המחברים מודים אוון Beisheim, ניקול Capela, אנדרו הרברט-קופלי לקבלת סיוע טכני ואיסוף נתונים. מימון פרויקט התקבל ממדעי הטבע והנדסת מועצת מחקר של קנדה (NSERC) וBlackBerry בע&quot;מ, הכוללים טלפונים חכמים בשימוש במחקר.

פרוטוקול זה אושר על ידי הרשת למדעי בריאות אוטווה מחקר האתיקה. 1. הכנה <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> לספק למשתתפים עם קווי המתאר של המחקר, לענות על כל שאלה, ולקבל הסכמה מדעת. מאפייני משתתף רשומות (למשל, גיל, מין, גובה, משקל, היקף מותניים, גובה רגל מעמוד השדרה הקדמי מעולה הכסל לmalleolus המדיאלי), קוד זיהוי, ותאריך על גיליון נתונים. ודא שהטלפון החכם השני המשמש ללכידת וידאו מוגדר לפחות 30 מסגרות לשיעור לכידה שנייה. </li><li style=";text-align:right;direction:rtl"> מאובטח לצרף נרתיק טלפון לחגורה או מכנסיים המותניים הקדמיים הימני של המשתתף. הפעל את יישום הטלפון החכם שישמש לאיסוף נתונים חיישן (כלומר, רישום נתונים או יישום WMMS) בטלפון החכם מדידת הניידות ולהבטיח שהיישום פועל כראוי. הנח את הטלפון החכם בנרתיק, עם גב המכשיר (CA האחוריMera) פונה החוצה. </li><li style=";text-align:right;direction:rtl"> להתחיל בהקלטת וידאו דיגיטלית בטלפונים חכמים שני. לאנונימיות, להקליט וידאו ההשוואה בלי להראות את פניו של האדם, אלא להבטיח להקליט את כל מעברי הפעילות. הטלפון יכול להיות כף יד. </li></ol> 2. פעילות במעגל <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> בצע את המשתתף ווידאו את מעשיהם, על הטלפון החכם השני, תוך שהם מבצעים את הפעולות הבאות, שנאמרה על ידי החוקר: <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> ממצב עמיד, לנער את הטלפון החכם כדי לציין את תחילת המשפט. </li><li style=";text-align:right;direction:rtl"> תמשיך לעמוד לפחות 10 שניות. שלב עומד זה יכול לשמש לכיול נטייה טלפון 14. </li><li style=";text-align:right;direction:rtl"> ללכת לכיסא סמוך ולשבת. </li><li style=";text-align:right;direction:rtl"> לקום וללכת 60 מטר למעלית. </li><li style=";text-align:right;direction:rtl"> לעמוד ולחכות למעלית ולאחר מכן נכנס למעלית. </li><li style=";text-align:right;direction:rtl"> קח את המעלית לקומה השנייה. </li><li style=";text-align:right;direction:rtl"> הפעל ונכנסת לסביבה הביתית. </li><li style=";text-align:right;direction:rtl"> ללכת לחדר האמבטיה וסיmulate צחצוח שיניים. </li><li style=";text-align:right;direction:rtl"> לדמות סירוק שיער. </li><li style=";text-align:right;direction:rtl"> לדמות שטיפת ידיים. </li><li style=";text-align:right;direction:rtl"> ידיים יבשים באמצעות מגבת. </li><li style=";text-align:right;direction:rtl"> ללכת למטבח. </li><li style=";text-align:right;direction:rtl"> קח מנות ממדף ומניח אותם על הדלפק. </li><li style=";text-align:right;direction:rtl"> מלא קומקום עם מים מכיור המטבח. </li><li style=";text-align:right;direction:rtl"> מניחים את הקומקום על אלמנט התנור. </li><li style=";text-align:right;direction:rtl"> מניחים לחם בטוסטר. </li><li style=";text-align:right;direction:rtl"> ללכת לחדר האוכל. </li><li style=";text-align:right;direction:rtl"> לשבת ליד שולחן בחדר אוכל. </li><li style=";text-align:right;direction:rtl"> לדמות לאכול ארוחה ליד השולחן. </li><li style=";text-align:right;direction:rtl"> לעמוד וללכת בחזרה לכיור המטבח. </li><li style=";text-align:right;direction:rtl"> לשטוף את הכלים ומניחים אותם במעמד. </li><li style=";text-align:right;direction:rtl"> ללכת מהמטבח בחזרה למעלית. </li><li style=";text-align:right;direction:rtl"> לעמוד ולחכות למעלית ולאחר מכן נכנס למעלית. </li><li style=";text-align:right;direction:rtl"> קח את המעלית לקומה הראשונה. </li><li style=";text-align:right;direction:rtl"> ללכת 50 מטרים לחדר מדרגות. </li><li style=";text-align:right;direction:rtl"> פתח את הדלת ולהיכנס לחדר המדרגות. </li><li style=";text-align:right;direction:rtl"> ללכת עד מדרגות (13 מדרגות, סביב נחיתה, 13 צעדים). </li><li style=";text-align:right;direction:rtl"> פתח את דלת חדר המדרגות למסדרון. </li><li style=";text-align:right;direction:rtl"> פונה ימינה והולכים במסדרון במשך 15 מטרים. </li><li style=";text-align:right;direction:rtl"> להסתובב וללכת 15 מטרים בחזרה לחדר המדרגות. </li><li style=";text-align:right;direction:rtl"> פתח את הדלת ולהיכנס לחדר המדרגות. </li><li style=";text-align:right;direction:rtl"> ללכת במורד מדרגות (13 מדרגות, סביב נחיתה, 13 צעדים). </li><li style=";text-align:right;direction:rtl"> צא מחדר המדרגות ונכנסנו לחדר. </li><li style=";text-align:right;direction:rtl"> לשכב על מיטה. </li><li style=";text-align:right;direction:rtl"> לקום וללכת 10 מטרים לרמפה. </li><li style=";text-align:right;direction:rtl"> ללכת עד הרמפה, להסתובב, ואז במורד הכבש (20 מ &#39;). </li><li style=";text-align:right;direction:rtl"> המשך ההליכה לאולם ולפתוח את הדלת לבחוץ. </li><li style=";text-align:right;direction:rtl"> ללכת 100 מטרים על המסלול הסלול. </li><li style=";text-align:right;direction:rtl"> להסתובב וללכת בחזרה לחדר. </li><li style=";text-align:right;direction:rtl"> נכנסתי לחדר ולעמוד בנקודת ההתחלה. </li><li style=";text-align:right;direction:rtl"> המשך מעמד, ואז ללחוץ הטלפון החכם כדי לציין את סוף המשפט. </li></ol></li></ol> 3. השלמת משפט <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> עצור את הטלפון החכם הקלטת וידאו ולשאול את המשתתף להסיר ולהחזיר את הטלפון החכם ונרתיק. לעצור את נתוני רישום או יישום WMMS על SMArtphone. העתק את הקבצים שנרכשו תנועת נתונים וקבצי וידאו משני הטלפונים למחשב לעיבוד פוסט. </li></ol> לאחר עיבוד 4. <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> לסנכרן עיתוי בין הווידאו ונתונים חיישן גלם על ידי קביעת הזמן שבו הפעולה לרעוד התחילה. תנועה רועדת זה מתאים למסגרת אות תאוצה ווידאו שונה. בדקו שגיאת סנכרון על ידי הפחתת הזמן לנער הסוף מרגע שייק ההתחלה, למקורות נתוני חיישן ווידאו. הבדלי זמן צריכים להיות דומים בין שתי קבוצות נתונים. </li><li style=";text-align:right;direction:rtl"> לקבוע זמני שינוי למדינה בפועל מווידאו תקן זהב על ידי הקלטת הפרש הזמן מרגע שייק ההתחלה למסגרת וידאו במעבר בין פעילויות. השתמש בתוכנת עריכת וידאו כדי לקבל תזמון כדי בתוך 0.033 שניות (כלומר, 30 מסגרות לשיעור וידאו שני). השתמש בתוכנת WMMS ליצור שינויים למדינה דומים מנתוני החיישן. </li><li style=";text-align:right;direction:rtl"> צור שתי ערכות נתונים, אחדעם פעילויות האמיתיות והשני עם פעילות חזויה, על ידי תיוג הפעילות לכל מסגרת וידאו (המבוסס על השינוי של עיתוי מדינה) ולאחר מכן חישוב הפעילות חזתה בכל פעם מסגרת וידאו מתפוקת WMMS. להערכת ביצועי WMMS, לחשב חיוביים אמיתי, תשלילי שווא, תשלילים אמיתיים, חיוביים שגוי בין פעילות תקן הזהב וWMMS חזה פעילות. להשתמש בפרמטרים אלה כדי לחשב מדדי תוצאות רגישות, סגוליות, ו- F-ציון. הערה: הגדרת סובלנות של 3 חלונות נתונים משני צדי החלון להיות מנותחים יכולה לשמש לקביעת תוצאות שינוי למדינה, ו -2 חלונות נתונים לתוצאות סיווג. לדוגמא, מאז 1 חלונות נתונים השנייה שימשה לWMMS במחקר זה, 3 שניות לפני ואחרי החלון הנוכחי נבדקו, כך ששינויים ברציפות בתוך סובלנות זה התעלם. התמורה שהשינויים של מדינה שיקרו בפחות מ -3 שניות ניתן להתעלם להומא ברוטוניתוח תנועת n מאז מדינות אלה ייחשב חולפים. </li></ol>

<ol><li>Lara, O. D., Labrador, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Survey+on+Human+Activity+Recognition+using+Wearable+Sensors%5BTitle%5D)+AND+%22IEEE+Communications+Surveys+Tutorials%22%5BJournal%5D)">A Survey on Human Activity Recognition using Wearable Sensors.</a> IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).</li>
<li>Foerster, F., Smeja, M., Fahrenberg, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+posture+and+motion+by+accelerometry%3A+a+validation+study+in+ambulatory+monitoring%5BTitle%5D)+AND+%22Computers+in+Human+Behavior%22%5BJournal%5D)">Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring.</a> Computers in Human Behavior. 15 (5), 571-583 (1999).</li>
<li>Elsmore, T. F., Naitoh, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aElsmore%2C+TF+%22Monitoring+Activity+With+a+Wrist-Worn+Actigraph%3A+Effects+of+Amplifier+Passband+and+threshold+Variations%22">Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations</a>. , DTIC Online. (1993).</li>
<li>Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKripke%2C+DF+%22Measuring+sleep+by+wrist+actigraph%22">Measuring sleep by wrist actigraph</a>. , DTIC Online. (1981).</li>
<li>Lockhart, J. W., Pulickal, T., Weiss, G. M. Applications of mobile activity recognition. Proceedings of the 2012 ACM Conference on Ubiquitous Computing. , 1054-1058 (2012).</li>
<li>Incel, O. D., Kose, M., Ersoy, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+and+Taxonomy+of+Activity+Recognition+on+Mobile+Phones%5BTitle%5D)+AND+%22BioNanoScience%22%5BJournal%5D)">A Review and Taxonomy of Activity Recognition on Mobile Phones.</a> BioNanoScience. 3 (2), 145-171 (2013).</li>
<li>Yang, C. C., Hsu, Y. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Accelerometry-Based+Wearable+Motion+Detectors+for+Physical+Activity+Monitoring%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring.</a> Sensors. 10 (8), 7772-7788 (2010).</li>
<li>He, Y., Li, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physical+Activity+Recognition+Utilizing+the+Built-In+Kinematic+Sensors+of+a+Smartphone%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>Vo, Q. V., Hoang, M. T., Choi, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Personalization+in+Mobile+Activity+Recognition+System+using+K-medoids+Clustering+Algorithm%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>Dernbach, S., Das, B., Krishnan, N. C., Thomas, B. L., Cook, D. J. Simple and Complex Activity Recognition through Smart Phones. 8th International Conference on Intelligent Environments (IE), , 214-221 (2012).</li>
<li>Hache, G., Lemaire, E. D., Baddour, N. Mobility change-of-state detection using a smartphone-based approach. IEEE International Workshop on Medical Measurements and Applications Proceedings (MeMeA). , 43-46 (2010).</li>
<li>Wu, H. H., Lemaire, E. D., Baddour, N. Change-of-state determination to recognize mobility activities using a BlackBerry smartphone. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, , EMBC. 5252-5255 (2011).</li>
<li>Wu, H., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Activity+Change-of-state+Identification+Using+a+Blackberry+Smartphone%5BTitle%5D)+AND+%22Journal+of+Medical+and+Biological+Engineering%22%5BJournal%5D)">Activity Change-of-state Identification Using a Blackberry Smartphone.</a> Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).</li>
<li>Tundo, M. D., Lemaire, E., Baddour, N. Correcting Smartphone orientation for accelerometer-based analysis. IEEE International Symposium on Medical Measurements and Applications Proceedings (MeMeA). , 58-62 (2013).</li>
<li>Tundo, M. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Development+of+a+human+activity+recognition+system+using+inertial+measurement+unit+sensors+on+a+smartphone%22">Development of a human activity recognition system using inertial measurement unit sensors on a smartphone</a>. , Available from: 
 <a target="_blank" href="http://www.ruor.uottawa.ca/handle/10393/30963">http://www.ruor.uottawa.ca/handle/10393/30963</a> (2014).</li>
</ol>

The authors declare that they have no competing financial interests.

הכרת פעילות אנושית עם מערכת ניטור ניידות לביש קיבלה יותר תשומת לב בשנים האחרונות בשל ההתקדמות הטכנית בתחום מחשוב לביש וטלפונים חכמים והצרכים שיטתיים למדדי תוצאה כמותית, המסייעים בקבלת החלטות קלינית והערכת התערבות בריאות. המתודולוגיה שתוארה במאמר זה הייתה יעילה להערכת התפתחות WMMS מאז שגיאות סיווג פעילות נמצאו כי לא הייתה קיים אם מגוון רחב של פעולות יומיומיות ותרחישי הליכה לא נכלל בהערכה. פרוטוקול הערכת WMMS מורכב משני חלקים עיקריים: רכישת נתונים בתנאים מציאותיים אבל שלטו עם נתונים נלווים תקן זהב להגדיר ולאחר עיבוד הנתונים. וידאו דיגיטלי היה פתרון בר קיימא לאספקת נתונים סטנדרטיים זהב כאשר בודקים תחזיות אלגוריתם WMMS פני פעילויות הפרוטוקול. צעדים קריטיים בפרוטוקולהם (i) כדי להבטיח שהווידאו הסטנדרטי הזהב לוכד לנער את הטלפון החכם שכן זה מאפשר סנכרון של הווידאו הסטנדרטי הזהב עם נתונים שנרכשו מהטלפון ו- שחוק משתתף (ii) כדי להבטיח שרשומות וידאו תקן זהב כל המעברים שבוצעו על ידי המשתתף בניסוי (כלומר, אדם הקלטת וידאו הזהב-סטנדרטי צריך להיות במקום הנכון כאשר בעקבות המשתתף בניסוי). פרוטוקול ההערכה משלב פעילויות הליכה, סביבת חיים יומיומית, וterrains השונים ומעברים. כל הפעולות נעשות ברציפות ואילו טלפון חכם-שחוק משתתף ברציפות רשומות נתונים מתאוצה, ג&#39;ירוסקופ, מגנטומטר, וחיישני GPS, וטלפון חכם שני משמש לוידאו את כל הפעילויות שבוצעו על ידי המשתתף בניסוי. הפרוטוקול ניתן לשנות על ידי התאמת סדר פעולות המבוססות על מיקום המבחן, כל עוד מגוון של פעילויות שבוצעו רציפות של ar חיי היומיוםהתאגד דואר. עשר עד חמש עשר דקות נדרשו כדי להשלים את המעגל, בהתאם למשתתף. במהלך בדיקות טייס, חלק ממשתתפים עם מוגבלויות יכולים רק להשלים מחזור אחד, ולכן בדיקות משפט אחד יש לשקול עם כמה אוכלוסיות כדי להבטיח ערכת נתונים מלאה. מגבלות של שיטת הערכת WMMS המוצעת הן כי עיתוי החלטה מוגבלת למסגרת שיעור וידאו של המצלמה משמשת להקלטת וידאו הזהב-סטנדרטי השוואה וקושי בזיהוי עיתוי שינוי למדינה נפרדת מוידאו לפעולות יומיומי. וריאציה על ידי מספר פריימים בעת זיהוי מצב שינוי-של-מובילה להבדלים בין תוצאות תקן הזהב וWMMS שיכול להיות בגלל פרשנות של פעילות מתחילה ולא שגיאת WMMS. סובלנות בכל שינוי למדינה, שבו לא נעשות השוואות, יכולה להיות מיושמת כדי לעזור חשבון לפערים אלה. באופן כללי, הגדלת המספרפעילויות להיות מסווגות וקושי הסיווג (כלומר, מדרגות, תנועות קטנות) הפחית את הרגישות, סגוליות, וציון הממוצע F1. זה עשוי להיות צפוי מאז הגדלת מספר הפעילויות מגדילה את הסיכוי לתוצאות חיוביות שגויות ותשלילי שווא. פרוטוקולי הערכה שמשתמשים רק בפעילויות שאינן מועילים לאלגוריתם יהיה לייצר תוצאות שאינן מטעים ואינן צפויים להניב תוצאות דומות כאשר העריכו בתנאים של עולם האמיתי. לפיכך, המשמעות ביחס לשיטות קיימות היא שהפרוטוקול יגרום יותר תוצאות שמרניות למערכות WMMS מדיווחים קודמים בספרות. עם זאת, התוצאות יהיו טובות יותר משקפות תוצאות בפועל. השיטה המוצעת של הערכות WMMS ניתן להשתמש כדי להעריך מגוון טכנולוגיות לבישות, שמודדות או לסייע תנועה אנושית.

חישה בכל מקום הפכה אזור מחקר מרתק בשל,, מחשוב חזק יותר ויותר קטן בעלות נמוכה וחישת ציוד 1. ניטור ניידות באמצעות חיישנים לביש יצר עניין רב מאז המיקרואלקטרוניקה ברמת הצרכן היא מסוגל לאתר מאפייני תנועה ברמת דיוק גבוה 1. הכרה אנושית פעילות (הר) באמצעות חיישנים לביש היא האזור האחרון של מחקר, עם מחקרים ראשוניים שבוצעו בשנת 1980 ו 1990 2 - 4. טלפונים חכמים מודרניים מכילים חיישנים הדרושים ויכולת חישוב בזמן אמת להכרה פעילות ניידות. ניתוח בזמן אמת במכשיר מאפשר סיווג פעילות והעלאת נתונים ללא שימוש או התערבות חוקר. טלפון חכם עם תוכנת ניתוח ניידות יכול לספק מעקב כושר, ניטור בריאות, נופל זיהוי, בבית או בעבודת אוטומציה, וexercis ניהול עצמיתוכניות דואר 5. יכולים להיחשב טלפונים חכמים פלטפורמות מדידת אינרציה לאיתור פעילויות ניידים ודפוסים ניידים בבני אדם, תוך שימוש בתכונות אות מתמטיות שנוצרו מחושבות עם יציאות חיישן משולבת 6. שיטות נפוצה דור תכונה כוללות היוריסטי, תחום בזמן, תדירות-תחום, וידווה גישות מבוססות ניתוח 7. מערכות HAR הטלפון החכם מודרניות הראו דיוקי חיזוי גבוהים כאשר איתור פעילויות שצוינו 1,5,6,7. מחקרים אלה משתנים במתודולוגיה הערכה, כמו גם דיוק שכן רוב המחקרים הסט שלהם הכשרה, התקנה סביבתית, ופרוטוקול איסוף נתונים. רגישות, סגוליות, דיוק, כזכור, דיוק, ו- F-ציון משמשים בדרך כלל כדי לתאר את איכות חיזוי. עם זאת, לא מעט מידע נגיש בשיטות להכרה &quot;פעילות מקבילה&quot; והערכה של היכולת לזהות שינויים בפעילות בזמן אמת1, למערכות HAR המנסים לסווג את מספר פעילויות. שיטות הערכה לדיוק מערכת HAR להשתנות באופן משמעותי בין מחקרים. ללא קשר לאלגוריתם המיון או תכונות שימושיות, התיאורים של שיטות הערכה סטנדרטי זהב מעורפלים עבור רוב מחקר HAR. הכרת פעילות בסביבה היומיומית לא נחקרה בהרחבה. רוב מערכות הכרת פעילות מבוססת הטלפון החכם מוערכות באופן מבוקר, שהוביל לפרוטוקול הערכה שעשויה להיות יתרון לאלגוריתם ולא מציאותי לסביבה בעולם אמיתי. בתוך תכנית הערכתם, משתתפים לעתים קרובות לבצע רק פעולות שנועדו לחיזוי, ולא יישום מגוון גדול של פעילויות מציאותיות למשתתף לבצע ברצף, מחקה אירועי חיים אמיתיים. HAR הטלפון החכם כמה מחקרי פעילויות 8,9 קבוצה דומות ביחד, כגון מדרגות והליכה, אבל לא לכלול פעילויות אחרות מקבוצת הנתונים. דיוק חיזוי נקבע אז על ידי כמה טוב האלגוריתם זיהה את פעילות היעד. Dernbach et al. 9 משתתפים היו לכתוב את הפעילות שהם עומדים לבצע לפני שעברו, קוטע את מעברי שינוי-של-מדינה רציפות. הערכות מערכת HAR צריכים להעריך את האלגוריתם בעוד המשתתף מבצע פעולות טבעיות בסביבת חיים יומיומית. זה יאפשר הערכת חיים אמיתיים שמשכפלת שימוש יומיומי של היישום. מעגל מציאותי כולל שינויים רבים למדינה, כמו גם שילוב של פעולות לא חיזוי על ידי המערכת. חוקר אז יכול להעריך את התגובה של האלגוריתם לתנועות נוספות אלה, ובכך להעריך את החוסן של האלגוריתם לתנועות חריגות. מאמר זה מציג פרוטוקול הערכת מערכת ניטור ניידות לביש (WMMS) שמשתמש כמובן בשליטה המשקפת סביבות יומיומיות בחיים אמיתיים. WMMSהערכה אז יכולה להיות שנעשתה בתנאים מבוקרים, אבל מציאותיים. בפרוטוקול זה, אנו משתמשים WMMS דור שלישי שפותח באוניברסיטת אוטווה אוטווה ובית החולים מכון מחקר 11-15. WMMS תוכנן עבור טלפונים חכמים עם תאוצה תלת-הצירי וג&#39;ירוסקופ. אלגוריתם הניידות מהווה השתנות משתמש, מספק ירידה במספר של תוצאות חיוביות שגויות לזיהוי שינויים-של-מדינה, ומגביר את הרגישות בסיווג פעילות. מזעור תוצאות חיוביות שגויות הוא חשוב מאז WMMS מפעיל הקלטת וידאו קליפ קצרה כאשר שינויי פעילות של המדינה מזוהות, להערכת פעילות תלויה-קשר שמשפר את סיווג WMMS נוסף. הקלטת וידאו מיותרת יוצרת חוסר יעילות באחסון ושימוש בסוללה. אלגוריתם WMMS בנוי כמודל למידה חישובית נמוך והוערכו באמצעות רמות שונות חיזוי, שבו עלייה ברמת חיזוי מסמנת עלייה בכמותפעולות של זיהוי.

<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.

פרוטוקול המחקר נערך עם מדגם נוחות של חמש עשרה משתתפי הכשירים שממוצע משקל היה 68.9 (± 11.1) קילוגרם, גובה היה 173.9 (± 11.4) סנטימטר, והגיל היה 26 (± 9) שנים, גויס מבית החולים אוטווה ואוניברסיטת אוטווה צוות והתלמידים. טלפון חכם שנתפס נתוני חיישן בשיעור 40-50 הרץ משתנה. וריאציות קצב דגימה הן טיפוסיות לדגימת חיישן חכם. טלפון חכם שני משמש להקלטת וידאו דיגיטלי ברזולוצית 1280x720 (720p). הנרתיק היה מהודק לחגורה ימנית הקדמית של המשתתף או צפצף ללא תקינה נוספת של המיקום. זה הוכיח שיטה טבעית להצבת המכשיר בhostler על הירך. עם המכשיר ממוקם בנרתיק וריצת היישום לוגר הנתונים, כל אדם חצה את המעגל פעם אחת, בקצב של בחירה עצמית. המעגל לא תאר מראש לפעילויות המשתתף וההליך היושנאמר על ידי ברצף החוקר במהלך המשפט. WMMS כלל החלטות עץ עם תנאי גבול עליון ותחתון, דומים לעבודה על ידי וו, et al. 13. מסווג המתוקן משמש גודל חלון 1 שניות ותכונות מהאות ליניארי ההאצה (הסכום של טווח, ממוצע נע פשוט, סכום של סטיית תקן) ואות כוח משיכה (הבדל לY, הבדל ממוצע הסכום שונות) 15. שלושה סטי סיווג חושבו להערכה: ניידות (i) או חוסר תנועה, (ii) יושב, עומד, שקר, או הליכה, וכן (iii) יושב, עומד, שקר, הליכה, טיפוס במדרגות, או תנועת מעמד קטנה. פעולות יומיומיות תויגו כתנועות קטנות. נציגי תוצאות מוצגות בטבלה 1. <table style=";text-align:right;direction:rtl"><tbody><tr><td colspan="5"> מִיוּן </td><td colspan="2"> TP </td><td colspan="2"> FN </td><td colspan="2">TN </td><td colspan="2"> FP </td><td colspan="3"> רְגִישׁוּת (%) </td><td colspan="3"> ספֵּצִיפִיוּת (%) </td><td colspan="3"> F1-ציון (%) </td></tr><tr><td colspan="5"> סיווג סט 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"> סיווג סט 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"> סיווג סט 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"> סיווג סט 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"> נייח לנייד </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"> נייד לניע </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"> במהלך נייד </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"> במהלך הניע </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"> סיווג סט 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"> עומד ללכת </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"> ללכת לסטנד </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"> ללכת שבי ל </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"> לשבת ללכת </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"> ללכת לשכב </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"> לשקר ללכת </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"> במהלך מעמד </tד&gt; <td colspan="2"></td><td colspan="2"></td><td colspan="2"> 2,872 </td><td colspan="2"> 73 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> במהלך לשבת </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"> במהלך Lie </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"> במהלך טיול </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"> סיווג סט 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"> עומד ללכת </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"> ללכת לסטנד </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"> ללכת שבי ל </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"> לשבת ללכת </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"> ללכת לשכב </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"> לשקר ללכת </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"> ללכת למהלך קטן </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"> מהלך קטן ללכת </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; לכו למדרגות </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"> מדרגות ללכת </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"> מהלך קטן למהלך קטן </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"> במהלך מעמד </td><td colspan="2"></td><td colspan="2"></td><td colspan="2"> 1,584 </td><td colspan="2"> 25 </td><td colspan="3"></td><td colspan="3"></td><td colspan="3"></td></tr><tr><td colspan="5"> במהלך לשבת </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"> במהלך Lie </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"> במהלך טיול </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"> במהלך מדרגות </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"> במהלך שיני מברשת </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"> במהלך מסרק שיער </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"> במהלך שטיפת ידיים </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"> במהלך ידיים יבשים </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"> במהלך מנות העבר </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"> במהלך קומקום מילוי </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"> במהלך טוסט לחם </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"> במהלך כלים לשטוף </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> טבלת 1. תוצאות לקביעת שינוי למדינה; כולל, חיובי אמיתי (TP), שליליים שווא (FN), תשלילים אמיתיים (TN) תוצאות חיוביות שגויות (FP), שינויים למדינה כולל, רגישות, סגוליות,F1-ציון nd. במהלך מתייחס לTN וFP לשינויים-של-מדינה בפעולה שצוינה. מטבלת 1, סט הסיווג הנייד לעומת נייח היה רגישות של 86.30% ± 7.2% וסגוליות של 98.96% ± 0.6%, ואילו הקבוצה השנייה תחזית רגישות של 88.35% ± 7.80% וסגוליות של 98.51% ± 0.62% . לקבוצת הסיווג השלישית, הרגישות הייתה 84.92% ± 6.38% וסגוליות היו 98.17 ± 0.62. עשרות F1 לקבוצות הסיווג הראשונים, שנייה ושלישית היו 86.17 ± 6.3, 80.19 ± 6.36, ו78.42 ± 5.96, בהתאמה. <img alt="איור 1" src="/files/ftp_upload/53004/53004fig1.jpg" /> איור 1. רגישות, סגוליות, וF1-ציון השינויים-של-מדינה לשלוש קבוצות סיווג.

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.

הערכה של מערכת פעילות אנושית המבוססת על טלפון חכם הכרה בימי סביבת חיים

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

8.9K Views.  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.

מתודולוגיה עבור הקמת מעבדה ברוחב לקהילה החיים עבור לכידת פעילות מרחוק פולשני רציף ונתונים בריאות

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

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.

מדידה קינמטיקה של תנועות החיים יומי עם מערכות לכידת תנועה במציאות וירטואלית

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.

בקשה להתאמה עם התקנים לבישים לניטור מצב הבריאות האישי

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

Environment

שיפור המעורבות בכיתה: ניתוח מבוסס בינה מלאכותית של רמות הקשב של התלמידים

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.

מחבר זרקור: התמודדות עם אתגרים טכניים וסובייקטיביים במדידת קשב בכיתה

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.

מערכת מבוססת בינה מלאכותית לאיתור רמות קשב אצל תלמידים

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

Engineering

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.

צג מבוסס על בסיס לניתוח הילוך ופעילות

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

Bioengineering

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.

ניתוח וידאו התנועה באמצעות טלפונים חכמים (ViMAS): מחקר פיילוט

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 ...

Medicine

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.

תכנון וניתוח של מערכת גילוי סתיו פישוט

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.

שיטה לכימות ביצוע גפיים עליונים ב Daily Life בעזרת מדי תאוצה

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. ...

הערכה של מערכת פעילות אנושית המבוססת על טלפון חכם הכרה בימי סביבת חיים

Summary

Explore More Videos

מתודולוגיה עבור הקמת מעבדה ברוחב לקהילה החיים עבור לכידת פעילות מרחוק פולשני רציף ונתונים בריאות

מדידה קינמטיקה של תנועות החיים יומי עם מערכות לכידת תנועה במציאות וירטואלית

בקשה להתאמה עם התקנים לבישים לניטור מצב הבריאות האישי

מערכת מבוססת בינה מלאכותית לאיתור רמות קשב אצל תלמידים

מערכת מבוססת בינה מלאכותית לאיתור רמות קשב אצל תלמידים

מערכת מבוססת בינה מלאכותית לאיתור רמות קשב אצל תלמידים

צג מבוסס על בסיס לניתוח הילוך ופעילות

ניתוח וידאו התנועה באמצעות טלפונים חכמים (ViMAS): מחקר פיילוט

תכנון וניתוח של מערכת גילוי סתיו פישוט

שיטה לכימות ביצוע גפיים עליונים ב Daily Life בעזרת מדי תאוצה