Introduction
유비쿼터스 센싱으로 인해 더욱 강력하고, 소형, 저비용 컴퓨팅 및 장비 1 감지에 매력적인 연구 분야가되었다. 소비자 수준의 마이크로 고정밀 1 동작 특성을 검출 할 수 있기 때문에 착용 형 센서를 사용하여 이동성 모니터링은 많은 관심을 생성했다. 4 - 예비 연구 (2) 1990 년대 1980 년대에 수행과 함께 착용 할 수있는 센서를 이용하여 인간의 활동 인식 (HAR)는 연구의 최근의 영역입니다.
현대 스마트 폰은 이동 활성 인식에 필요한 센서 및 실시간 계산 능력을 포함하고있다. 디바이스에 대한 실시간 분석은 사용자 또는 연구자의 개입없이 활동 분류 및 데이터 업로드를 허용한다. 이동성 분석 소프트웨어와 스마트 폰은 감지, 집 또는 작업 자동화 및자가 관리 exercis 가을, 피트니스 추적, 상태 모니터링을 제공 할 수있다전자 프로그램 5. 스마트 폰은 내장 된 센서 출력 (6)으로 계산 수학 신호 생성 기능을 이용하여, 인간의 이동과 활동 이동 패턴을 검출하기위한 관성 측정 플랫폼이 고려 될 수있다. 일반적인 특성 생성 방법은 휴리스틱, 시간 영역, 주파수 영역, 및 웨이블릿 분석 기반 접근법 7을 포함한다.
지정된 활동 1,5,6,7를 검출 할 때 현대 스마트 폰 HAR 시스템은 높은 예측 정확도를 보여 주었다. 대부분의 연구가 자신의 트레이닝 세트, 환경 설정, 및 데이터 수집 프로토콜을 갖기 때문에 이러한 연구 평가 방법론뿐만 아니라 정확도가 다양. 민감도, 특이도, 정밀도, 소환, 정밀도 및 F 점수는 일반적으로 예측 품질을 기술하기 위해 사용된다. 그러나, 정보를 거의 실시간으로 활동의 변화를 감지 할 수있는 능력의 "동시 활동"인식과 평가 방법을 볼 수 있습니다1, 여러 활동을 분류하려고 시도 HAR 시스템. HAR 시스템의 정확성에 대한 평가 방법을 연구 사이에 실질적으로 다를 수 있습니다. 에 관계없이 분류 알고리즘 또는 적용 기능, 금 표준 평가 방법에 대한 설명은 대부분의 HAR 연구를위한 모호하다.
일상 생활 환경에서 활동 인식이 광범위하게 연구되지 않았습니다. 대부분 폰 기반 활동 인식 시스템은 실제 환경에 알고리즘보다는 현실적인 것이 유리할 수있다 평가 프로토콜 선도, 제어 된 방식으로 평가된다. 자신의 평가 체계 내에서, 참가자들은 오히려 실제 이벤트를 모방, 연속적으로 수행하기 위해 참가자를위한 현실적인 활동의 넓은 범위를 적용하는 것보다 예측를 대상으로 만 작업을 수행 할 수 있습니다.
일부 스마트 폰 HAR은 계단과 도보로 함께 8,9 그룹 유사한 활동을, 연구하지만, 데이터 세트에서 다른 활동을 제외. 예측 정밀도는 다음 알고리즘이 목표 활동을 식별하는 방법도 결정한다. Dernbach 등. 9는 참가자들이 지속적인 변화의 상태 전이를 차단, 이동하기 전에 실행하려고했다 활동을 기록했다. 참가자가 일상 생활 속에서 자연의 작업을 수행하는 동안 HAR 시스템 평가는 알고리즘을 평가해야한다. 이 응용 프로그램의 일상적인 사용을 복제하는 실제 평가를 허용합니다. 현실적인 회로는 많은 사람들의 상태 변화-뿐만 아니라 시스템에 의해 예측 가능한되지 않은 조치의 혼합을 포함한다. 연구자는 이렇게 변칙적 인 움직임 알고리즘의 견고성을 평가, 이러한 추가 움직임에 알고리즘의 응답을 평가할 수 있습니다.
이 논문은 실제 일상 생활 환경을 반영하는 제어 과정을 사용하여 착용 할 수있는 모바일 모니터링 시스템 (WMMS) 평가 프로토콜을 제공합니다. WMMS평가는 제어하지만 현실 조건 하에서 이루어질 수있다. 이 프로토콜에서 우리는 오타와의 대학과 오타와 병원 연구소 11-15에서 개발 된 3 세대 WMMS를 사용합니다. WMMS은 3 축 가속도계 및 자이로 스코프와 스마트 폰을 위해 설계되었습니다. 이동성 알고리즘은 사용자를 차지하는 변동성 변경 -의 상태 확인을위한 위양성의 수의 감소를 제공하고, 활성 분류 감도를 증가시킨다. WMMS 더 WMMS 분류를 개선 상황에 맞는 활동 평가를 위해, 국가의 활동에 변화가 감지되는 짧은 동영상 촬영을 유발하기 때문에 오 탐지를 최소화하는 것이 중요합니다. 불필요한 영상 기록 저장 및 배터리 사용의 비 효율성을 만듭니다. WMMS 알고리즘 예지 레벨의 증가는 양의 증가를 의미하는 다른 예측 수치를 이용하여 낮은 연산 학습 모델로서 구성과 평가의 인식 행위.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
이 프로토콜은 오타와 건강 과학 네트워크 연구 윤리위원회에 의해 승인되었다.
1. 준비
- , 연구의 개요와 참가자를 제공하는 모든 질문에 대답하고 동의를 구하십시오. 기록 참가자 특성 (예를 들어, 연령, 성별, 신장, 체중, 허리 둘레, 전방 우수한 내과에 골극에서 다리 높이) 데이터 시트에, 식별 코드, 날짜. 비디오를 캡처하는 데 사용되는 두 번째 스마트 폰 두 번째 캡처 속도 당 적어도 30 프레임으로 설정되어 있는지 확인합니다.
- 안전하게 참가자의 전면 우측 벨트, 바지 허리에 전화 권총을 연결합니다. 모바일 폰에서 측정 된 센서 데이터 (즉, 데이터 기록 또는 WMMS 애플리케이션) 수집 애플리케이션 적절히 실행되고 있는지 확인하기 위해 사용되는 스마트 폰 애플리케이션을 시작한다. 장치의 뒷면 (후면 캘리포니아로, 홀스터에서 스마트 폰을 놓고바깥쪽으로 향하도록 메라).
- 두 번째 스마트 폰에 디지털 비디오 녹화를 시작합니다. 익명 성을 위해, 사람의 얼굴을 나타내지 않고, 비교 화상을 기록하지만, 모든 활동을 기록하도록 전환되도록. 휴대 전화 핸드 헬드 수 있습니다.
2. 활동 회로
- 두 번째 스마트 폰에서, 자신의 행동 참가자 및 비디오를 따라가 연구자에 의해 말한 다음 작업을 수행하는 동안 :
- 서있는 위치에서, 재판의 시작을 표시하기 위해 스마트 폰을 흔들어.
- 적어도 10 초 동안 서 계속합니다. 이 서 전화 상 방향 보정 14에 사용될 수있다.
- 근처의 의자에 걸어 앉아.
- 일어나서 엘리베이터 60 미터 도보.
- 서서 엘리베이터를 기다렸다가 엘리베이터로 걸어.
- 2 층에 엘리베이터를 타고.
- 전원을 켜고 가정 환경에 걸어.
- 욕실과 SI에 걸어mulate 치아를 닦고.
- 머리를 빗질 시뮬레이션합니다.
- 손을 씻는 시뮬레이션합니다.
- 수건을 사용하여 건조 손.
- 부엌으로 걸어보세요.
- 랙에서 요리를 가지고 카운터에 배치합니다.
- 부엌 싱크대에서 물 주전자를 채우십시오.
- 난로 요소에 주전자를 놓습니다.
- 토스터에서 빵을 놓습니다.
- 식당에 걸어보세요.
- 식당 테이블에 앉아있다.
- 테이블에서 식사를 시뮬레이션합니다.
- 서서 다시 부엌 싱크대에 걸어.
- 요리를 씻어 및 랙에 배치합니다.
- 다시 엘리베이터에 부엌에서 도보.
- 서서 엘리베이터를 기다렸다가 엘리베이터로 걸어.
- 1 층에 엘리베이터를 타고.
- 계단을 50 미터 도보.
- 문을 열고 계단을 입력합니다.
- (착륙 약 13 단계, 13 단계) 계단을 걸어보세요.
- 복도에 계단의 문을 엽니 다.
- 우회전 15 미터 복도를 걸어.
- 돌아서 다시 계단 15 미터 도보.
- 문을 열고 계단을 입력합니다.
- (착륙 약 13 단계, 13 단계)를 계단 아래로 걸어보세요.
- 계단을 종료하고 방으로 걸어.
- 침대에 누워.
- 일어나서 램프 10 미터 도보.
- 다음 램프 (20m) 아래로 돌아서, 램프를 걸어.
- 홀에 들어가는 계속 외부에 문을 엽니 다.
- 포장 된 경로에 100 미터 도보.
- 돌아서 다시 방에 걸어.
- 방으로 걸어 출발점에 서있다.
- 서 계속하고 재판의 끝을 나타 내기 위해 스마트 폰을 흔들어.
3. 시험 완료
- 비디오 녹화 스마트 폰을 중지하고 제거하고 스마트 폰과 권총을 반환 할 참가자를 부탁드립니다. SMA에 대한 데이터 기록 또는 WMMS 애플리케이션을 중지rtphone. 후 처리를 위해 컴퓨터로 양쪽 전화기로부터 취득 된 모션 데이터 파일과 비디오 파일을 복사한다.
4. 후가공
- 흔들림 동작이 시작될 때 시간을 결정하여 비디오 및 원시 센서 데이터 간의 타이밍을 동기화. 이 진동하는 움직임이 뚜렷한 가속도 신호 및 비디오 프레임에 대응한다. 센서 및 비디오 데이터 소스에서 시작 흔들림 시간에서 최종 흔들림 시간을 빼서 동기화 오류가 있는지 확인합니다. 시간차는 두 개의 데이터 세트 간 유사해야한다.
- 활동 간의 전이에서 비디오 프레임 시작 진탕 시간과의 시차를 기록함으로써 금 표준 비디오의 실제 상태 변경 시간을 결정한다. 0.033 초 이내로 타이밍을 획득하기 위해 비디오 편집 소프트웨어를 사용하여 (즉, 제 2 비디오 율 30 프레임). 비교 변경-의 상태 센서 데이터로부터 생성하는 WMMS 소프트웨어를 사용합니다.
- 두 데이터 세트를 생성 한진정한 활동 및 예측 활동 번째로, 각각의 비디오 프레임에 대한 활성을 레이블링 WMMS 출력으로부터 각 비디오 프레임의 시간에서 활성을 예측하고 계산 한 후 (타이밍의 상태 변화에 기초하여). WMMS 성능 평가를 위해, 금 표준 활동 사이에 진정한 양성, 음성 (false negative), 참 부정, 오탐 (false positive)을 계산하고 WMMS 활동을 예측했다. 민감도, 특이도, F-점수 결과 측정을 계산하려면이 매개 변수를 사용합니다.
주 : 분석되는 윈도우의 양쪽에 데이터 (3) 윈도우의 공차 설정 상태 변경 결과를 결정하는데 사용하고, 분류 결과에 대한 2 데이터 윈도우 될 수있다. 일초 데이터 창은이 연구에서 WMMS에 사용 된 이후이 허용 오차 내에서 연속적인 변화는 무시되도록 예를 들어, 3 초 전에 현재 창 후에는 조사 하였다. 고려 미만 3 초에서 일어나는 상태의 변화가 심한 구호 물자 무시 될 수 있습니다 것을이러한 상태 보낸 N 운동 분석은 일시적인 고려 될 것이다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
연구 프로토콜은 높이가 CM (11.4 ±) 173.9이었다, 누구의 평균 체중 68.9이었다 (11.1 ±) 열 다섯 수 바디 참가자의 편의를 샘플 kg으로 실시하고, 나이는 오타와 병원에서 모집, 26 (± 9) 년이었다 오타와 직원과 학생들의 대학. 스마트 폰은 40-50 Hz에서 가변 속도 센서 데이터를 캡쳐. 샘플 속도의 변화는 스마트 폰 센서 샘플링을위한 전형적인. 스마트 폰은 1280 × 720 초 (720)의 해상도에 디지털 비디오를 기록하기 위해 사용 하였다.
권총은 위치의 더 표준화없이 참가자의 오른쪽 앞 벨트 또는 바지에 고정되었다. 이 엉덩이에 것 hostler에서 장치를 배치하기위한 자연적인 방법을 보여 주었다. 홀스터 및 데이터 로거 응용 프로그램을 실행에 배치 된 장치로, 각 사람은 자기가 선택한 속도로, 한 번 회로를 통과. 회로 참가자, 진행 활동에 미리 기재되지이었다재판 중에 조사를 순차적으로 사용 가능.
WMMS 우에서 일할 유사한 상부 및 하부 경계 조건, 외와 의사 결정 트리로 구성되었다. (13). 개정 분류기는 선형 가속도 신호 (범위, 단순 이동 평균의 합, 표준 편차의 합)과 중력 신호 (Y에 차이 분산 합계 평균 차이) (15)로부터 1 초 윈도우 크기 및 기능을 사용했다. (I)이 불편하거나 부동, (II), 서 앉아, 거짓말, 또는 도보, 및 (iii), 서 앉아, 거짓말, 걷기, 계단 오르기, 또는 작은 서 운동 : 세 가지 분류 세트는 평가를 위해 계산 하였다. 일상 생활의 활동은 작은 움직임으로 분류되었다. 대표적인 결과는 표 1에 나타내었다.
| 분류 | TP | FN | TN | FP | 감광도 (%) | 특성 (%) | F1-점수 (%) | ||||||||||||||
| 분류 세트 1 | (350) | (55) | 8701 | (91) | 86.30 ± 7.2 | 98.96 ± 0.6 | 86.17 ± 6.3 | ||||||||||||||
| 분류 2 개 세트 | 359 | 47 | 8660 | (131) | 88.35 ± 7.80 | 98.51 ± 0.62 | 80.19 ± 6.36 | ||||||||||||||
| 분류 3 개 세트 | (423) | (75) | 8540 | 159 | 98.17 ± 0.62 | 78.42 ± 5.96 | |||||||||||||||
| 분류 세트 1 | |||||||||||||||||||||
| 모바일로 움직이지 | 177 | (19) | |||||||||||||||||||
| 움직이지 모바일 | (171) | (36) | |||||||||||||||||||
| 모바일 동안 | 3990 | 73 | |||||||||||||||||||
| 부동시 | 4711 | (18) | |||||||||||||||||||
| 분류 2 개 세트 | |||||||||||||||||||||
| 걸어 스탠드 | (134) | (17) | |||||||||||||||||||
| 스탠드에 걸어 | 137 | (26) | |||||||||||||||||||
| 앉아 도보 | (29) | 0 | |||||||||||||||||||
| 걸어 앉아 | (30) | 0 | |||||||||||||||||||
| 거짓말을 걸어 | (11) | 4 | |||||||||||||||||||
| 걸어 거짓말 | (15) | 0 | |||||||||||||||||||
| 스탠드 중 | 2872 | 73 | |||||||||||||||||||
| 앉아 중 | (644) | 9 | |||||||||||||||||||
| 거짓말하는 동안 | (447) | 9 | |||||||||||||||||||
| 산책하는 동안 | 4697 | (40) | |||||||||||||||||||
| 분류 3 개 세트 | |||||||||||||||||||||
| 걸어 스탠드 | (70) | 7 | |||||||||||||||||||
| 스탠드에 걸어 | (74) | (14) | |||||||||||||||||||
| 앉아 도보 | (29) | 0 | |||||||||||||||||||
| 걸어 앉아 | (30) | 0 | |||||||||||||||||||
| 거짓말을 걸어 | (15) | 0 | |||||||||||||||||||
| 걸어 거짓말 | (15) | 0 | |||||||||||||||||||
| 작은 이동에 걸어 | (68) | 7 | |||||||||||||||||||
| 작은 이동 걸을 | (61) | (13) | |||||||||||||||||||
| (13) | (2) | ||||||||||||||||||||
| 계단 산책하기 | (13) | (2) | |||||||||||||||||||
| 작은 이동에 작은 이동 | (35) | (30) | |||||||||||||||||||
| 스탠드 중 | 1584 | (25) | |||||||||||||||||||
| 앉아 중 | (643) | (10) | |||||||||||||||||||
| 거짓말하는 동안 | (447) | (15) | |||||||||||||||||||
| 산책하는 동안 | 4398 | (56) | |||||||||||||||||||
| 계단 동안 | (246) | 0 | |||||||||||||||||||
| 양치질을하는 동안 | (190) | 12 </ TD> | |||||||||||||||||||
| 빗 헤어 중 | (158) | (2) | |||||||||||||||||||
| 워시 손 동안 | (152) | (6) | |||||||||||||||||||
| 드라이 손 동안 | 119 | 4 | |||||||||||||||||||
| 이동 요리 중 | 93 | (5) | |||||||||||||||||||
| 채우기 주전자 중 | (190) | (5) | |||||||||||||||||||
| 토스트 빵 중 | (70) | 1 | |||||||||||||||||||
| 세척 요리 중 | (250) | (18) | |||||||||||||||||||
표 상태 변경 결정에 대한 1 결과; 진정한 양성 (TP), 위음성 (FN), 사실 부정 (TN) 오탐 (false positive) (FP), 총 변경-의 상태, 민감도, 특이도, 포함차의 F1-점수. 시는 지정된 작업 중 변경-의 상태에 대한 TN과 FP를 의미한다.
두 번째 예측 세트가 0.62 % ± 98.51 %로 7.80 % ± 88.35 %의 민감도와 특이도가 있었을 때 표 1에서, 이동 대 움직이지 분류 세트는 0.6 % ± 98.96 %의 7.2 % ± 86.30 %의 민감도와 특이도가 있었다 . 세 번째 분류 세트에 대한 민감도는 84.92 % 6.38 % ±이었고, 특이도는 98.17 ± 0.62이었다. 첫 번째, 두 번째 및 세 번째 분류 스코어 세트 F1은 각각 86.17 ± 6.3, 80.19 ± 6.36 및 78.42 ± 5.96이었다.
그림 1. 세 분류 세트에 대한 변경-의 상태 민감도, 특이도, F1-점수.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
착용 할 수있는 모바일 모니터링 시스템과 인간 활동의 인식으로 인해 착용 컴퓨팅 및 스마트 폰과 임상 의사 결정과 건강 개입의 평가에 도움이 정량 결과 측정에 대한 체계적인 요구 사항의 기술 발전에 최근 몇 년 동안 더 많은 관심을 받고있다. 이 문서에서 설명하는 방법은 활동 분류 오류가 일상 생활의 활동과 산책 시나리오의 넓은 범위를 평가에 포함되지 않은 경우 본 없었을 것이다 발견 된 이후 WMMS 개발 평가를위한 효과적이었다.
WMMS 평가 프로토콜은 두 가지 주요 부분으로 구성 데이터 수집을 동반 설정 황금 표준 데이터 및 데이터 후 처리 현실적인하지만 통제 된 조건 하에서. 디지털 비디오는 프로토콜에 걸쳐 활동 WMMS 예측 알고리즘을 테스트 할 때 금 표준 데이터를 제공하기위한 실행 가능한 해결책이었다. 프로토콜의 중요한 단계금 표준 비디오는 스마트 폰 흔들림을 캡처하는이 참가자 착용 전화에서 수집 된 데이터와 금 표준 비디오의 동기화를 허용하기 때문에 (내가) 보장하는 (II) 금 표준 비디오 기록은 모든 전환이 수행되도록하는 방법 시험 참가자 (시험 참가자를 다음과 같은 경우 즉, 금 - 표준 비디오 녹화 사람이 올바른 위치에 있어야합니다).
평가 프로토콜 산책 활동, 일상 생활 환경, 다양한 지형 및 전환을 포함한다. 참가자 착용 스마트 폰이 지속적으로 가속도계, 자이로 스코프, 자력계, 및 GPS 센서에서 데이터를 기록하는 동안 모든 작업이 연속적으로 수행하고, 두 번째 스마트 폰은 비디오로 시험 참가자에 의해 수행되는 모든 활동에 사용된다. 프로토콜은 일상 생활의 AR 연속 수행 된 활동의 범위만큼, 테스트 위치에 따라 작업의 순서를 적응시킴으로써 변경 될 수있다전자 통합. 10-15 분 동안 참가자에 따라, 회로를 완성하기 위해 요구되었다. 파일럿 테스트 중에 장애를 가진 일부 참가자는 따라서 하나의 시험 테스트는 완전한 데이터 세트를 보장하기 위해 몇 가지 집단으로 고려되어야한다, 하나의 사이클을 완료 할 수있다.
제안 WMMS 평가 방법의 한계 해상도를 타이밍하는 것은 일상 생활의 활동 비디오 구별 상태 변경 타이밍을 식별 금 표준 비교기 비디오 및 어려움을 기록하는 데 사용되는 카메라의 비디오 프레임 레이트로 제한하는 것이있다. 여러 프레임에 의해 변화 상태 변경을 식별 인해 활동의 해석 될 수있는 금 표준 및 WMMS 결과의 차이 시작할보다는 WMMS 오류로 이어집니다. 각 상태 변경에는 비교가 이루어지지에서 허용 오차는, 이러한 차이에 대한 계정을 수 있도록 구현 될 수있다.
일반적으로, 수를 늘리는활동을 분류하고 분류의 어려움 (즉, 계단, 작은 움직임)은 평균 민감도, 특이도, F1 점수를 감소되는. 활동의 수를 증가 시키면 위양성 및 위음성 대한 가능성이 높으므로이 예상 될 수있다. 단지 잘못된이며 실제 상황 하에서 평가 때 유사한 결과를 생성 할 가능성이있는 결과를 얻을 알고리즘에 유리한 활동을 사용하여 평가 프로토콜. 따라서, 기존의 방법에 대한 중요성이 프로토콜은 이전 문헌에보고 WMMS 시스템보다 더욱 보수적 인 결과를 초래한다는 것이다. 그러나, 결과는 더 연습에 결과를 반영합니다. WMMS 평가의 제안 된 방법은 측정 또는 인간의 움직임을 도와 착용 기술의 범위를 평가하기 위해 사용될 수있다.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
저자는 기술 및 데이터 수집 지원 에반 Beisheim, 니콜 Capela의 앤드류 허버트-코플리을 인정합니다. 프로젝트 자금은 연구에 사용 된 스마트 폰을 포함한 자연 과학 및 캐나다 (NSERC)의 공학 연구 협의회 및 BlackBerry 회사로부터 받았습니다.
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).
