Introduction
Ubiquitous Erkundung hat sich zu einem Eingriffsforschungsbereich aufgrund von immer leistungsfähigeren, kleine, kostengünstige Computing und Erfassungsgeräte 1. Mobility Überwachung mit tragbaren Sensoren hat ein großes Interesse erzeugt, da Verbraucher-Level-Mikroelektronik sind zum Aufspüren von Bewegungseigenschaften mit hoher Genauigkeit 1. Menschliche Aktivitäten Erkennung (HAR) unter Verwendung von tragbaren Sensoren ist ein neues Forschungsgebiet, die Vorstudien in den 1980er und 1990er Jahren durchgeführt 2-4.
Moderne Smartphones enthalten die notwendigen Sensoren und Echtzeitberechnung Fähigkeit zur Mobilität Aktivitätserkennung. Echtzeit-Analyse auf dem Gerät erlaubt Aktivität Klassifikation und Daten-Upload ohne Benutzereingriff oder Prüfer. Ein Smartphone mit Mobilitätsanalysesoftware konnte Fitness Tracking, Gesundheitsberichterstattung liefern, fallen Erkennung, zu Hause oder der Arbeit Automatisierung und selbstverwaltende exercise Programme 5. Smartphones kann als Trägheitsmessplattformen zur Detektion mobilen Aktivitäten und mobile Muster bei Menschen mit generierten mathematischen Signalmerkmale mit integrierten Sensorausgänge 6 berechnet. Erzeugungsverfahren gemeinsames Merkmal umfassen Heuristik Zeitbereich, Frequenzdomäne und Wavelet-Analyse basierende Ansätze 7.
Modernes Smartphone HAR Systeme wurden bei der Erkennung bestimmter Aktivitäten 1,5,6,7 hohe Vorhersagegenauigkeit angezeigt. Diese Studien unterscheiden sich in Bewertungsmethodik sowie die Genauigkeit, da die meisten Studien haben ihre eigenen Trainingsgruppe, Umwelt Konfiguration und Datenerfassung Protokoll. Sensitivität, Spezifität, Genauigkeit, Rückruf, Präzision und F-Score werden häufig verwendet, um Vorhersagequalität zu beschreiben. , Wenig bis gar keine Informationen ist jedoch auf Verfahren für "paralleles Arbeiten" Anerkennung und Bewertung der Fähigkeit, Aktivitätsänderungen in Echtzeit zu erfassen1, für die HAR-Systeme, die verschiedene Aktivitäten zu kategorisieren versuchen. Bewertungsmethoden für die Systemgenauigkeit HAR variieren erheblich zwischen den Studien. Unabhängig von der Klassifikationsalgorithmus oder angewandte Funktionen, sind Beschreibungen der Goldstandard Bewertungsmethoden vage für die meisten HAR Forschung.
Aktivitätserkennung in einer täglichen Lebensumfeld wurde nicht umfassend erforscht. Esten Smartphone basierten Aktivitätserkennungssysteme werden in einer kontrollierten Art und Weise bewertet, was zu einer Bewertung Protokoll, das dem Algorithmus nicht realistisch, eine reale Umgebung vorteilhaft sein. Im Rahmen ihrer Bewertungsschema, Teilnehmer führen oft nur die Aktionen zur Vorhersage bestimmt, anstatt die Anwendung eine große Auswahl an realistischen Aktivitäten für die Teilnehmer nacheinander durchführen, imitiert wirklichen Leben Veranstaltungen.
Einige Smartphone HAR studiert 8,9 Gruppe ähnliche Aktivitäten zusammen, wie Treppen und Wandern, Schließen jedoch andere Aktivitäten aus dem Datensatz. Vorhersagegenauigkeit wird dann, wie gut der Algorithmus identifiziert die Zielaktivitäten bestimmt. Dernbach et al. 9 hatten die Teilnehmer schreiben, die Tätigkeit, die sie dabei, bevor sie ausgeführt werden, zu unterbrechen kontinuierlichen Change-of-Zustandsübergänge waren. HAR-System Bewertungen sollten den Algorithmus zu bewerten, während die Teilnehmer führt natürlichen Aktionen in einem täglichen Lebenseinstellung. Dies würde eine reale Bewertung, die tägliche Nutzung der Anwendung repliziert ermöglichen. Eine realistische Schaltung enthält viele Änderungen-of-Staat als auch einen Mix von Maßnahmen durch das System nicht vorhersehbar. Ein Ermittler dann beurteilen Reaktion des Algorithmus auf diese zusätzlichen Bewegungen, wodurch die Bewertung Robustheit des Algorithmus, um anomale Bewegungen.
Dieser Beitrag stellt eine tragbare Mobility Monitoring System (WMMS) Bewertungsprotokoll, das eine gesteuerte Kurs, der realen täglichen Lebenswelten spiegelt verwendet. WMMSAuswertung kann dann unter kontrollierten, aber realistischen Bedingungen durchgeführt werden. In diesem Protokoll verwenden wir eine der dritten Generation WMMS, die an der Universität von Ottawa und Ottawa Hospital Research Institute 11-15 entwickelt wurde. Die WMMS wurde für Smartphones mit einem Tri-Achsen-Beschleunigungsmesser und Gyroskop gestaltet. Die Mobilität Algorithmus Konten für Benutzer Variabilität, stellt eine Verringerung der Anzahl von False Positives für Änderungen-of-state Identifikation, und erhöht die Empfindlichkeit der Aktivität Kategorisierung. Minimierung von False Positives ist wichtig, da die WMMS löst kurzen Videoclip-Aufnahme wenn Aktivität Zustandsänderungen erkannt werden, für die kontextbezogene Aktivität Evaluierung, die WMMS Klassifizierung weiter verbessert. Unnötige Videoaufzeichnung erzeugt Ineffizienzen bei der Lagerung und Verwendung von Akkus. Die WMMS Algorithmus wird als Low-Rechenlernmodell strukturiert und ausgewertet mit verschiedenen Vorhersagewerken, in denen eine Erhöhung der Vorhersageniveau bedeutet eine Zunahme in der Mengevon erkennbaren Handlungen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Dieses Protokoll wurde von der Ottawa Health Science Network Research Ethics Board genehmigt.
1. Vorbereitung
- Bieten den Teilnehmern einen Überblick über die Forschung, alle Fragen zu beantworten und zu erhalten, informierte Zustimmung. Rekordteilnehmer Eigenschaften (zB Alter, Geschlecht, Größe, Gewicht, Taillenumfang, Beinhöhe von der Spina iliaca anterior superior des Innenknöchels) Identifikationscode, und das Datum auf einem Datenblatt. Stellen Sie sicher, dass das zweite Smartphone, das verwendet wird, um Video aufzunehmen, um zumindest ein 30 Bildern pro Sekunde Aufnahmerate eingestellt ist.
- Befestigen Sie eine Telefon Holster vorne rechts Gürtel oder Hose Taille des Teilnehmers. Starten Sie das Smartphone-Anwendung, die verwendet werden, um die Sensordaten (dh, Datenprotokollierung oder WMMS Anwendung) auf die Mobilität Mess Smartphone sammeln und sicherzustellen, dass die Anwendung in geeigneter Weise ausgeführt wird, wird. Legen Sie das Smartphone in das Holster, mit der Geräterückseite (hinten camera) nach außen zeigt.
- Starten Sie digitale Videoaufzeichnung auf einer zweiten Smartphone. Nach Anonymität, notieren Sie die Vergleichsvideo, ohne dafür das Gesicht der Person, aber zu gewährleisten, um alle Aktivitätsübergänge aufzuzeichnen. Das Telefon kann Handheld zu sein.
2. Aktivitätsschaltung
- Folgen Sie den Teilnehmer und Video ihre Aktionen auf der zweiten Smartphone, während sie die folgenden Aktionen aus, vom Prüfer gesprochen ausführen:
- Aus dem Stand, schütteln Sie das Smartphone an den Start der Studie zeigen.
- Weiterhin stehen für mindestens 10 sec. Diese stehen Phase kann für Telefon Orientierung Kalibrierung 14 verwendet werden.
- Gehen Sie zu einem nahe gelegenen Stuhl und setz dich.
- Aufstehen und gehen 60 Meter zu einem Aufzug.
- Stehen und warten auf den Aufzug und dann in den Aufzug zu gehen.
- Nehmen Sie den Aufzug in den zweiten Stock.
- Drehen Sie und gehen Sie in der häuslichen Umgebung.
- Gehen Sie ins Badezimmer und siformulieren Zähneputzen.
- Simulieren Sie das Kämmen der Haare.
- Simulieren Sie die Hände zu waschen.
- Trockene Hände mit einem Handtuch.
- Gehen Sie in die Küche.
- Nehmen Sie Gerichte aus einem Rack und legen Sie sie auf den Tresen.
- Füllen Sie einen Wasserkocher mit Wasser aus der Küchenspüle.
- Setzen Sie den Wasserkocher auf dem Herd Element.
- Legen Sie Brot in einem Toaster.
- Gehen Sie bis zum Esszimmer.
- Sitzen an einem Esstisch.
- Simulieren Sie eine Mahlzeit am Tisch.
- Stehen und gehen zurück in die Küchenspüle.
- Spülen Sie das Geschirr und legen Sie sie in einem Rack.
- Gehen Sie von der Küche zurück zum Aufzug.
- Stehen und warten auf den Aufzug und dann in den Aufzug zu gehen.
- Nehmen Sie den Aufzug in den ersten Stock.
- Gehen Sie 50 Meter zu einem Treppenhaus.
- Öffnen Sie die Tür und geben Sie das Treppenhaus.
- Gehen Sie die Treppe (13 Stufen, rund Landung, 13 Stufen).
- Öffnen Sie die Treppenhaustür in den Flur.
- Biegen Sie rechts ab und gehen den Flur entlang zum 15 Meter.
- Drehen Sie sich um und gehen Sie 15 Meter zurück zum Treppenhaus.
- Öffnen Sie die Tür und geben Sie das Treppenhaus.
- Gehen Sie die Treppe (13 Stufen, rund Landung, 13 Stufen).
- Verlassen Sie das Treppenhaus und einen Raum betreten.
- Liegen auf einem Bett.
- Aufstehen und gehen 10 Meter zu einer Rampe.
- Gehen Sie die Rampe, sich umdrehen, dann die Rampe hinunter (20 Meter).
- Gehen Sie weiter in die Halle und öffnen Sie die Tür nach draußen.
- 100 Meter zu Fuß auf dem gepflasterten Weg.
- Drehen Sie sich um und gehen zurück in den Raum.
- Gehen Sie in den Raum und stehen am Startpunkt.
- Weiter stehend, und dann schütteln Sie das Smartphone an das Ende der Studie zeigen.
3. Probe Fertigstellung
- Stoppen Sie die Videoaufnahme-Smartphone und bitten die Teilnehmer, zu entfernen und das Smartphone und Holster. Stoppen Sie die Datenprotokollierung oder WMMS Anwendung auf dem smartphone. Kopieren Sie die erfassten Bewegungsdaten-Dateien und die Videodatei von beiden Telefonen auf einen Computer für die Nachbearbeitung.
4. Nachbearbeitung
- Synchronisieren Timing zwischen dem Video und dem Sensor-Rohdaten durch Bestimmung der Zeit, als die Erschütterung Aktion gestartet. Diese Schüttelbewegung entspricht einer deutlichen Beschleunigungsmessersignal und Videorahmen. Erfragen Synchronisationsfehler durch Subtrahieren des Endes Schütteldauer von Anfang Schütteldauer, für Sensor und Video-Datenquellen. Zeitunterschiede sollten ähnlich zwischen den beiden Datensätzen sein.
- Bestimmen Sie tatsächlichen Change-of-State-mal aus dem Gold-Standard-Video durch die Erfassung der Zeitdifferenz vom Beginn shake Zeit, um den Video-Frame an dem Übergang zwischen Aktivitäten. Verwenden Sie Video-Editing-Software, um Timing innerhalb 0,033 sec zu erhalten (dh, 30 Bilder pro Sekunde Videorate). Verwenden WMMS Software zu vergleichbaren Veränderungen-of-state aus den Sensordaten zu erzeugen.
- Generieren Sie zwei Datensätzen, einemmit der wahren und über das zweite mit einer vorhergesagten Aktivitäten durch Markierung die Aktivität für jeden Videorahmen (basierend auf dem Zustandswechsel Timing) und dann Berechnen des vorhergesagten Zeit bei jedem Videoframes vom WMMS ausgegeben. Für WMMS Leistungsbewertung, berechnen wahren Positiven, falsche Negative, wahre Negative, False Positives zwischen dem Gold-Standard-Aktivität und WMMS vorhergesagten Aktivität. Verwenden Sie diese Parameter, um die Empfindlichkeit, Spezifität und F-Score Ergebnisse Maßnahmen zu berechnen.
Hinweis: Ein Toleranzeinstellung von 3 Datenfenstern auf beiden Seiten des Fensters, die analysiert zur Bestimmung Change-of-State-Ergebnisse verwendet werden, und 2 Datenfenster für die Klassifikation Ergebnisse. Da beispielsweise 1 Sekunde Datenfenstern wurden zum WMMS in dieser Studie verwendet, 3 Sekunden vor und nach dem aktuellen Fenster untersucht, so dass aufeinanderfolgende Veränderungen innerhalb der Toleranz liegen ignoriert. Die Überlegung war, dass Zustandsänderungen, die in weniger als 3 Sekunden passieren kann für grobe huma ignoriert werdenn Bewegungsanalyse, da diese Staaten würden als transitorische werden.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Das Studienprotokoll wurde mit einer Gelegenheitsstichprobe von fünfzehn nichtbehinderte Teilnehmer, deren Durchschnittsgewicht betrug 68,9 (± 11,1) kg durchgeführt, Höhe betrug 173,9 (± 11,4) cm, und Alter betrug 26 (± 9) Jahre, gerechnet ab Ottawa Krankenhaus rekrutiert und University of Ottawa Mitarbeiter und Studenten. Ein Smartphone erfassten Sensordaten mit einer variablen 40-50 Hz-Rate. Abtastrate Schwankungen sind typisch für Smartphone-Sensor Probenahme. Ein zweites Smartphone wurde verwendet, um digitale Video bei 1280x720 (720p) Auflösung aufzeichnen.
Das Holster wurde ohne weitere Standardisierung der Lage zum rechten vorderen Gürtel oder Hose des Teilnehmers befestigt. Dies zeigte eine natürliche Methode für das Inverkehrbringen des Gerätes in der Stallknecht auf der Hüfte. Mit dem Gerät in den Holster und der Datenlogger-Anwendung ausgeführt platziert, jeder Mensch durchlaufen die Schaltung einmal, zu einem selbst gewählten Tempo. Die Schaltung wurde nicht im Voraus an die Teilnehmer und Verfahren Aktivitäten beschrieben wurdenvom Prüfer sequentiell während der Verhandlung gesprochen.
Die WMMS bestand aus einem Entscheidungsbaum mit oberen und unteren Randbedingungen, ähnlich wie von Wu arbeiten, et al. 13. Der überarbeitete Klassifikator verwendet einen 1 sec Fenstergröße und Features von der linearen Beschleunigungssignal (Summe der Bereich, einfacher gleitender Durchschnitt, Summe der Standardabweichung) und Schwerkraftsignal (Unterschied zu Y, Varianz Summe durchschnittliche Differenz) 15. (I) Mobilität oder Immobilität, (ii) sitzen, stehen, liegen, oder zu Fuß, und (iii) sitzen, stehen, liegen, Gehen, Treppensteigen oder kleine stehende Bewegung: Drei Klassifizierung Sets wurden zur Auswertung berechnet. Aktivitäten des täglichen Lebens wurden als kleine Bewegungen gekennzeichnet. Repräsentative Ergebnisse sind in Tabelle 1 gezeigt.
| Einstufung | TP | FN | TN | FP | Empfindlichkeit (%) | Spezifität (%) | F1-Score (%) | ||||||||||||||
| Klassifizierung Set 1 | 350 | 55 | 8701 | 91 | 86.30 ± 7.2 | 98,96 ± 0,6 | 86.17 ± 6.3 | ||||||||||||||
| Klassifizierung Set 2 | 359 | 47 | 8660 | 131 | 88,35 ± 7,80 | 98,51 ± 0,62 | 80,19 ± 6,36 | ||||||||||||||
| Klassifizierung Set 3 | 423 | 75 | 8540 | 159 | 98,17 ± 0,62 | 78,42 ± 5,96 | |||||||||||||||
| Klassifizierung Set 1 | |||||||||||||||||||||
| Immobile nach Mobile | 177 | 19 | |||||||||||||||||||
| Handy um Immobile | 171 | 36 | |||||||||||||||||||
| Während Mobil | 3990 | 73 | |||||||||||||||||||
| Während der Immobile | 4711 | 18 | |||||||||||||||||||
| Klassifizierung Set 2 | |||||||||||||||||||||
| Stehen Sie zu Fuß | 134 | 17 | |||||||||||||||||||
| Zu Fuß zum Stehen | 137 | 26 | |||||||||||||||||||
| Zu Fuß zum Sitzen Sie | 29 | 0 | |||||||||||||||||||
| Setzen Sie sich zu Fuß | 30 | 0 | |||||||||||||||||||
| Walk to Lie | 11 | 4 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| Im Standby | 2872 | 73 | |||||||||||||||||||
| Während Sit | 644 | 9 | |||||||||||||||||||
| Während Lie | 447 | 9 | |||||||||||||||||||
| Während der Wanderung | 4697 | 40 | |||||||||||||||||||
| Klassifizierung Set 3 | |||||||||||||||||||||
| Stehen Sie zu Fuß | 70 | 7 | |||||||||||||||||||
| Zu Fuß zum Stehen | 74 | 14 | |||||||||||||||||||
| Zu Fuß zum Sitzen Sie | 29 | 0 | |||||||||||||||||||
| Setzen Sie sich zu Fuß | 30 | 0 | |||||||||||||||||||
| Walk to Lie | 15 | 0 | |||||||||||||||||||
| Lie to Walk | 15 | 0 | |||||||||||||||||||
| Gehen Sie zu Kleine verschieben | 68 | 7 | |||||||||||||||||||
| Kleine Move to Gehen | 61 | 13 | |||||||||||||||||||
| 13 | 2 | ||||||||||||||||||||
| Stairs to Walk | 13 | 2 | |||||||||||||||||||
| Kleine Umzug in kleinen Bewegung | 35 | 30 | |||||||||||||||||||
| Im Standby | 1584 | 25 | |||||||||||||||||||
| Während Sit | 643 | 10 | |||||||||||||||||||
| Während Lie | 447 | 15 | |||||||||||||||||||
| Während der Wanderung | 4398 | 56 | |||||||||||||||||||
| Während Stairs | 246 | 0 | |||||||||||||||||||
| Während Zähne putzen | 190 | 12 </ td> | |||||||||||||||||||
| Während Kamm-Haar- | 158 | 2 | |||||||||||||||||||
| Während Hände waschen | 152 | 6 | |||||||||||||||||||
| Während trockene Hände | 119 | 4 | |||||||||||||||||||
| Während Verschieben Geschirr | 93 | 5 | |||||||||||||||||||
| Während Fill Wasserkocher | 190 | 5 | |||||||||||||||||||
| Während Toastbrot | 70 | 1 | |||||||||||||||||||
| Während Wäsche-Teller | 250 | 18 | |||||||||||||||||||
Tabelle 1. Ergebnisse der Change-of-State-Bestimmung; einschließlich, wahren Positiven (TP), falsche Negative (FN), der richtig negativen (TN) False Positives (FP), insgesamt Änderungen-of-state, Sensitivität, Spezifität, einnd F1-Score. Während bezieht sich auf TN und FP für Änderungen-of-Zustand während der angegebenen Aktion.
Aus der Tabelle 1, die mobile gegenüber unbeweglich Klassifikationssatz eine Sensitivität von 86,30% ± 7,2% und eine Spezifität von 98,96% ± 0,6%, während die zweite Vorhersagesatz eine Sensitivität von 88,35% ± 7,80% und eine Spezifität von 98,51% ± 0,62% . Zum dritten Klassifikationssatz war Empfindlichkeit 84,92% ± 6,38% und eine Spezifität von 98,17 ± 0,62. F1-Scores für die ersten, zweiten und dritten Klassifizierungssätze waren 86,17 ± 6,3, 80,19 ± 6,36 und 78,42 ± 5,96 auf.
Abbildung 1. Änderungen-of-state Sensitivität, Spezifität und F1-Score für drei Klassifizierungssätze.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Menschliche Aktivitäten Erkennung mit einer tragbaren Mobilität Überwachungssystem hat mehr Aufmerksamkeit in den letzten Jahren aufgrund der technischen Fortschritte in der Wearable Computing und Smartphones und systematische Anforderungen für quantitative Zielparameter, die mit der klinischen Entscheidungsfindung und Gesundheit Intervention Evaluation helfen erhalten. Die in diesem Dokument beschriebenen Methode wirksam war für die Bewertung WMMS Entwicklung seit Aktivitätsklassifikation Fehler gefunden wurden, die nicht vorhanden gewesen wäre, wenn eine breite Palette von Aktivitäten des täglichen Lebens und zu Fuß Szenarien nicht in die Auswertung einbezogen wurden.
Die WMMS Auswertung Protokoll besteht aus zwei Hauptteilen: Datenerfassung unter realistischen, aber kontrollierten Bedingungen mit einer begleitenden Gold-Standard-Datensatz und Datennachbearbeitung. Digital-Video war eine praktikable Lösung für die Bereitstellung von Goldstandard Daten beim Testen WMMS Algorithmus Vorhersagen über die Protokollaktivitäten. Kritische Schritte in dem Protokoll(i) um sicherzustellen, dass der Goldstandard-Video fängt die Smartphone schütteln, da dies ermöglicht die Synchronisation der Gold-Standard-Video mit vom Teilnehmer getragen Telefon und erfassten Daten (ii) sicherstellen, dass die Gold-Standard-Video-Aufzeichnungen alle Übergänge durchgeführt von der Studienteilnehmer (dh die Person, die die Aufnahme der Goldstandard-Video muss in der richtigen Position, wenn im Anschluss an die Studie Teilnehmer sein).
Die Auswertung Protokoll beinhaltet Fuß Aktivitäten, einem täglichen Lebensumfeld und verschiedene Terrains und Übergänge. Alle Aktionen werden fortlaufend durchgeführt, während ein Teilnehmer getragen Smartphone zeichnet kontinuierlich Daten vom Beschleunigungsmesser, Gyroskop, Magnetometer und GPS-Sensoren, und ein zweites Smartphone mit Video alle Aktivitäten von der Studienteilnehmer durchgeführt verwendet. Das Protokoll kann durch Anpassung der Reihenfolge der Aktivitäten auf der Grundlage der Teststandort, solange eine Reihe von Dauergeführt Aktivitäten des täglichen Lebens ar geändert werdene aufgenommen. Zehn bis fünfzehn Minuten war erforderlich, um die Schaltung zu vervollständigen, abhängig von dem Teilnehmer. Während der Pilotversuche, konnte einige Teilnehmer mit Behinderungen nur einen Zyklus zu vervollständigen, sollten daher einzigen Studie Tests mit einigen Populationen betrachtet, einen vollständigen Datensatz zu gewährleisten.
Einschränkungen der vorgeschlagenen WMMS Bewertungsverfahren sind, dass Timing-Auflösung ist auf die Video-Bildrate der verwendet wird, um das Gold-Standard-Komparator Video- und Schwierigkeiten zu identifizieren verschiedene Change-of-State-Timing von Video für Aktivitäten des täglichen Lebens aufzeichnen Kamera. Variation von mehreren Frames bei der Identifizierung eine Change-of-State führt zu Unterschieden zwischen den Goldstandard und WMMS Ergebnisse, die sein könnte, aufgrund der Auslegung der Aktivität zu starten, anstatt WMMS Fehler. Eine Toleranz bei jedem Wechsel-of-state, in denen keine Vergleiche vorgenommen werden, kann implementiert werden, um Konto für diese Diskrepanzen zu helfen.
Allgemein die Erhöhung der ZahlAktivitäten klassifiziert und die Kategorisierung Schwierigkeiten (dh, Treppen, kleine Bewegungen) reduzierte die durchschnittliche Sensitivität, Spezifität und F1-Score. Dies kann erwartet werden, da die Erhöhung der Anzahl von Aktivitäten erhöht die Chance für falsche Positive und falsche Negative. Evaluation-Protokolle, die nur Aktivitäten, die auf den Algorithmus vorteilhaft sind Ergebnisse angezeigt, die irreführend sind und es unwahrscheinlich ist, wenn sie unter realen Bedingungen untersucht ähnliche Ergebnisse zu erzeugen. Daher ist die Bedeutung in Bezug auf bestehenden Verfahren, dass das Protokoll in konservativer Ergebnisse für WMMS Systeme als die bisherigen Berichte in der Literatur führen. Allerdings werden die Ergebnisse besser zu reflektieren die Ergebnisse in der Praxis. Das vorgeschlagene Verfahren zur WMMS Auswertungen können verwendet werden, um eine Reihe von Wearable-Technologien, die zu messen oder zu unterstützen menschlichen Bewegung zu beurteilen.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
Die Autoren danken Evan Beisheim, Nicole Capela, Andrew Herbert-Copley für technische und Datenerfassungshilfe. Projektförderung wurde aus den Natur- und Ingenieurwissenschaften Research Council of Canada (NSERC) und Blackberry Ltd., einschließlich Smartphones in der Studie erhalten.
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).
