Name: Bir Günlük Yaşam Ortamında Smartphone merkezli İnsan Aktivitesi Tanıma Sisteminin Değerlendirilmesi (Video) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Öğrenin, giyilebilir hareketlilik izleme sistemlerini gerçekçi günlük yaşam ortamında sürekli aktivitelerle değerlendirmek için standart bir protokol. Bu yöntem, rehabilitasyon ve biyomedikal mühendisliği alanlarında klinik karar vermeyi destekler.

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

Yazarlar, teknik ve veri toplama yardım için Evan Beisheim, Nicole Capela, Andrew Herbert-Copley kabul etmiş sayılırsınız. Proje finansman Çalışmada kullanılan akıllı telefonlar da dahil olmak üzere Doğa Bilimleri ve Kanada&#39;nın (NSERC) Mühendislik Araştırma Konseyi ve BlackBerry Ltd., alındı.

Bu protokol Ottawa Sağlık Bilimleri Ağı Araştırma Etik Kurulu tarafından onaylanmıştır. 1. Hazırlık <ol><li> , Bir araştırma taslak katılımcılara sağlayın sorulara cevap ve aydınlatılmış onam. Kayıt katılımcı özellikleri (örneğin, yaş, cinsiyet, boy, kilo, bel çevresi, anterior superior medial malleol için iliyak bacak yükseklik) Bir veri sayfasında, kimlik kodu, tarih ve. Video yakalamak için kullanılan ikinci akıllı telefon, ikinci yakalama hızı başına en az 30 kare olarak ayarlanmış olduğundan emin olun. </li><li> Güvenli katılımcının sağ ön kemer veya pantolon bel için bir telefon kılıfına ekleyin. Hareketlilik ölçüm smartphone sensör verileri (yani veri kaydı veya WMMS uygulaması) toplamak ve uygulama uygun çalıştığından emin olmak için kullanılacak akıllı telefon uygulamasını başlatın. Cihazın arkasındaki (arka ca ile tutucuya yerleştirin smartphonedışa bakan mera). </li><li> İkinci smartphone dijital video kayıt başlayın. Anonimlik için kişinin yüzünü göstermeden karşılaştırma video kaydetmek, ancak tüm faaliyet geçişleri kaydetmek için emin olun. Telefon el olabilir. </li></ol> 2. Etkinlik Devre <ol><li> İkinci smartphone, onların eylemleri katılımcıyı ve videoyu izleyin onlar araştırmacı tarafından konuşulan şu eylemleri gerçekleştirmek ise: <ol><li> Ayakta pozisyondan, duruşmanın başladığını göstermek için smartphone sallayın. </li><li> En az 10 sn bekletildikten devam edin. Bu duran faz, telefon yönlendirmesi kalibrasyon 14 için kullanılabilir. </li><li> Yakındaki bir sandalyeye yürüyün ve otur. </li><li> Ayağa kalk ve bir asansöre 60 metre yürüyün. </li><li> Standı ve asansör için bekleyin ve daha sonra asansöre yürümek. </li><li> İkinci katta asansörün atın. </li><li> Çevirin ve ev ortamına yürüyün. </li><li> Banyo ve si içine yürümekMulate diş fırçalama. </li><li> Saç tarama benzetin. </li><li> El yıkama benzetin. </li><li> Bir havlu kullanarak Kuru eller. </li><li> Mutfağa yürüyün. </li><li> Bir raf yemekleri alın ve tezgahın üzerine koyun. </li><li> Evye su ile bir su ısıtıcısı doldurun. </li><li> Soba elemanı üzerindeki su ısıtıcısı yerleştirin. </li><li> Bir tost ekmeği yerleştirin. </li><li> Yemek odası yürüyün. </li><li> Yemek odası masada oturmak. </li><li> Masada yemek yeme benzetin. </li><li> Standı ve geri evye yürüyün. </li><li> Yemekleri durulayın ve bir rafa koyun. </li><li> Asansör geri mutfaktan yürüyün. </li><li> Standı ve asansör için bekleyin ve daha sonra asansöre yürümek. </li><li> Birinci katta asansörün atın. </li><li> Bir merdiven boşluğu 50 metre yürüyün. </li><li> Kapıyı açın ve merdiven boşluğu girin. </li><li> (Iniş yaklaşık 13 adımları, 13 adım) merdivenlerden yukarı yürüyün. </li><li> Koridorda merdiven kapısını açın. </li><li> Sağa dönün ve 15 metre koridordan yürüyün. </li><li> Arkanı dön ve geri merdiven boşluğu 15 metre yürüyün. </li><li> Kapıyı açın ve merdiven boşluğu girin. </li><li> (Iniş yaklaşık 13 adımları, 13 adım) merdivenlerden aşağı yürüyün. </li><li> Merdiven boşluğu çıkın ve bir odaya yürüyün. </li><li> Bir yatakta yatmak. </li><li> Kalk ve bir rampa 10 metre yürümek. </li><li> Daha sonra rampa (20 metre) aşağı dönüp, rampa yukarı yürüyün. </li><li> Salona yürümeye devam ve dışarıdan kapıyı açın. </li><li> Döşeli yolu üzerinde 100 metre yürüyün. </li><li> Arkanı dön ve odasına geri yürüyün. </li><li> Odasına yürümek ve başlangıç ​​noktasında duruyor. </li><li> Ayakta Devam ve ardından davanın sonunu belirtmek için akıllı sallayın. </li></ol></li></ol> 3. Deneme Tamamlama <ol><li> Video kayıt akıllı telefon durdurun ve kaldırmak ve akıllı ve kılıfından dönmek için katılımcıdan. Sma veri günlüğü ya da WMMS uygulamayı durdurmakrtphone. Post-processing için bir bilgisayara hem telefonlarından elde edilen hareket veri dosyalarını ve video dosyasını kopyalayın. </li></ol> 4. Post-processing <ol><li> Shake eylemi başladığında vakit belirleyerek video ve ham sensör verileri arasındaki zamanlamayı senkronize edin. Bu sallayarak hareket ayrı bir ivme sinyali ve video karesine eşittir. Sensör ve video veri kaynakları için, başlangıç ​​sallamak zaman bitiş süresini shake çıkarılarak eşitleme hatası olup olmadığını kontrol edin. Zaman farkı iki veri kümesi arasındaki benzer olmalıdır. </li><li> Faaliyetleri arasındaki geçişte video karesine başlangıç ​​sallamak zaman zaman farkı kaydederek altın standart video gerçek değişim-of-devlet sürelerini belirler. 0.033 sn dahilinde zamanlama elde etmek için video düzenleme yazılımı kullanın (örneğin, ikinci bir video oranı 30 kare). Karşılaştırılabilir değişiklikler eyalet sensör verileri oluşturmak için WMMS yazılımını kullanın. </li><li> Iki veri setleri oluşturmak, tekGerçek faaliyetleri ve tahmin faaliyetleri ile ikinci olan her bir video çerçevesi için aktiviteyi etiketleyerek WMMS çıkışı her video çerçeve anda tahmin faaliyeti hesaplanması ve sonra (devlet zamanlaması değişikliğe göre). WMMS performans değerlendirmesi için altın standart aktivite arasındaki gerçek pozitifler, yanlış negatif, gerçek negatifler, yanlış pozitif hesaplamak ve WMMS aktivitesini öngördü. Duyarlılık, seçicilik ve F-skor sonuçları önlemler hesaplamak için bu parametreleri kullanın. Not: analiz edilen pencerenin her iki tarafında 3 veri pencerelerin bir tolerans ayar değişikliği eyalet sonuçlarını belirlemek için kullanılan ve sınıflandırma sonuçları için 2 veri pencereleri edilebilir. 1 ikinci veri pencereler bu çalışmada WMMS kullanıldı çünkü bu tolerans dahilinde ardışık değişiklikler göz ardı edilir, böylece Örneğin, 3 sn önce ve geçerli pencerenin sonra muayene edildi. Dikkate 3 saniyeden daha kısa meydana devlet değişiklikler brüt huma için göz ardı edilebilir olduğunuBu devletlerin beri n hareket analizi geçici olarak düşünülebilir. </li></ol>

<ol><li>Lara, O. D., Labrador, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Survey+on+Human+Activity+Recognition+using+Wearable+Sensors%5BTitle%5D)+AND+%22IEEE+Communications+Surveys+Tutorials%22%5BJournal%5D)">A Survey on Human Activity Recognition using Wearable Sensors.</a> IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).</li>
<li>Foerster, F., Smeja, M., Fahrenberg, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+posture+and+motion+by+accelerometry%3A+a+validation+study+in+ambulatory+monitoring%5BTitle%5D)+AND+%22Computers+in+Human+Behavior%22%5BJournal%5D)">Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring.</a> Computers in Human Behavior. 15 (5), 571-583 (1999).</li>
<li>Elsmore, T. F., Naitoh, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aElsmore%2C+TF+%22Monitoring+Activity+With+a+Wrist-Worn+Actigraph%3A+Effects+of+Amplifier+Passband+and+threshold+Variations%22">Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations</a>. , DTIC Online. (1993).</li>
<li>Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKripke%2C+DF+%22Measuring+sleep+by+wrist+actigraph%22">Measuring sleep by wrist actigraph</a>. , DTIC Online. (1981).</li>
<li>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).</li>
<li>Incel, O. D., Kose, M., Ersoy, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+and+Taxonomy+of+Activity+Recognition+on+Mobile+Phones%5BTitle%5D)+AND+%22BioNanoScience%22%5BJournal%5D)">A Review and Taxonomy of Activity Recognition on Mobile Phones.</a> BioNanoScience. 3 (2), 145-171 (2013).</li>
<li>Yang, C. C., Hsu, Y. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Accelerometry-Based+Wearable+Motion+Detectors+for+Physical+Activity+Monitoring%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring.</a> Sensors. 10 (8), 7772-7788 (2010).</li>
<li>He, Y., Li, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physical+Activity+Recognition+Utilizing+the+Built-In+Kinematic+Sensors+of+a+Smartphone%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>Vo, Q. V., Hoang, M. T., Choi, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Personalization+in+Mobile+Activity+Recognition+System+using+K-medoids+Clustering+Algorithm%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>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).</li>
<li>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).</li>
<li>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).</li>
<li>Wu, H., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Activity+Change-of-state+Identification+Using+a+Blackberry+Smartphone%5BTitle%5D)+AND+%22Journal+of+Medical+and+Biological+Engineering%22%5BJournal%5D)">Activity Change-of-state Identification Using a Blackberry Smartphone.</a> Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).</li>
<li>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).</li>
<li>Tundo, M. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Development+of+a+human+activity+recognition+system+using+inertial+measurement+unit+sensors+on+a+smartphone%22">Development of a human activity recognition system using inertial measurement unit sensors on a smartphone</a>. , Available from: 
 <a target="_blank" href="http://www.ruor.uottawa.ca/handle/10393/30963">http://www.ruor.uottawa.ca/handle/10393/30963</a> (2014).</li>
</ol>

Yazarlar, rekabet eden hiçbir finansal çıkarları olmadığını beyan ederler.

Bir giyilebilir hareketlilik izleme sistemi ile insan faaliyetinin tanıma nedeniyle giyilebilir bilgisayar ve akıllı telefonlar ve klinik karar verme ve sağlık müdahalesi değerlendirmemize yardımcı kantitatif sonuç ölçümlerinin sistematik ihtiyaçlarını teknik gelişmeler son yıllarda daha fazla ilgi görmüştür. Bu yazıda anlatılan metodoloji etkinliği sınıflandırması hataları günlük yaşam aktiviteleri ve yürüyen senaryolar geniş bir yelpazede değerlendirmeye dahil olmasaydı mevcut olmazdı bulundu beri WMMS gelişimini değe...

Ubiquitous algılama nedeniyle giderek güçlü, küçük, düşük maliyetli bilgisayar ve donanımları 1 algılama için ilgi çekici bir araştırma alanı haline gelmiştir. Tüketici düzeyinde mikroelektronik yüksek doğruluk 1 ile hareket özelliklerini saptayabilen beri giyilebilir sensörler kullanılarak Hareketlilik izleme ilgi bir hayli üretti. 4 - ön çalışmalar 2 1990&#39;lar 1980&#39;lerde gerçekleştirilen ve birlikte giyilebilir sensörler kullanılarak insan faaliyeti tanıma (HAR), araştırma yeni bir alandır. Modern akıllı telefonlar hareketlilik faaliyeti tanınması için gerekli sensörler ve gerçek zamanlı hesaplama yeteneği içerir. Cihaz üzerindeki gerçek zamanlı analiz kullanıcı veya araştırmacı müdahalesi olmadan faaliyet sınıflandırma ve veri yükleme izin verir. Hareket analiz yazılımı ile bir akıllı telefon tespiti, ev veya iş otomasyonu ve kendi kendini yöneten exercis sonbahar, spor izleme, sağlık izleme sağlayabilire programları 5. Akıllı telefonlar onboard sensör çıkışları 6 ile hesaplanan oluşturulan matematiksel sinyal özelliklerini kullanarak, insanlarda mobil faaliyetleri ve mobil desenleri tespit etmek için atalet ölçüm platformları olarak kabul edilebilir. Ortak özellik nesil yöntemleri sezgisel, zaman etki, frekans domain ve dalgacık analizi temelli yaklaşımlar 7 arasındadır. Belirtilen faaliyetleri 1,5,6,7 tespit ettiğinde, modern akıllı telefon HAR sistemleri, yüksek tahmin doğrulukları göstermiştir. Çalışmaların çoğu, kendi eğitim seti, çevre kurulum ve veri toplama protokolü beri bu çalışmalar değerlendirme metodolojisi yanı sıra doğruluk değişebilir. Duyarlılık, özgüllük, doğruluk, hatırlama, hassas ve F-Puan yaygın tahmin kalitesini tanımlamak için kullanılır. Bununla birlikte, herhangi bir bilgi, küçük, gerçek zamanlı olarak aktivite değişiklikleri algılamak için yeteneği &quot;eşzamanlı aktivitesi&quot; tanıma ve değerlendirilmesi için yöntemler mevcuttur1, çeşitli etkinlikler kategorize girişiminde HAR sistemleri. HAR sistem hassasiyeti için Değerlendirme yöntemleri çalışmalar arasında önemli ölçüde değişir. Ne olursa olsun sınıflandırma algoritması veya uygulamalı özelliklerin, altın standart değerlendirme yöntemlerinin açıklamaları çoğu HAR araştırma için belirsizdir. Bir günlük yaşam ortamında Etkinlik tanıma yoğun araştırılmış değil. En akıllı telefon-temelli etkinlik tanıma sistemi, gerçek dünya ortamına algoritması yerine gerçekçi avantajlı olabilir bir değerlendirme protokolü yol açan, kontrollü bir şekilde değerlendirilir. Bunların değerlendirilmesi düzeni içinde, katılımcılar genellikle oldukça gerçek yaşam olaylarını taklit, ard arda gerçekleştirmek için katılımcı için gerçekçi faaliyetleri geniş bir ürün yelpazesi uygulamak daha tahmin yönelik sadece eylemleri gerçekleştirmek. Bazı akıllı telefon HAR tür merdiven ve yürüyüş gibi birlikte 8,9 grup benzer faaliyetleri, çalışmalarıAncak veri kümesinden diğer faaliyetleri hariç. Tahmin doğruluğu daha sonra algoritma hedef faaliyetlerini tespit ne kadar iyi belirlenir. Dernbach ve ark., 9 katılımcıların sürekli değişim-of-devlet geçişler kesintiye, hareket etmeden önce yürütmek için hakkında vardı yazma etkinliği vardı. Katılımcı bir günlük yaşam ortamında doğal eylemleri gerçekleştirir iken HAR sistem değerlendirmeler algoritması değerlendirmelidir. Bu uygulamanın günlük kullanım çoğaltır gerçek hayatta değerlendirilmesine olanak olacaktır. Gerçekçi bir devre birçok devlet değişikliklerini-yanı sıra sistem tarafından predicable olmayan eylemlerin bir karışımını içerir. Bir araştırmacı sonra bu şekilde anormal hareketlere algoritmanın sağlamlığını değerlendirmek, bu ek hareketlere algoritmanın yanıtını değerlendirmek olabilir. Bu kağıt gerçek yaşam günlük yaşam ortamlarını yansıtan kontrollü bir kurs kullanan Giyilebilir Mobilite İzleme Sistemi (WMMS) değerlendirme protokolü sunar. WMMSDeğerlendirme sonra kontrollü ama gerçekçi koşullar altında yapılabilir. Bu protokol, biz Ottawa Üniversitesi ve Ottawa Hospital Research Institute 11-15 geliştirildi üçüncü nesil WMMS kullanın. WMMS bir tri-eksenli ivmeölçer ve jiroskop ile akıllı telefonlar için tasarlanmıştır. Hareketlilik algoritması, kullanıcı değişkenliği hesapları değişiklik eyalet belirlenmesi için yanlış pozitif sayısında bir azalma sağlar ve etkinlik kategorizasyon hassasiyetini artırır. WMMS daha WMMS sınıflandırma geliştirir bağlam-duyarlı etkinlik değerlendirilmesi için devlet faaliyeti değişiklikleri tespit edilir kısa video klip kaydı tetikler çünkü yanlış pozitif en aza indirilmesi önemlidir. Gereksiz bir video kayıt depolama ve pil kullanımı yetersizliklere oluşturur. WMMS algoritması tahmin düzeyinde bir artış miktarında bir artış anlamına farklı tahmin seviyelerini kullanarak düşük hesaplama öğrenme modeli olarak yapılandırılmıştır ve değerlendirilirtanınabilir eylemler.

<table><tbody><tr><td>Akıllı telefon veya giyilebilir ölçüm cihazı</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Video kaydı için akıllı telefon</td><td>Blackberry</td><td>Z10 veya 9800</td><td></td></tr><tr><td>Telefon kılıfı</td> Akıllı telefon için <td>herhangi bir</td><td></td><td></td></tr><tr><td>Veri kaydedici uygulaması</td><td>BlackBerry World - BlackBerry 10</td><td></td> <td>için TOHRC Veri Kaydedici<a href="http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA">http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA</a></td></tr><tr><td>Giyilebilir mobilite ölçümü</td><td>Mobilite izleme için özel Blackberry 10 ve Matlab yazılımı</td><td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td>Video düzenleme veya <td></td></tr><tr><td> analiz yazılımı</td><td>Hareket Analizi Araçları</td><td></td><td><a href="http://www.irrd.ca/cag/mat/">http://www.irrd.ca/cag/mat/</a></td></tr></tbody></table>

bir günlük yaşam ortamında smartphone merkezli İnsan aktivitesi tanıma sisteminin değerlendirilmesi

Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment

Kullanıcı aktivitelerini tanımaya çalışan Giyilebilir Mobilite İzleme Sistemleri (WMMS) için günlük yaşam ortamında sürekli aktiviteleri içeren bir değerlendirme yöntemi geliştirilmiştir. Katılımcılar, hareketlilik aktiviteleri (yürüme, ayakta durma, oturma, yalan söyleme, merdiven çıkma / inme), günlük yaşam görevleri (saç tarama, diş fırçalama, yemek hazırlama, yemek yeme, bulaşık yıkama) ve ince ortam değişiklikleri (kapıları açma, asansör kullanma, yokuşlarda yürüme, merdiven sahanlıklarını geçme, açık havada yürüme) içeren sürekli bir test devresi içinde önceden belirlenmiş bir dizi günlük yaşam eylemi gerçekleştirdiler. 
Bu devredeki WMMS performansını değerlendirmek için, on beş güçlü katılımcı, sağ ön pelvislerinde bir akıllı telefon takarken görevleri tamamladı. WMMS uygulaması, aktivite durumlarını sınıflandırmak için akıllı telefon ivmeölçeri ve jiroskop sinyallerini kullandı. Her denemenin videoya kaydedilmesi ve aktivite başlangıç zamanlarının manuel olarak kaydedilmesiyle altın standart bir karşılaştırma veri seti oluşturuldu. Altın standart ve WMMS verileri çevrimdışı olarak analiz edildi. Her devre için üç sınıflandırma seti hesaplandı: (i) hareketlilik veya hareketsizlik, ii) oturmak, ayakta durmak, yatmak veya yürümek ve (iii) oturmak, ayakta durmak, yatmak, yürümek, merdiven çıkmak veya küçük ayakta durma hareketi. Aktivite kategorizasyonu ve durum değişiklikleri için duyarlılıklar, özgüllükler ve F-Skorları hesaplandı.
Mobil ve hareketsiz sınıflandırma seti %86.30 ± %7.2 duyarlılığa ve %98.96 ± %0.6 özgüllüğe sahipken, ikinci tahmin seti %88.35 ± %7.80 duyarlılığa ve %98.51 ± %0.62 özgüllüğe sahipti. Üçüncü sınıflama seti için duyarlılık %84.92 ± %6.38 ve özgüllük 98.17 ± 0.62 idi. Birinci, ikinci ve üçüncü klasman setleri için F1 puanları sırasıyla 86.17 ± 6.3, 80.19 ± 6.36 ve 78.42 ± 5.96 idi. Bu, WMMS performansının algoritmalara ek olarak değerlendirme protokolüne de bağlı olduğunu göstermektedir. Gösterilen protokol, mobilite izlemenin klinik karar vermede faydalı olabileceği rehabilitasyon tıbbında insan aktivitesi tanıma sistemlerini değerlendirmek için kullanılabilir ve uyarlanabilir.

Çalışma protokolü yüksekliği cm (11,4 ±) 173,9 idi, kimin ortalama ağırlığı 68.9 idi (11.1 ±) onbeş-güçlü gövdeli katılımcıların bir kolaylık numunesi kg yapılan ve yaş Ottawa Hastanesi işe, 26 (± 9) yıl idi ve Ottawa personelin ve öğrencilerin Üniversitesi. Bir akıllı telefon değişken 40-50 Hz hızında sensör verileri ele geçirdi. Örnek oranı varyasyonları smartphone sensörü örnekleme için tipiktir. İkinci akıllı telefon 1280x720 (720p) çözünürlükte dijital video kaydetmek için kullanıldı. K...

Giyilebilir Mobilite İzleme Sistemleri (WMMS) için gerçekçi bir günlük yaşam ortamında sürekli aktiviteleri içeren standart bir değerlendirme yöntemi geliştirilmiştir. Bir dizi günlük yaşam aktivitesi ile test etmek, aktivite tanıma hassasiyetini azaltabilir; bu nedenle, WMMS performansının geçerli bir şekilde değerlendirilmesi için gerçekçi test devreleri teşvik edilir.

Bir Günlük Yaşam Ortamında Smartphone merkezli İnsan Aktivitesi Tanıma Sisteminin Değerlendirilmesi

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that ...

Bu aktivite tanıma metodolojisinin genel amacı, gerçekçi bir günlük yaşam ortamında sürekli aktiviteleri dahil ederek giyilebilir mobilite izleme sistemlerini test etmek için standartlaştırılmış bir değerlendirme yöntemi sağlamaktır. Bu yöntem; fiziksel rehabilitasyon, biyomedikal mühendisliği ve biyomekanik alanlarında, bir kişinin nasıl hareket ettiğini kaydeden giyilebilir sensör sistemlerinin doğru ve güvenilir sonuçlar sağlayıp sağlamadığı gibi temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin temel avantajı, değerlendirme protokolünün gerçek yaşamdaki günlük yaşam ortamlarını yansıtan bir kontrol parkuru kullanmasıdır. Katılımcının sağ ön kalçasına bir telefon kılıfını güvenli bir şekilde takarak başlayın.Sensör verilerini toplamak için kullanılan mobilite ölçüm akıllı telefonunda uygulamayı başlatın. Ardından, akıllı telefonu, cihazın arkası dışarıya bakacak şekilde kılıfa yerleştirin. Son olarak, anonimlik sağlamak amacıyla ikinci bir akıllı telefonla dijital video kaydını başlatın.Karşılaştırma videosunu, katılımcının yüzünü göstermeden ikinci akıllı telefonla kaydedin. Ancak, aktivite devresi boyunca tüm aktivite geçişlerinin kaydedildiğinden emin olun. Katılımcıyı takip edin ve katılımcının tüm eylemlerini kaydetmek için ikinci akıllı telefonu kullanın.Katılımcıya ayakta dururken aşağıdaki talimatları vererek başlayın. Denemenin başladığını belirtmek için akıllı telefonu sallayın. En az 10 saniye boyunca ayakta durmaya devam edin ve ardından yakındaki bir sandalyeye yürüyerek oturun.Ayağa kalkın ve bir asansör durağına kadar 60 metre yürüyün, asansörün gelmesini bekleyin ve ardından asansörün içine girin. Sonra dönün ve ev ortamına doğru yürüyün. Banyoya girin; diş fırçalamayı, saç taramayı, elleri yıkamayı ve ardından bir havlu kullanarak elleri kurulamayı simüle edin.Ardından, mutfağa gidin, raftan tabakları alın ve bunları tezgaha yerleştirin. Mutfak eviyesinden bir su ısıtıcısını suyla doldurun ve su ısıtıcısını ocağın üzerine koyun. Daha sonra, ekmekleri ekmek kızartma makinesine yerleştirin.Ardından, yemek odasına gidin ve yemek masasına oturun. Masada yemek yeme işlemini simüle edin. Daha sonra ayağa kalkın ve bulaşıkları durulamak ve bir rafa yerleştirmek için mutfak lavabosuna geri dönün.Bir merdiven boşluğuna kadar 50 metre yürüyün. Kapıyı açın ve merdiven boşluğuna girin. 13 basamak yukarı çıkın ve koridora açılan merdiven boşluğu kapısını açın.Sağa dönün ve koridorda 15 metre boyunca yürüyün. Ardından katılımcıya arkasını dönmesini ve merdiven boşluğuna geri dönmek için 15 metre yürümesini söyleyin. Kapıyı açın, merdiven boşluğuna girin, 13 basamak aşağı inin ve merdiven boşluğundan çıkın.Ardından, bir odaya girin ve yatağa uzanın. Sonra kalkın ve bir rampaya doğru 10 metre yürüyün. Rampadan yukarı çıkın, geri dönün ve ardından rampadan aşağı yürüyün.Koridorda yürümeye devam edin ve dışarıya açılan kapıyı açın. Ardından, döşenmiş yol üzerinde 100 metre yürüyün. Geri dönün ve odaya doğru geri yürüyün.Ardından odaya girin ve başlangıç noktasında durun. Beklemeye devam edin ve ardından denemenin sona erdiğini belirtmek için akıllı telefonu sallayın. Deneme tamamlandığında, ikinci akıllı telefondaki kaydı durdurun ve kılıf içindeki ilk akıllı telefonu katılımcıdan çıkarın.Son olarak, ilk akıllı telefondaki veri kaydı uygulamasını durdurun. Edinilen hareket verisi dosyalarını ve video dosyalarını, sonradan işleme için her iki telefondan bir bilgisayara kopyalayın. Bu protokol, günlük yaşam ortamındaki sürekli aktiviteler sırasında giyilebilir mobilite izleme sistemleri veya WMMS için bir değerlendirme yöntemini ele almıştır.Hassasiyet ve özgüllük; mobilite veya immobilite olmak üzere üç sınıflandırma türü için ölçülmüştür: Oturma, ayakta durma, yatma veya yürüme ile oturma, ayakta durma, yatma, merdiven çıkma veya küçük ayakta durma hareketleri. Bu protokol, WMMS sistemleri için önceki raporlara göre daha muhafazakar sonuçlar verecek olsa da, burada bildirilen sonuçlar günlük uygulamadaki çıktıları daha iyi yansıtacaktır.Bu teknikte uzmanlaşıldığında, doğru şekilde uygulandığı takdirde işlem 10 ila 15 dakika içinde tamamlanabilir. Bu prosedürü gerçekleştirirken, çalışma katılımcısına açık talimatlar vermeyi ve tüm aktivite geçişlerini, videodan kaydedilebilmeleri için not etmeyi unutmamak önemlidir. Bu prosedürün ardından, sensör çıktısı üzerinde geliştirilmiş aktivite sınıflandırma yöntemleri oluşturmak amacıyla başka hesaplama yöntemleri uygulanabilir.Bu teknik, insan aktivitesi tanıma alanındaki araştırmacıların, gerçek dünyaya aktarılabilecek bir ortamda giyilebilir mobilite izlemesini keşfetmelerinin yolunu açmaktadır. Bu videoyu izledikten sonra, sürekli bir test ortamının nasıl kurulacağı ve insan aktivitesi izleme uygulamalarını değerlendirmek için ilgili insan hareket verilerinin nasıl kaydedileceği konusunda iyi bir anlayışa sahip olmalısınız. Engelli bireylerin farklı mobilite ve denge yeteneklerine sahip olacağını unutmayın; bu nedenle, bu prosedür uygulanırken düşmeleri veya aşırı zorlanmaları önlemek için önlemler alınmalıdır.

evaluation-smartphone-based-human-activity-recognition-system-daily

Research

JoVE Journal

Behavior

Davranış

Bu el yazması, akıllı telefon uygulaması tarafından kaydedilen kinematik ölçümlerin sagital düzlemdeki bir 3D hareket yakalama sistemine kıyasla eşzamanlı geçerliliğini test etme yöntemini açıklar. Bu protokol, klinisyenlerin insan hareketini videoya çekmek için akıllı telefonlar kurmasını sağlayacaktır.

Video Hareket Analizi Kullanarak Akıllı telefonlar (VIMAS): Bir Pilot Çalışma

Bu çalışmada, tasarlamak ve gıda alımı şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim bir protokol sunar ve yük hücreleri kullanarak seçme diğer fiziksel aktiviteler gözlük her iki menteşeler eklenmiş.

Tasarım ve gıda alımı ve fiziksel aktivite sınıflandırma için akıllı gözlük değerlendirme

Göze batmayan sensörler ve yaygın bilgisayar teknolojilerini günlük ev hayatı ve eski yetişkin sağlar anlamlı sağlık sürekli ekolojik geçerli sağlayan yıl, ay için kaydedilmek üzere faaliyet değişiklikleri yüksek frekans dahil, birden çok etki alanı veri araştırma ve klinik kullanımı için.

Göze batmayan ve sürekli uzak aktivite ve sağlık veri yakalamak için geniş toplum hayat Laboratuar kurmak için metodoloji

Günlük yaşam (IADL) enstrümantal faaliyetleri bir hareket yakalama sistemiyle değerlendirmek için bir sanal gerçeklik test dizayn ettik. Yörünge, hareketli mesafe ve zaman IADL yeteneklerini değerlendirmek için tamamlanması için dahil olmak üzere çeşitli hareketler katılımcının yorumlamak için detaylı bir kinematik analiz öneriyorum.

Sanal gerçeklik içinde günlük yaşam hareketleri hareket yakalama sistemleri ile kinematik ölçme

Bu yenilikçi cihaz, kontrollü ortamlarda yürüyüş ve aktivite analizine izin vermek için Magneto-atalet sensörleri kullanır. Şu anda Avrupa Tıp ajansı 'nda bir sonuç ölçümü olarak yeterlilik sürecinde, uygulamalardan biri nöromüsküler hastalıklarda klinik çalışmalarda klinik bir uç olarak hizmet edecek.

Yürüyüş ve aktivite analizi için ev tabanlı monitör

Benmerkezci bir kamera kullanarak el bozukluğu olan bireylerin günlük rutinleri sırasında doğal el fonksiyonlarını yakalamak için bir protokol önerilmektedir. Protokolün amacı, kayıtların evde günlük yaşam aktiviteleri sırasında bireyin tipik el kullanımını temsil etmesini sağlamaktır.

Üst Eks uzuv bozukluğu olan Bireylerde Benmerkezci Video Kullanarak Evde Temsili El Kullanımını Yakalamak

Mevcut protokol, psikolojik ölçekler, GPS konumu, kalp atış hızı ve kan-oksijen doygunluk seviyesinin yanı sıra uygulamanın çalışma prosedürleri de dahil olmak üzere gerçek zamanlı yerinde veri toplamak için ticari olmayan, kendi geliştirdiği bir uygulamayı tanıtmaktadır. Uygulama örneği olarak 2020 yılında Tayvan'da yapılan ampirik bir çalışma kullanılmıştır.

Kişisel Sağlık Durumunu İzlemek için Giyilebilir Cihazlarla Eşleştirme Uygulaması

Giyilebilir sensörlerle donatılmış ticari akıllı saatler, nüfus çalışmalarında giderek daha fazla kullanılmaktadır. Bununla birlikte, yardımcı programları genellikle sınırlı pil süresi, bellek kapasitesi ve veri kalitesi ile sınırlıdır. Bu rapor, astımlı çocukları ve yaşlı kalp hastalarını içeren çalışmalar sırasında karşılaşılan gerçek hayattaki teknik zorluklara uygun maliyetli çözümlerin örneklerini sunmaktadır.

Nüfus Çalışmalarında Maruz Kalma ve Sağlık İzleme için Tüketici Giyilebilir Cihazlarının Kurulumu

Bu makale, öğrencilerin derse dikkat edip etmediklerini veya dikkatlerinin dağılıp dağılmadığını otomatik olarak tespit etmek için yapay zeka tabanlı bir sistem önermektedir. Bu sistem, öğretmenlerin öğrencilerin dikkatini sürdürmelerine, derslerini optimize etmelerine ve daha ilgi çekici olmaları için dinamik olarak değişiklikler yapmalarına yardımcı olmak için tasarlanmıştır.

Öğrencilerdeki Dikkat Düzeylerini Tespit Etmek İçin Yapay Zeka Tabanlı Sistem

Bu makale, çok sensörlü bir giyilebilir cihaz ve tam otomatik derin öğrenme tabanlı analiz hattı ile bebeklerin kaba motor performansının değerlendirilmesini özetlemektedir. Yöntem, bebeklerin sırtüstü yatmaktan bağımsız olarak yürümeyi öğrenene kadar duruş ve hareket kalıplarını ölçer.

Çok sensörlü giyilebilir bir cihaz kullanarak bebeğin kaba motor yeteneklerinin niceliksel değerlendirmesi

M3-BREATHE, gerçek dünyada kişiselleştirilmiş tedavi ve sağlık değerlendirmesi için solunum, davranış ve çevresel maruziyetleri izlemek amacıyla giyilebilir sensörleri entegre eden mobil sağlık (mHealth) sistemidir.

Gerçek Dünya M3-BREATHE: Tedavi ve Sağlık Değerlendirmesi için Davranış, Soluum ve Maruziyetlerin Çok Modlu Mobil İzlemesine Doğru

Öğrenin, giyilebilir hareketlilik izleme sistemlerini gerçekçi günlük yaşam ortamında sürekli aktivitelerle değerlendirmek için standart bir protokol. Bu yöntem, rehabilitasyon ve biyomedikal mühendisliği alanlarında klinik karar vermeyi destekler.

Bir Günlük Yaşam Ortamında Smartphone merkezli İnsan Aktivitesi Tanıma Sisteminin Değerlendirilmesi

Daha fazla video keşfet