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

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/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.

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 değerlendirmek için etkili oldu. WMMS değerlendirme protokolü iki ana bölümden oluşur: veri toplama beraberindeki set altın standart veri ve veri post-processing ile gerçekçi ama kontrollü koşullar altında. Dijital video protokol faaliyetlerinin genelinde WMMS algoritması tahminler test ederken altın standart veri sağlamak için uygun bir çözüm oldu. Protokolde Kritik adımlaraltın standart video smartphone sallamak yakalar bu katılımcı yıpranmış telefon ve elde edilen verilerle altın standart video senkronizasyonu izin çünkü (i) sağlamak için vardır, (ii) altın standart video kayıtları tüm geçişler gerçekleştirilen emin olmak için Deneme katılımcı tarafından (deneme katılımcıyı takip ederken, yani altın standart video kaydederken kişinin doğru pozisyonda olmalıdır). Değerlendirme protokolü yürüyen faaliyetleri, bir günlük yaşam ortamı ve çeşitli arazilerde ve geçişler içeriyor. Bir katılımcı aşınmış akıllı telefon sürekli ivme, jiroskop, manyetometre ve GPS sensörlerinden gelen verileri kaydeder ise tüm eylemler arka arkaya yapılır ve ikinci akıllı telefon video deneme katılımcı tarafından gerçekleştirilen tüm faaliyetleri için kullanılır. Protokol günlük yaşam ar sürekli gerçekleştirilen bir dizi faaliyet sürece, deney yere göre faaliyetlerin sırasını uyarlayarak modifiye edilebilire dahil. On-onbeş dakika katılımcı bağlı devreyi tamamlamak için gerekli oldu. Pilot testleri sırasında, engelli bazı katılımcılar sadece bu nedenle tek deneme testi komple bir veri kümesi sağlamak için bazı nüfusa sahip düşünülmelidir, tek döngüsünü tamamlamak olabilir. Önerilen WMMS değerlendirme yöntemi Sınırlamalar çözünürlük zamanlama günlük yaşam aktiviteleri için videonun farklı değişim eyalet zamanlaması tanımlayan altın standart karşılaştırma video ve zorluk kaydetmek için kullanılan kameranın video kare hızına sınırlı olmasıdır. Birkaç çerçeveleri Varyasyon bir değişiklik-of-devlet belirlenmesi nedeniyle faaliyet yorumuna olabilir altın standart ve WMMS sonuçları arasındaki farklar başlamak yerine WMMS hatası yol açar. Her değişim-of-devlet hiçbir karşılaştırmalar yapılır, A hoşgörü, bu tutarsızlıkların hesabını yardımcı uygulanabilir. Genel olarak, artan sayıdafaaliyetler sınıflandırılmış ve kategorizasyon zorluk (yani, merdiven, küçük hareketler) ortalama duyarlılık, özgüllük ve F1 puanı azaltılmış olma. Faaliyetlerin sayısının artırılması yanlış pozitif ve yanlış negatif şansını arttırır, çünkü bu beklenebilir. Sadece yanıltıcı ve gerçek dünya koşullarında değerlendirildiğinde benzer sonuçlar elde etmek olası değildir sonuçlar üretecektir algoritması avantajlı faaliyetlerde kullanmak Değerlendirme protokolleri. Bu nedenle, mevcut yöntemlere göre önemi protokol literatürde bildirilen göre WMMS sistemleri için daha muhafazakâr sonuçlara neden olacaktır. Ancak, daha iyi sonuçlar pratikte sonuçlarını yansıtacaktır. WMMS değerlendirmeler önerilen yöntem ölçülmesi ya da insan hareketine yardımcı takılabilir bir dizi teknoloji değerlendirmek için de kullanılabilir.

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>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.

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. Kılıf konumu daha standardizasyon olmadan katılımcının sağ ön kemer veya pantolon takıldı. Bu kalçada Hostler cihazı yerleştirmek için doğal bir yöntem gösterdi. Kılıfına ve veri kayıt uygulaması çalışan yerleştirilen cihaz ile, her kişinin kendi seçtiği hızda, bir kez devreyi geçilen. Devre katılımcı ve işlem faaliyetlerine önceden açıklanmayan ididuruşma sırasında araştırmacı sırayla tarafından konuşulur. WMMS Wu tarafından çalışma içindeki üst ve alt sınır koşulları, et al bir karar ağacı oluşmuştur. 13. Revize sınıflandırıcı doğrusal hızlanma sinyali (aralık, basit hareketli ortalama toplamı, standart sapma toplamı) ve yerçekimi sinyali (Y farkı, varyans toplam ortalama fark) 15 dan 1 sn pencere boyutu ve özellikleri kullanılır. (I) hareketlilik ya da hareketsizlik, (ii), stand oturup, yalan, ya da yürüyüş ve (iii), stand oturup, yalan, yürüyüş, tırmanma merdivenleri, ya da küçük ayakta hareketi: Üç sınıflandırma setleri değerlendirme için hesaplanmıştır. Günlük yaşam aktiviteleri küçük hareketleri olarak etiketlendi. Örnek sonuçlar Tablo 1 &#39;de gösterilmektedir. <table><tbody><tr><td colspan="5"> Sınıflama </td><td colspan="2"> TP </td><td colspan="2"> FN </td><td colspan="2">TN </td><td colspan="2"> FP </td><td colspan="3"> Duyarlılık (%) </td><td colspan="3"> Özgünlük (%) </td><td colspan="3"> F1-Puan (%) </td></tr><tr><td colspan="5"> Sınıflandırma Seti 1 </td><td colspan="2"> 350 </td><td colspan="2"> 55 </td><td colspan="2"> 8701 </td><td colspan="2"> 91 </td><td colspan="3"> 86,30 ± 7,2 </td><td colspan="3"> 98.96 ± 0.6 </td><td colspan="3"> 86,17 ± 6.3 </td></tr><tr><td colspan="5"> Sınıflandırma Seti 2 </td><td colspan="2"> 359 </td><td colspan="2"> 47 </td><td colspan="2"> 8660 </td><td colspan="2"> 131 </td><td colspan="3"> 88,35 ± 7,80 </td><td colspan="3"> 98,51 ± 0.62 </td><td colspan="3"> 80,19 ± 6,36 </td></tr><tr><td colspan="5"> Sınıflandırma Seti 3 </td><td colspan="2"> 423 </td><td colspan="2"> 75 </td><td colspan="2"> 8540 </td><td colspan="2"> 159 </td><tdcolspan = &quot;3&quot;&gt; 84,92 ± 6.38 </td><td colspan="3"> 98,17 ± 0.62 </td><td colspan="3"> 78,42 ± 5.96 </td></tr><tr><td colspan="5"> Sınıflandırma Seti 1 </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Mobile Hareketsiz </td><td colspan="2"> 177 </td><td colspan="2"> 19 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Immobile Mobil </td><td colspan="2"> 171 </td><td colspan="2"> 36 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Mobile sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 3990 </td><td colspan="2"> 73</td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Immobile sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 4711 </td><td colspan="2"> 18 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Sınıflandırma Seti 2 </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Walk Standı </td><td colspan="2"> 134 </td><td colspan="2"> 17 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Standı Walk </td><td colspan="2"> 137 </td><td colspan="2"> 26 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan=&quot;3&quot;&gt; </td><td colspan="3"></td></tr><tr><td colspan="5"> Sit Walk </td><td colspan="2"> 29 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Walk Sit </td><td colspan="2"> 30 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yalan Walk </td><td colspan="2"> 11 </td><td colspan="2"> 4 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yürü Yalan </td><td colspan="2"> 15 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Standı sırasında </td&gt; <td colspan="2"></td><td colspan="2"></td><td colspan="2"> 2872 </td><td colspan="2"> 73 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Sit Sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 644 </td><td colspan="2"> 9 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Lie sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 447 </td><td colspan="2"> 9 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yürüyüş sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 4697 </td><td colspan="2"> 40 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Sınıflandırma Seti 3 </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Walk Standı </td><td colspan="2"> 70 </td><td colspan="2"> 7 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Standı Walk </td><td colspan="2"> 74 </td><td colspan="2"> 14 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Sit Walk </td><td colspan="2"> 29 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Walk Sit </td><td colspan="2"> 30 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yalan Walk </td><td colspan="2"> 15 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yürü Yalan </td><td colspan="2"> 15 </td><td colspan="2"> 0 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Küçük Move yürüyün </td><td colspan="2"> 68 </td><td colspan="2"> 7 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Küçük Taşı Walk </td><td colspan="2"> 61 </td><td colspan="2"> 13 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><tdcolspan = &quot;5&quot;&gt; Merdivenler yürüyün </td><td colspan="2"> 13 </td><td colspan="2"> 2 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Merdiven Walk </td><td colspan="2"> 13 </td><td colspan="2"> 2 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Küçük Move Küçük Taşı </td><td colspan="2"> 35 </td><td colspan="2"> 30 </td><td colspan="2"></td><td colspan="2"></td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Standı sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 1584 </td><td colspan="2"> 25 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Sit Sırasında </td><td colspan="2"></td><tdcolspan = &quot;2&quot;&gt; </td><td colspan="2"> 643 </td><td colspan="2"> 10 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Lie sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 447 </td><td colspan="2"> 15 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yürüyüş sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 4398 </td><td colspan="2"> 56 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Merdivenler sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 246 </td><td colspan="2"> 0 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Fırça Diş sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 190 </td><td colspan="2"> 12 &lt;/ td&gt; <td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Tarak Saç Sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 158 </td><td colspan="2"> 2 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yıkama sırasında Hands </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 152 </td><td colspan="2"> 6 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Kuru Eller Sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 119 </td><td colspan="2"> 4 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Taşı Yemekleri sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 93 </td><td colspan="2"> 5 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Dolgu Kettle sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 190 </td><td colspan="2"> 5 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Tost Ekmeği Sırasında </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 70 </td><td colspan="2"> 1 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> Yıkama sırasında Yemekleri </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 250 </td><td colspan="2"> 18 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr></tbody></table> Tablo değişim-of-devlet belirlenmesi için 1. Sonuçlar; Gerçek pozitif (TP), yanlış negatifler (FN), gerçek negatifler (TN) yanlış pozitif (FP), toplam değişikliklerin-of-devlet, duyarlılık, özgüllük, a, dahilnd F1-Puan. Sırasında belirtilen eylem sırasında değişirse-of-devlet için TN ve FP ifade eder. İkinci tahmin seti% 0,62 ± 98,51% bir 7.80 ±% 88,35% duyarlılık ve özgüllüğünü vardı Tablo 1, mobil karşı hareketsiz sınıflandırma seti,% 0.6 ± 98.96% bir 7.2% ± 86,30% duyarlılık ve özgüllüğünü vardı . Üçüncü sette sınıflandırma için, duyarlılık 84,92% 6.38% ± ve özgünlüğü 98,17 ± 0.62 idi. Birinci, ikinci ve üçüncü sınıflandırma setleri için F1 skorları sırasıyla 86,17 ± 6,3, 80,19 ± 6,36 ve 78,42 ± 5,96, idi. <img alt="figür 1" src="/files/ftp_upload/53004/53004fig1.jpg" /> Şekil 1. Üç sınıflandırma setleri için değişiklikler eyalet duyarlılık, seçicilik ve F1-Puan.

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.

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 ...

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

Nanyang Technological University

Research

JoVE Journal

Behavior

8.8K Görüntüleme.  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.

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

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

Davranış

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.

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

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.

Kişisel Sağlık Durumunu İzlemek için Giyilebilir Cihazlarla Eşleştirme Uygulaması

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

Çevre

Sınıf Katılımını Artırma: Öğrenci Dikkat Düzeylerinin Yapay Zeka Tabanlı Analizi

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.

Yazar Spotlight: Sınıf Dikkatini Ölçmede Teknik ve Öznel Zorlukların Ele Alınması

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.

Öğrencilerdeki Dikkat Düzeylerini Tespit Etmek İçin Yapay Zeka Tabanlı Sistem

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

Mühendislik

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.

Yürüyüş ve aktivite analizi için ev tabanlı monitör

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

Biyomühendislik

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.

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

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 ...

Tıp

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.

Sonbahar Algılama Sistemi Basitleştirme için Tasarım ve Analiz

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.

Ivmeölçer kullanan Günlük Yaşamda Üst Ekstremite Performans miktarının Bir Yöntem

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. ...

Bir Günlük Yaşam Ortamında Smartphone merkezli İnsan Aktivitesi Tanıma Sisteminin Değerlendirilmesi

Özet

Daha Fazla Video Keşfet

Bu videodaki bölümler

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

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

Kişisel Sağlık Durumunu İzlemek için Giyilebilir Cihazlarla Eşleştirme Uygulaması

Öğrencilerdeki Dikkat Düzeylerini Tespit Etmek İçin Yapay Zeka Tabanlı Sistem

Öğrencilerdeki Dikkat Düzeylerini Tespit Etmek İçin Yapay Zeka Tabanlı Sistem

Öğrencilerdeki Dikkat Düzeylerini Tespit Etmek İçin Yapay Zeka Tabanlı Sistem

Yürüyüş ve aktivite analizi için ev tabanlı monitör

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

Sonbahar Algılama Sistemi Basitleştirme için Tasarım ve Analiz

Ivmeölçer kullanan Günlük Yaşamda Üst Ekstremite Performans miktarının Bir Yöntem