tijdens droge handen | 119 | 4 | |||||||||||||||||||
| Tijdens Move Gerechten | 93 | 5 | |||||||||||||||||||
| Tijdens Fill Kettle | 190 | 5 | |||||||||||||||||||
| Tijdens Toast Brood | 70 | 1 | |||||||||||||||||||
| Tijdens Wash Dishes | 250 | 18 | |||||||||||||||||||
Tabel 1. Resultaten voor change of state bepaling; inclusief, ware positieven (TP), valse negatieven (FN), ware negatieven (TN) false positives (FP), de totale verandering-van-state, gevoeligheid, specificiteit, eennd F1-Score. Tijdens verwijst naar TN en FP voor veranderingen-van-state tijdens de opgegeven actie.
Uit tabel 1, de mobiele versus immobiele kwalificatie set had een gevoeligheid van 86,30% ± 7,2% en een specificiteit van 98,96% ± 0,6%, terwijl de tweede voorspelling set had een gevoeligheid van 88,35% ± 7,80% en een specificiteit van 98,51% ± 0,62% . Voor de derde kwalificatie set, sensitiviteit was 84,92% ± 6,38% en de specificiteit was 98,17 ± 0,62. F1 scores voor de eerste, tweede en derde sets indeling was 86,17 ± 6,3, 80,19 ± 6,36 en 78,42 ± 5,96, respectievelijk.
Figuur 1.-Changes-staatshoofd gevoeligheid, specificiteit, en de F1-Score drie indeling sets.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Menselijke activiteit erkenning met een draagbare bewaking mobiliteitssysteem heeft meer aandacht gekregen in de afgelopen jaren als gevolg van de technische vooruitgang in de draagbare computers en smartphones en systematische behoefte aan kwantitatieve uitkomstmaten die helpen met de klinische besluitvorming en de gezondheid interventie evalueren. De in dit document beschreven methode effectief was voor het evalueren van WMMS ontwikkeling sinds activiteit classificatie fouten werden gevonden die niet aanwezig zou zijn geweest als een brede waaier van activiteiten van het dagelijks leven en wandelen scenario niet was opgenomen in de evaluatie.
De WMMS evaluatie protocol bestaat uit twee grote delen: data-acquisitie onder realistische maar gecontroleerde omstandigheden met een begeleidend gouden standaard dataset en data post-processing. Digitale video was een haalbare oplossing voor het verstrekken van gouden standaard data bij het testen WMMS algoritme voorspellingen over het protocol activiteiten. Kritische stappen in het protocolzijn (i) dat de gouden standaard video vangt de smartphone schudden omdat dit toelaat synchronisatie van de gouden standaard video met data verkregen van de deelnemer gedragen telefoon en (ii) ervoor zorgen dat de gouden standaard video-opnamen alle overgangen uitgevoerde de proef deelnemer (dwz degene opnemen van de gouden standaard video moet in de juiste positie wanneer na het proces deelnemer).
De evaluatie protocol bevat wandelen activiteiten, een dagelijkse leefomgeving, en diverse terreinen en overgangen. Alle acties worden achter elkaar gedaan, terwijl een-deelnemer gedragen smartphone registreert continu gegevens van accelerometer, gyroscoop, magnetometer en GPS sensoren en een tweede smartphone wordt gebruikt om video van alle activiteiten van de proef deelnemer. Het protocol kan door aanpassing van de volgorde van activiteiten op basis van de testlocatie, mits een reeks continu uitgevoerde ADL ar gewijzigde opgenomen. Tien tot vijftien minuten nodig was om het circuit te sluiten, afhankelijk van de deelnemer. Tijdens de proef testen, kunnen sommige deelnemers met een handicap slechts voltooien één cyclus, dus enkele proef testen moeten worden overwogen met sommige populaties om een complete dataset te waarborgen.
Beperkingen van de voorgestelde WMMS evaluatiemethode zijn dat de timing resolutie is beperkt tot de video frame rate van de camera gebruikt om de gouden standaard vergelijker video en moeilijk te identificeren duidelijke verandering-van-state timing van de video voor de activiteiten van het dagelijks leven vast te leggen. Variatie door verschillende frames bij het identificeren van een state-of-verandering leidt tot verschillen tussen de gouden standaard en WMMS resultaten dat kan te wijten zijn aan de interpretatie van de activiteit te beginnen in plaats van WMMS fout. Een tolerantie bij elke verandering-van-state, waarbij geen vergelijkingen worden gemaakt, kan worden uitgevoerd om rekening te helpen voor deze verschillen.
In het algemeen, waardoor het aantalactiviteiten worden geclassificeerd en de categorisering moeilijkheden (dat wil zeggen, trappen, kleine bewegingen) verminderde de gemiddelde gevoeligheid, specificiteit en F1 score. Dit kan worden verwacht, aangezien verhoging van het aantal activiteiten verhoogt de kans op valse positieven en valse negatieven. Evaluatie protocollen die alleen gebruik maken van activiteiten die voordelig zijn om het algoritme zullen de resultaten die misleidend zijn en het is onwaarschijnlijk dat vergelijkbare resultaten te produceren wanneer geëvalueerd onder real-world omstandigheden produceren. Vandaar dat de betekenis met betrekking tot bestaande werkwijzen is dat het protocol zal leiden tot conservatieve resultaten WMMS systemen dan eerdere rapporten in de literatuur. Echter, de resultaten beter aansluiten bij de resultaten in de praktijk. De voorgestelde werkwijze WMMS evaluaties kan worden gebruikt om een reeks van draagbare technologieën die meten of geholpen menselijke beweging evalueren.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
De auteurs erkennen Evan Beisheim, Nicole Capela, Andrew Herbert-Copley voor technische en gegevensverzameling hulp. Projectfinanciering werd ontvangen van de Natural Sciences and Engineering Research Council van Canada (NSERC) en BlackBerry Ltd, waaronder smartphones gebruikt in de studie.
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).
