Name: evaluation of a smartphone-based human activity recognition system in a daily living environment
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Watch this Scientific Journal Video about Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment at JoVE.com

Los autores reconocen Evan Beisheim, Nicole Capela, Andrew Herbert-Copley para la asistencia técnica y la recogida de datos. La financiación del proyecto se recibió de Ciencias Naturales e Ingeniería de Investigación de Canadá (NSERC) y BlackBerry Ltd., incluyendo teléfonos inteligentes utilizados en el estudio.

Este protocolo fue aprobado por el Consejo de Ética de Investigación de Ottawa Red de Ciencias de la Salud. 1. Preparación <ol><li> Proporcionar a los participantes con un resumen de la investigación, responder a cualquier pregunta, y obtener el consentimiento informado. Características de los participantes de grabación (por ejemplo, edad, sexo, altura, peso, circunferencia de la cintura, la altura de la pierna desde la anterior espina ilíaca ilíaca al maléolo medial), código de identificación, y la fecha en una hoja de datos. Asegúrese de que el segundo teléfono inteligente que se utiliza para capturar vídeo se establece en al menos un 30 fotogramas por segundo velocidad de captura. </li><li> Fije firmemente una funda de teléfono para cinturón o pantalón delante de la cintura el derecho del participante. Inicie la aplicación de teléfono inteligente que se utiliza para recoger los datos de los sensores (es decir, de registro de datos o aplicación WMMS) en el teléfono inteligente de medición movilidad y garantizar que la aplicación se ejecuta correctamente. Coloque el teléfono inteligente en la funda, con la parte posterior del dispositivo (ca traseraMera) hacia afuera. </li><li> Iniciar grabación de vídeo digital en un segundo teléfono inteligente. Para el anonimato, grabar el video de comparación sin mostrar la cara de la persona, pero asegurarse de registrar todas las transiciones de actividad. El teléfono puede ser de mano. </li></ol> 2. Actividad Circuito <ol><li> Siga el participante y video de sus acciones, en el segundo teléfono inteligente, mientras realizan las siguientes acciones, pronunciadas por el investigador: <ol><li> Desde una posición de pie, agitar el teléfono inteligente para indicar el inicio del juicio. </li><li> Continuar en reposo durante al menos 10 seg. Esta fase de pie se puede utilizar para la calibración orientación teléfono 14. </li><li> A pie de una silla cercana y sentarse. </li><li> Ponte de pie y caminar 60 metros a un ascensor. </li><li> Ponte de pie y esperar a que el ascensor y luego entrar en el ascensor. </li><li> Tome el ascensor hasta el segundo piso. </li><li> Gire y entrar en el entorno del hogar. </li><li> Al entrar en el cuarto de baño y simular cepillarse los dientes. </li><li> Simular peinarse. </li><li> Simular el lavado de manos. </li><li> Seque las manos con una toalla. </li><li> A pie hasta la cocina. </li><li> Tome los platos de un estante y colocarlos en el mostrador. </li><li> Llene una tetera con agua del fregadero de la cocina. </li><li> Coloque la olla en el elemento de estufa. </li><li> Coloque el pan en una tostadora. </li><li> A pie hasta el comedor. </li><li> Sentarse en una mesa de comedor. </li><li> Simular una comida en la mesa. </li><li> Ponte de pie y caminar de regreso a la pileta de la cocina. </li><li> Enjuague los platos y colocarlos en un estante. </li><li> A pie desde la cocina hacia el ascensor. </li><li> Ponte de pie y esperar a que el ascensor y luego entrar en el ascensor. </li><li> Tome el ascensor hasta el primer piso. </li><li> Caminar 50 metros a una escalera. </li><li> Abra la puerta y entrar en el hueco de la escalera. </li><li> Sube por las escaleras (13 escalones, alrededor de aterrizaje, 13 pasos). </li><li> Abra la puerta de la escalera en el pasillo. </li><li> Gire a la derecha y caminar por el pasillo de 15 metros. </li><li> Date la vuelta y caminar 15 metros de nuevo a la escalera. </li><li> Abra la puerta y entrar en el hueco de la escalera. </li><li> Caminar por escaleras (13 escalones, alrededor de aterrizaje, 13 pasos). </li><li> Salga de la escalera y entrar en una habitación. </li><li> Acuéstese sobre una cama. </li><li> Levántese y camine 10 metros a una rampa. </li><li> Sube por la rampa, girar a su alrededor, luego por la rampa (20 metros). </li><li> Continúe caminando por el pasillo y abrir la puerta hacia el exterior. </li><li> Caminar 100 metros de la vía pavimentada. </li><li> Date la vuelta y caminar de regreso a la habitación. </li><li> Al entrar en la habitación y situarse en el punto de partida. </li><li> Continuar en pie, y luego agitar el teléfono inteligente para indicar el final de la prueba. </li></ol></li></ol> 3. Prueba de finalización <ol><li> Detenga el teléfono inteligente de grabación de vídeo y pedir al participante para retirar y devolver el smartphone y funda. Detenga el registro de datos o aplicación WMMS en la smartphone. Copie los archivos de datos de movimiento adquiridos y el archivo de vídeo de los dos teléfonos a un ordenador para el procesamiento posterior. </li></ol> 4. Post-procesamiento <ol><li> Sincronizar temporización entre el vídeo y los datos del sensor en bruto mediante la determinación del momento en que el movimiento de la acción comenzó. Este movimiento de sacudida corresponde a una señal del acelerómetro y el vídeo del marco distinta. Compruebe si hay error de sincronización restando el tiempo de batido de finales de la época sacudida inicial, para fuentes de datos de los sensores y vídeo. Diferencias de tiempo deben ser similares entre los dos conjuntos de datos. </li><li> Determinar los tiempos reales de cambio de estado del video estándar de oro registrando la diferencia de tiempo desde el momento en el movimiento de comienzo para el fotograma de vídeo en la transición entre las actividades. Utilice el software de edición de vídeo para obtener la sincronización dentro de 0.033 segundos (es decir, 30 fotogramas por segundo velocidad de vídeo). Utilice el software WMMS para generar cambios del estado comparables de los datos del sensor. </li><li> Generar dos conjuntos de datos, unocon actividades reales y la segunda con actividades previstas, mediante el etiquetado de la actividad para cada fotograma de vídeo (basado en el cambio de estado de temporización) y luego el cálculo de la actividad pronosticada en cada tiempo de fotograma de vídeo desde la salida WMMS. Para la evaluación del desempeño WMMS, calcule verdaderos positivos, falsos negativos, verdaderos negativos, falsos positivos entre la actividad del patrón oro y WMMS actividad predijo. Utilice estos parámetros para el cálculo de medidas de resultados de sensibilidad, especificidad, y F-score. Nota: Un valor de tolerancia de 3 ventanas de datos a cada lado de la ventana que se analiza se puede utilizar para determinar los resultados de cambio de estado, y 2 ventanas de datos para los resultados de clasificación. Por ejemplo, ya que se utilizaron 1 segundas ventanas de datos para la WMMS en este estudio, 3 seg antes y después de la ventana actual se examinaron de manera que se ignoran los cambios consecutivos dentro de esta tolerancia. La consideración fue que los cambios de estado que se producen en menos de 3 segundos se puede ignorar para huma brutoanálisis n movimiento, ya que estos estados sería considerado transitorio. </li></ol>

<ol>
	<li>Lara, O. D., Labrador, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Survey+on+Human+Activity+Recognition+using+Wearable+Sensors.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detection+of+posture+and+motion+by+accelerometry:+a+validation+study+in+ambulatory+monitoring.">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://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations. , (1993).</li><li>Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Measuring sleep by wrist actigraph. , (1981).</li><li>Lockhart, J. W., Pulickal, T., Weiss, G. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applications+of+mobile+activity+recognition.">Applications of mobile activity recognition.</a> 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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Review+and+Taxonomy+of+Activity+Recognition+on+Mobile+Phones.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Review+of+Accelerometry-Based+Wearable+Motion+Detectors+for+Physical+Activity+Monitoring.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physical+Activity+Recognition+Utilizing+the+Built-In+Kinematic+Sensors+of+a+Smartphone.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Personalization+in+Mobile+Activity+Recognition+System+using+K-medoids+Clustering+Algorithm.">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. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Simple+and+Complex+Activity+Recognition+through+Smart+Phones.">Simple and Complex Activity Recognition through Smart Phones.</a> , 214-221 (2012).</li><li>Hache, G., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mobility+change-of-state+detection+using+a+smartphone-based+approach.">Mobility change-of-state detection using a smartphone-based approach.</a> IEEE International Workshop on Medical Measurements and Applications Proceedings (MeMeA). , 43-46 (2010).</li><li>Wu, H. H., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Change-of-state+determination+to+recognize+mobility+activities+using+a+BlackBerry+smartphone.">Change-of-state determination to recognize mobility activities using a BlackBerry smartphone.</a> , 5252-5255 (2011).</li><li>Wu, H., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Activity+Change-of-state+Identification+Using+a+Blackberry+Smartphone.">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. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Correcting+Smartphone+orientation+for+accelerometer-based+analysis.">Correcting Smartphone orientation for accelerometer-based analysis.</a> IEEE International Symposium on Medical Measurements and Applications Proceedings (MeMeA). , 58-62 (2013).</li><li>Tundo, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Development of a human activity recognition system using inertial measurement unit sensors on a smartphone. , (2014).</li></ol>

The authors declare that they have no competing financial interests.

Reconocimiento de la actividad humana con un sistema de monitoreo de movilidad portátil ha recibido más atención en los últimos años debido a los avances técnicos en computación y smartphones ponible y necesidades sistemáticas para medidas de resultados cuantitativos que ayuden en la toma de decisiones clínicas y la evaluación intervención de salud. La metodología descrita en este trabajo fue eficaz para evaluar el desarrollo WMMS ya que se encontraron errores de clasificación de actividades que no habrían...

Detección Ubicua ha convertido en un área de investigación de acoplamiento debido a la cada vez más poderosa, pequeño, la computación de bajo costo y equipos de detección 1. Monitoreo Movilidad utilizando sensores vestibles ha generado un gran interés desde la microelectrónica a nivel de los consumidores son capaces de detectar características de movimiento con alta precisión 1. Reconocimiento de la actividad humana (HAR), utilizando sensores vestibles es un área reciente de investigación, con los estudios preliminares realizados en los años 1980 y 1990 2-4. Smartphones modernos contienen los sensores necesarios y la capacidad de cálculo en tiempo real para el reconocimiento de la actividad de la movilidad. Análisis en tiempo real en el dispositivo permite la clasificación de la actividad y de la carga de datos sin intervención del usuario o investigador. Un smartphone con software de análisis de la movilidad podría proporcionar seguimiento gimnasio, vigilancia de la salud, la caída de detección, el hogar o la automatización del trabajo, y exercis autogestiónprogramas e 5. Smartphones pueden considerarse plataformas de medición inercial para detectar actividades móviles y patrones móviles en los seres humanos, el uso de características de señal matemáticos generados calculados con salidas de los sensores a bordo 6. Métodos de generación de características comunes incluyen heurística, el dominio del tiempo, dominio de la frecuencia, y los enfoques basados ​​en análisis wavelet-7. Sistemas HAR smartphones modernos han demostrado una precisión alta de predicción al detectar actividades especificadas 1,5,6,7. Estos estudios varían en la metodología de evaluación, así como la precisión ya que la mayoría de estudios tienen su propio conjunto de entrenamiento, la configuración del medio ambiente, y el protocolo de recogida de datos. La sensibilidad, la especificidad, la exactitud, el recuerdo, la precisión, y F es la puntuación se utilizan comúnmente para describir la calidad de predicción. Sin embargo, poco o nada de información está disponible en los métodos de reconocimiento &quot;actividad concurrente&quot; y la evaluación de la capacidad de detectar cambios en la actividad en tiempo real1, para los sistemas de HAR que intentan categorizar varias actividades. Métodos de evaluación de HAR precisión del sistema varían considerablemente entre los estudios. Independientemente del algoritmo de clasificación o características aplicadas, las descripciones de los métodos de evaluación estándar de oro son vagos para más investigación HAR. El reconocimiento de actividades en un ambiente de la vida diaria no ha sido ampliamente investigado. La mayoría de los sistemas de reconocimiento de la actividad basada en teléfonos inteligentes se evalúan de una manera controlada, dando lugar a un protocolo de evaluación que puede ser ventajoso para el algoritmo en lugar de realista para un entorno del mundo real. Dentro de su esquema de evaluación, los participantes suelen realizar sólo las acciones destinadas a la predicción, en lugar de aplicar una amplia gama de actividades realistas para el participante para realizar consecutivamente, imitando los acontecimientos de la vida real. Algunos HAR teléfono inteligente estudia 8,9 grupales actividades similares juntos, como escaleras y caminar, Pero excluir otras actividades del conjunto de datos. Precisión de la predicción se determina entonces por lo bien el algoritmo identifica las actividades de destino. Dernbach et al. 9 tenían los participantes escriben la actividad que estaban a punto de ejecutar antes de pasar, interrumpiendo transiciones continuas cambio-de-estado. Evaluaciones del sistema HAR deberían evaluar el algoritmo, mientras que el participante realiza acciones naturales en un entorno vida diaria. Esto permitiría una evaluación de la vida real que se replica el uso diario de la aplicación. Un circuito realista incluye muchos cambios del estado, así como una mezcla de acciones no predecibles por el sistema. Un investigador puede entonces evaluar la respuesta del algoritmo para estos movimientos adicionales, evaluando así la robustez del algoritmo para movimientos anómalos. Este artículo presenta una Wearable Sistema de Control de la Movilidad (WMMS) protocolo de evaluación que utiliza un supuesto control que refleja los ambientes de la vida diaria de la vida real. WMMSevaluación puede entonces hacerse bajo condiciones controladas, pero realistas. En este protocolo, se utiliza un WMMS de tercera generación que se desarrolló en la Universidad de Ottawa y Ottawa Hospital Research Institute 11-15. El WMMS fue diseñado para los teléfonos inteligentes con un acelerómetro de tres ejes y giroscopio. El algoritmo de la movilidad representa la variabilidad de usuario, proporciona una reducción en el número de falsos positivos para la identificación de los cambios del estado, y aumenta la sensibilidad de la actividad de categorización. Reducir al mínimo los falsos positivos es importante ya que el WMMS desencadena la grabación de videoclips cortos cuando se detectan cambios en la actividad del Estado, para la evaluación de la actividad sensible al contexto que mejora aún más la clasificación WMMS. Grabación de vídeo innecesario crea ineficiencias en el almacenamiento y uso de la batería. El algoritmo WMMS está estructurado como un modelo de bajo computacional aprendizaje y evaluó utilizando diferentes niveles de predicción, donde un aumento en el nivel de predicción representa un aumento en la cantidadacciones de reconocibles.

<table><tbody><tr><td>Smartphone or wearable measurement device</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Smartphone for video recording</td><td>Blackberry</td><td>Z10 or 9800</td><td></td></tr><tr><td>Phone holster</td><td>Any</td><td></td><td></td></tr><tr><td>Data logger application for the smartphone</td><td>BlackBerry World - TOHRC Data Logger for BlackBerry 10</td><td></td><td>&lt;a href=&quot;http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA&quot;&gt;http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA&lt;/a&gt;</td></tr><tr><td>Wearable mobility measurement</td><td>Custom Blackberry 10 and Matlab software for mobility monitoring</td><td></td><td>&lt;a href=&quot;http://www.irrd.ca/cag/smartphone/&quot;&gt;http://www.irrd.ca/cag/smartphone/&lt;/a&gt;</td></tr><tr><td>Video editing or analysis software</td><td>Motion Analysis Tools</td><td></td><td>&lt;a href=&quot;http://www.irrd.ca/cag/mat/&quot;&gt;http://www.irrd.ca/cag/mat/&lt;/a&gt;</td></tr></tbody></table>

evaluation of a smartphone-based human activity recognition system in a daily living environment

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that attempt to recognize user activities. Participants performed a pre-determined set of daily living actions within a continuous test circuit that included mobility activities (walking, standing, sitting, lying, ascending/descending stairs), daily living tasks (combing hair, brushing teeth, preparing food, eating, washing dishes), and subtle environment changes (opening doors, using an elevator, walking on inclines, traversing staircase landings, walking outdoors). 
To evaluate WMMS performance on this circuit, fifteen able-bodied participants completed the tasks while wearing a smartphone at their right front pelvis. The WMMS application used smartphone accelerometer and gyroscope signals to classify activity states. A gold standard comparison data set was created by video-recording each trial and manually logging activity onset times. Gold standard and WMMS data were analyzed offline. Three classification sets were calculated for each circuit: (i) mobility or immobility, ii) sit, stand, lie, or walking, and (iii) sit, stand, lie, walking, climbing stairs, or small standing movement. Sensitivities, specificities, and F-Scores for activity categorization and changes-of-state were calculated.
The mobile versus immobile classification set had a sensitivity of 86.30% &#177; 7.2% and specificity of 98.96% &#177; 0.6%, while the second prediction set had a sensitivity of 88.35% &#177; 7.80% and specificity of 98.51% &#177; 0.62%. For the third classification set, sensitivity was 84.92% &#177; 6.38% and specificity was 98.17 &#177; 0.62. F1 scores for the first, second and third classification sets were 86.17 &#177; 6.3, 80.19 &#177; 6.36, and 78.42 &#177; 5.96, respectively. This demonstrates that WMMS performance depends on the evaluation protocol in addition to the algorithms. The demonstrated protocol can be used and tailored for evaluating human activity recognition systems in rehabilitation medicine where mobility monitoring may be beneficial in clinical decision-making.

El protocolo del estudio se realizó con una muestra de quince participantes aptos cuyo peso promedio fue 68,9 (± 11,1) kg, altura fue 173,9 (± 11,4) cm, y la edad fue de 26 (± 9) años, reclutados en el Hospital de Ottawa y la Universidad de Ottawa y personal de los estudiantes. Un smartphone capturado los datos del sensor a una tasa variable de 40 a 50 Hz. Variaciones del tipo de muestra son típicos para el muestreo del sensor smartphone. Un segundo teléfono inteligente se utiliza para grabar vídeo digital con u...

Watch this Scientific Journal Video about Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment at JoVE.com

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

A standardized evaluation method was developed for Wearable Mobility Monitoring Systems (WMMS) that includes continuous activities in a realistic daily living environment. Testing with a series of daily living activities can decrease activity recognition sensitivity; therefore, realistic testing circuits are encouraged for valid evaluation of WMMS performance.

Evaluación de un sistema de reconocimiento de la actividad humana a base de Smartphone en una de Vida Diaria

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

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

Universidad San Sebastian

Research

JoVE Journal

Behavior

8.8K vistas.  University of Ottawa. A standardized evaluation method was developed for Wearable Mobility Monitoring Systems (WMMS) that includes continuous activities in a realistic daily living environment. Testing with a series of daily living activities can decrease activity recognition sensitivity; therefore, realistic testing circuits are encouraged for valid evaluation of WMMS performance.

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

Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data

An end-to-end suite of technologies has been established for the unobtrusive and continuous monitoring of health and activity changes occurring in the daily life of older adults over extended periods of time. The technology is aggregated into a system that incorporates the principles of being minimally obtrusive, while generating secure, privacy protected, continuous objective data in real-world (home-based) settings for months to years. The system includes passive infrared presence sensors placed throughout the home, door contact sensors installed on exterior doors, connected physiological monitoring devices (such as scales), medication boxes, and wearable actigraphs. Driving sensors are also installed in participants' cars and computer (PC, tablet or smartphone) use is tracked. Data is annotated via frequent online self-report options that provide vital information with regard to the data that is difficult to infer via sensors such as internal states (e.g., pain, mood, loneliness), as well as data referent to activity pattern interpretation (e.g., visitors, rearranged furniture). Algorithms have been developed using the data obtained to identify functional domains key to health or disease activity monitoring, including mobility (e.g., room transitions, steps, gait speed), physiologic function (e.g., weight, body mass index, pulse), sleep behaviors (e.g., sleep time, trips to the bathroom at night), medication adherence (e.g., missed doses), social engagement (e.g., time spent out of home, time couples spend together), and cognitive function (e.g., time on computer, mouse movements, characteristics of online form completion, driving ability). Change detection of these functions provides a sensitive marker for the application in health surveillance of acute illnesses (e.g., viral epidemic) to the early detection of prodromal dementia syndromes. The system is particularly suitable for monitoring the efficacy of clinical interventions in natural history studies of geriatric syndromes and in clinical trials.

Unobtrusive sensors and pervasive computing technology incorporated into the daily home life of older adults enables meaningful health and activity changes to be recorded continuously for months to years, providing ecologically valid, high frequency, multi-domain data for research or clinical use.

Metodología para el establecimiento de un laboratorio de vida de toda la comunidad de captación discreta y continua actividad remota y datos de salud

An end-to-end suite of technologies has been established for the unobtrusive and continuous monitoring of health and activity changes occurring in the ...

Investigación

Comportamiento

Measuring the Kinematics of Daily Living Movements with Motion Capture Systems in Virtual Reality

The inability to complete instrumental activities of daily living (IADL) is a precursor to various neuropsychological diseases. Questionnaire-based assessments of IADL are easy to use but prone to subjective bias. Here, we describe a novel virtual reality (VR) test to assess two complex IADL tasks: handling financial transactions and using public transportation. While a participant performs the tasks in a VR setting, a motion capture system traces the position and orientation of the dominant hand and head in a three-dimensional Cartesian coordinate system. Kinematic raw data are collected and converted into &#39;kinematic performance measures,&#39; i.e., motion trajectory, moving distance, and time to completion. Motion trajectory is the path of a particular body part (e.g., dominant hand or head) in space. Moving distance refers to the total distance of the trajectory, and time to completion is how long it took to complete an IADL task. These kinematic measures could discriminate patients with cognitive impairment from healthy controls. The development of this kinematic measuring protocol allows detection of early IADL-related cognitive impairments.

We designed a virtual reality test to assess instrumental activities of daily living (IADL) with a motion capture system. We propose a detailed kinematic analysis to interpret the participant&#39;s various movements, including trajectory, moving distance, and time to completion to evaluate IADL capabilities.

Medición de la cinemática de los movimientos diarios de vida con sistemas de captura de movimiento en la realidad Virtual

The inability to complete instrumental activities of daily living (IADL) is a precursor to various neuropsychological diseases. Questionnaire-based ...

An Application for Pairing with Wearable Devices to Monitor Personal Health Status

The current protocol aims to showcase the technology integration, providing a detailed description of adopting the HealthCloud app, developed by the Healthy Landscape and Healthy People Lab, National Taiwan University (HLHP-NTU), on smartphones and smartwatches to collect data on users' real-time psychological and physiological responses and environmental information. A flexible and integrated research method was proposed because it can be difficult to measure multi-dimensional aspects of personal data in on-site studies in landscape and outdoor recreation research. An on-site study conducted in 2020 at the National Taiwan University campus was used as an application example. A dataset of 385 participants was used after excluding invalid samples. During the experiment, participants were asked to walk around campus for 30 min when their heart rate and psychological-scale items were measured, together with several environmental metrics. This work aimed to provide a possible solution to help on-site studies track real-time human responses that match ambient factors. Due to the app's flexibility, its use on wearable devices shows excellent potential for multidisciplinary research studies.

The present protocol introduces a non-commercial self-developed application for collecting real-time on-site data, including psychological scales, GPS location, heart rate, and blood-oxygen saturation level, as well as the application's operating procedures. An empirical study conducted in Taiwan in 2020 was used as an application example.

Una aplicación para emparejarse con dispositivos portátiles para monitorear el estado de salud personal

The current protocol aims to showcase the technology integration, providing a detailed description of adopting the HealthCloud app, developed by the ...

Medio ambiente

Mejorar la participación en el aula: análisis basado en IA de los niveles de atención de los estudiantes

Artificial Intelligence-Based System for Detecting Attention Levels in Students

The attention level of students in a classroom can be improved through the use of Artificial Intelligence (AI) techniques. By automatically identifying the attention level, teachers can employ strategies to regain students' focus. This can be achieved through various sources of information.
One source is to analyze the emotions reflected on students' faces. AI can detect emotions, such as neutral, disgust, surprise, sadness, fear, happiness, and anger. Additionally, the direction of the students' gaze can also potentially indicate their level of attention. Another source is to observe the students' body posture. By using cameras and deep learning techniques, posture can be analyzed to determine the level of attention. For example, students who are slouching or resting their heads on their desks may have a lower level of attention. Smartwatches distributed to the students can provide biometric and other data, including heart rate and inertial measurements, which can also be used as indicators of attention. By combining these sources of information, an AI system can be trained to identify the level of attention in the classroom. However, integrating the different types of data poses a challenge that requires creating a labeled dataset. Expert input and existing studies are consulted for accurate labeling. In this paper, we propose the integration of such measurements and the creation of a dataset and a potential attention classifier. To provide feedback to the teacher, we explore various methods, such as smartwatches or direct computers. Once the teacher becomes aware of attention issues, they can adjust their teaching approach to re-engage and motivate the students. In summary, AI techniques can automatically identify the students' attention level by analyzing their emotions, gaze direction, body posture, and biometric data. This information can assist teachers in optimizing the teaching-learning process.

Autor destacado: Abordar los desafíos técnicos y subjetivos en la medición de la atención en el aula

This paper proposes an artificial intelligence-based system to automatically detect whether students are paying attention to the class or are distracted. This system is designed to help teachers maintain students' attention, optimize their lessons, and dynamically introduce modifications in order for them to be more engaging.

Sistema basado en inteligencia artificial para detectar los niveles de atención en estudiantes

The attention level of students in a classroom can be improved through the use of Artificial Intelligence (AI) techniques. By automatically identifying ...

Ingeniería

Home-Based Monitor for Gait and Activity Analysis

Current outcomes in neuromuscular disorder clinical trials include motor function scales, timed tests, and strength measures performed by trained clinical evaluators. These measures are slightly subjective and are performed during a visit to a clinic or hospital and constitute therefore a point assessment. Point assessments can be influenced by daily patient condition or factors such as fatigue, motivation, and intercurrent illness. To enable home-based monitoring of gait and activity, a wearable magneto-inertial sensor (WMIS) has been developed. This device is a movement monitor composed of two very light watch-like sensors and a docking station. Each sensor contains a tri-axial accelerometer, gyroscope, magnetometer, and a barometer that record linear acceleration, angular velocity, the magnetic field of the movement in all directions, and barometric altitude, respectively. The sensors can be worn on the wrist, ankle, or wheelchair to record the subject&#8217;s movements during the day. The docking station enables data uploading and recharging of sensor batteries during the night. Data are analyzed using proprietary algorithms to compute parameters representative of the type and intensity of the performed movement. This WMIS can record a set of digital biomarkers, including cumulative variables, such as total number of meters walked, and descriptive gait variables, such as the percentage of the most rapid or longest stride that represents the top performance of patient over a predefined period of time.

This innovative device uses magneto-inertial sensors to permit gait and activity analysis in uncontrolled environments. Currently in the qualification process as an outcome measure in the European Medical Agency, one of the applications will be to serve as a clinical endpoint in clinical trials in neuromuscular diseases.

Monitor basado en el hogar para análisis de gait y actividad

Current outcomes in neuromuscular disorder clinical trials include motor function scales, timed tests, and strength measures performed by trained clinical ...

Bioingeniería

Video Movement Analysis Using Smartphones (ViMAS): A Pilot Study

The use of smartphones in clinical practice is steadily increasing with the availability of low cost/freely available &#34;apps&#34; that could be used to assess human gait. The primary aim of this manuscript is to test the concurrent validity of kinematic measures recorded by a smartphone application in comparison to a 3D motion capture system in the sagittal plane. The secondary aim was to develop a protocol for clinicians on the set up of the smartphone camera for video movement analysis.
The sagittal plane knee angle was measured during heel strike and toe off events using the smart phone app and a 3D motion-capture system in 32 healthy subjects. Three trials were performed at near (2-m) and far (4-m) smartphone camera distances. The order of the distances was randomized. Regression analysis was performed to estimate the height of the camera based on either the subject&#39;s height or leg length.
Absolute measurement errors were least during toe off (3.12 &#177; 5.44 degrees) compared to heel strike (5.81 &#177; 5.26 degrees). There were significant (p &#60; 0.05) but moderate agreements between the application and 3D motion capture measures of knee angles. There were also no significant (p &#62; 0.05) differences between the absolute measurement errors between the two camera positions. The measurement errors averaged between 3 - 5 degrees during toe off and heel strike events of the gait cycle.
The use of smartphone apps can be a useful tool in the clinic for performing gait or human movement analysis. Further studies are needed to establish the accuracy in measuring movements of the upper extremity and trunk.

Video Movement Analysis Using Smartphones ViMAS: A Pilot Study

This manuscript describes the method to test the concurrent validity of kinematic measures recorded by the smartphone application in comparison to a 3D motion capture system in the sagittal plane. This protocol will enable clinicians to set up smartphones for video capture of human movement.

Análisis de vídeo Movimiento Usando teléfonos inteligentes (VIMAS): un estudio piloto

The use of smartphones in clinical practice is steadily increasing with the availability of low cost/freely available &#34;apps&#34; that could be used to ...

Medicina

Design and Analysis for Fall Detection System Simplification

This paper presents a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition system that can be easily implemented and adopted. The methodology is based on the configuration of specific types of sensors, machine-learning methods and procedures. The protocol is divided into four phases: (1) database creation (2) data analysis (3) system simplification and (4) evaluation. Using this methodology, we created a multimodal database for fall detection and human activity recognition, namely UP-Fall Detection. It comprises data samples from 17 subjects that perform 5 types of falls and 6 different simple activities, during 3 trials. All information was gathered using 5 wearable sensors (tri-axis accelerometer, gyroscope and light intensity), 1 electroencephalograph helmet, 6 infrared sensors as ambient sensors, and 2 cameras in lateral and front viewpoints. The proposed novel methodology adds some important stages to perform a deep analysis of the following design issues in order to simplify a fall detection system: a) select which sensors or combination of sensors are to be used in a simple fall detection system, b) determine the best placement of the sources of information, and c) select the most suitable machine learning classification method for fall and human activity detection and recognition. Even though some multimodal approaches reported in literature only focus on one or two of the above-mentioned issues, our methodology allows simultaneously solving these three design problems related to a human fall and activity detection and recognition system.

We present a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition system. The goal is to build a system for accurate fall detection that can be easily implemented and adopted.

Diseño y análisis para la simplificación del sistema de detección de caídas

This paper presents a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition ...

A Method for Quantifying Upper Limb Performance in Daily Life Using Accelerometers

A key reason for referral to rehabilitation services after stroke and other neurological conditions is to improve one's ability to function in daily life. It has become important to measure a person's activities in daily life, and not just measure their capacity for activity in the structured environment of a clinic or laboratory. A wearable sensor that is now enabling measurement of daily movement is the accelerometer. Accelerometers are commercially-available devices resembling large wrist watches that can be worn throughout the day. Data from accelerometers can quantify how the limbs are engaged to perform activities in peoples' homes and communities. This report describes a methodology to collect accelerometry data and turn it into clinically-relevant information. First, data are collected by having the participant wear two accelerometers (one on each wrist) for 24 h or longer. The accelerometry data are then downloaded and processed to produce four different variables that describe key aspects of upper limb activity in daily life: hours of use, use ratio, magnitude ratio, and the bilateral magnitude. Density plots can be constructed that visually represent the data from the 24 h wearing period. The variables and their resultant density plots are highly consistent in neurologically-intact, community-dwelling adults. This striking consistency makes them a useful tool for determining if upper limb daily performance is different from normal. This methodology is appropriate for research studies investigating upper limb dysfunction and interventions designed to improve upper limb performance in daily life in people with stroke and other patient populations. Because of its relative simplicity, it may not be long before it is also incorporated in clinical neurorehabilitation practice.

This protocol describes a method to quantify upper limb performance in daily life using wrist-worn accelerometers.

Un método para cuantificar Rendimiento de las extremidades superiores en la Vida Diaria El uso de acelerómetros

A key reason for referral to rehabilitation services after stroke and other neurological conditions is to improve one's ability to function in daily life. ...

Evaluación de un sistema de reconocimiento de la actividad humana a base de Smartphone en una de Vida Diaria

Resumen

Explorar más videos

Capítulos en este video

Metodología para el establecimiento de un laboratorio de vida de toda la comunidad de captación discreta y continua actividad remota y datos de salud

Medición de la cinemática de los movimientos diarios de vida con sistemas de captura de movimiento en la realidad Virtual

Una aplicación para emparejarse con dispositivos portátiles para monitorear el estado de salud personal

Sistema basado en inteligencia artificial para detectar los niveles de atención en estudiantes

Sistema basado en inteligencia artificial para detectar los niveles de atención en estudiantes

Sistema basado en inteligencia artificial para detectar los niveles de atención en estudiantes

Monitor basado en el hogar para análisis de gait y actividad

Análisis de vídeo Movimiento Usando teléfonos inteligentes (VIMAS): un estudio piloto

Diseño y análisis para la simplificación del sistema de detección de caídas

Un método para cuantificar Rendimiento de las extremidades superiores en la Vida Diaria El uso de acelerómetros