著者は、技術およびデータ収集の支援のためにエヴァンBeisheim、ニコールカペラ、アンドリュー・ハーバート・コプリーを認めます。プロジェクトの資金を研究に使用するスマートフォンなど、自然科学とカナダの工学研究評議会（NSERC）とBlackBerry社から受け取りました。

このプロトコルは、オタワ健康科学ネットワーク研究倫理委員会によって承認されました。 1.準備<ol><li>研究の概要と参加者を提供し、ご質問にお答えし、インフォームドコンセントを得ます。データシート上の（内果に例えば、年齢 、性別、身長、体重、ウエスト周囲径、上前腸骨棘から脚の高さ）レコード参加者の特徴、識別コード、および日付。ビデオをキャプチャするために使用される第2のスマートフォンは、第二の捕捉率あたり少なくとも30フレームに設定されていることを確認してください。 </li><li>安全参加者の右フロントベルトやズボンの腰に携帯電話のホルスターを接続します。移動度測定のスマートフォンでセンサデータを収集するために使用されるスマートフォンのアプリケーション（ すなわち 、データロギングやWMMSアプリケーション）を起動し、アプリケーションが適切に実行されていることを確認してください。デバイスの背面（背面C​​Aで、ホルスターにスマートフォンを配置外側に向けメラ）。 </li><li>二スマートフォンでデジタルビデオ録画を開始します。匿名性のために、人の顔を示すことなく、比較のビデオを記録するが、すべてのアクティビティの遷移を記録することを確認してください。携帯電話は、ハンドヘルドすることができます。 </li></ol> 2.活動サーキット<ol><li>彼らは研究者によって話され、次のアクションを実行しながら、第二のスマートフォンで、参加者とビデオ彼らの行動に従ってください： <ol><li>立ち位置からは、裁判の開始を示すために、スマートフォンを振ります。 </li><li>少なくとも10秒間立って続行します。この立っ相電話姿勢校正14のために使用することができます。 </li><li>近くの椅子に歩き、座ります。 </li><li>立ち上がって、エレベーターに60メートルを歩きます。 </li><li>スタンドとエレベーターを待ってから、エレベーターの中に入ります。 </li><li>二階にエレベーターを取ります。 </li><li>電源を入れて、家庭環境の中に入ります。 </li><li>バスルーム、SIの中に入ります歯を磨くmulate。 </li><li>髪をコーミングシミュレートします。 </li><li>手洗いをシミュレートします。 </li><li>タオルを用いて乾燥した手。 </li><li>台所に歩いてください。 </li><li>ラックから料理を取り、カウンターの上に置きます。 </li><li>台所のシンクからの水とのやかんを埋めます。 </li><li>ストーブ​​の要素にやかんを置きます。 </li><li>トースターでパンを置きます。 </li><li>ダイニングルームに歩いてください。 </li><li>ダイニングルームのテーブルに座っています。 </li><li>テーブルで食事をシミュレートします。 </li><li>スタンドと台所の流しに戻って歩いてください。 </li><li>料理を洗い流すと、ラックに配置します。 </li><li>バックエレベーターに台所から徒歩。 </li><li>スタンドとエレベーターを待ってから、エレベーターの中に入ります。 </li><li>一階にエレベーターを取ります。 </li><li>階段に50メートルを歩きます。 </li><li>ドアを開けて、階段を入力してください。 </li><li> （着陸約13段階、13段階の）階段を歩きます。 </li><li>廊下に階段のドアを開きます。 </li><li>右折して15メートルのために廊下を歩きます。 </li><li>振り向くとバック吹き抜けに15メートルを歩きます。 </li><li>ドアを開けて、階段を入力してください。 </li><li> （着陸約13段階、13段階の）階段を歩いて。 </li><li>階段を終了し、部屋に歩いてください。 </li><li>ベッドの上で横になって。 </li><li>アップ取得し、ランプに10メートルを歩きます。 </li><li>その後、ランプ（20メートル）の下、好転、ランプを歩きます。 </li><li>ホールに歩いて続行し、外部への扉を開きます。 </li><li>舗装された経路上の100メートルを歩きます。 </li><li>振り向くと、奥の部屋に歩いてください。 </li><li>部屋に入ると、出発点に立っています。 </li><li>立って続行した後、試験終了を示すために、スマートフォンを振ります。 </li></ol></li></ol> 3.試用完了<ol><li>ビデオ録画スマートフォンを停止し、削除して、スマートフォンやホルスターを返すために、参加者に依頼してください。 SMAのデータロギングまたはWMMSアプリケーションを停止しますrtphone。後処理のためにコンピュータに両方の電話機から取得したモーションデータファイルとビデオ​​ファイルをコピーします。 </li></ol> 4.後処理<ol><li>シェイクアクションが開始された時刻を決定することにより、映像と生のセンサデータとの間のタイミングを同期させます。この振とう運動は、異なる加速度計信号及びビデオフレームに対応します。センサーと映像データ・ソースの場合、スタートブレ時間から終了ぶれ時間を減算することにより、同期エラーをチェックします。時間差は、2つのデータセット間の類似していなければなりません。 </li><li>アクティビティ間の遷移でビデオフレームの開始ぶれ時間から時間差を記録することによって、金標準ビデオからの実際の状態変化回数を決定します。 0.033秒以内にタイミングを得るためにビデオ編集ソフトウェアを使用する（ すなわち 、第2のビデオレート毎秒30フレーム）。同等の変化 - の状態センサデータからを生成するWMMSソフトウェアを使用してください。 </li><li>二つのデータセットを生成する一真の活動予測活性を有する第二に、各ビデオフレームのための活動を標識することによってWMMS出力から各ビデオフレーム時間における予測の活性を計算し、次に（状態タイミングの変化に基づいて）。 WMMS性能評価のために、金の標準的なアクティビティの間で真の陽性、偽陰性、真陰性、偽陽性を計算し、WMMSは活動を予測しました。感度、特異性、およびF-スコアアウトカム指標を計算するためにこれらのパラメータを使用します。 注：ウィンドウのいずれかの側の3つのデータウィンドウが分析されるの許容範囲の設定は、変化の状態の結果、分類の結果のための2つのデータウィンドウを決定するために使用することができます。 1第二のデータウィンドウがこの研究にWMMSのために使用されたので、この許容範囲内の連続変化が無視されるように、例えば、3秒前と現在のウィンドウの後を調べました。対価は3秒未満で起こる状態の変化が総フーマーのために無視することができるということでしたこれらの状態以降のn個の運動解析を一時的と考えられます。 </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.

ウェアラブルモビリティ監視システムと人間の活動の認識はウェアラブルコンピューティングやスマートフォンの技術の進歩と臨床意思決定と健康介入の評価に役立つ定量的なアウトカム指標のための体系的なニーズのために、近年ではより多くの注目を集めています。活動分類エラーは日常生活や歩行シナリオの幅広い活動が評価に含まれていなかった場合に存在していないことが判明したので、この論文に記載の方法は、WMMS開発を評価するために有効でした。 付属のゴールド標準のデータセットとデータ後処理と現実的が、制御された条件下でのデータ収集：WMMS評価プロトコルは、主に2つの部分から構成されます。デジタルビデオは、プロトコル活動全体でWMMSアルゴリズム予測をテストするときに金標準的なデータを提供するための実行可能なソリューションでした。プロトコルにおける重要なステップ（i）は、これは参加者-着用電話から取得したデータで金標準ビデオの同期を可能とするため、金の標準ビデオはスマートフォンの揺れをキャプチャすることを保証するために、および（ii）すべての遷移が行わゴールドスタンダードビデオレコードことを確実にするためにありますトライアル参加者（トライアル参加者を以下のとき、すなわち 、金の標準ビデオの録画者が正しい位置にある必要があります）。 評価プロトコルは、歩行活動、日常生活環境、様々な地形やトランジションを搭載しています。参加者-着用スマートフォンは継続的に、加速度計、ジャイロスコープ、磁力計、およびGPSセンサからのデータを記録しながら、すべてのアクションが連続して行われ、第二のスマートフォンは、ビデオにトライアル参加者によって実行されたすべてのアクティビティを使用します。プロトコルは、日常生活のARの連続実行される活動の範囲限り、テストの位置に基づいて、活動の順序を適応させることによって修飾することができますeが組み込まれています。 10〜15分は、参加者に応じて、回路を完成するために必要でした。パイロットテスト中に、障害を持ついくつかの参加者は、のみですので、単一のトライアルテストは完全なデータセットを確実にするために、いくつかの集団で考慮されるべきで、1サイクルを完了することができます。 提案WMMS評価方法の限界は、解像度、タイミングは、日常生活の活動のためのビデオとは異なる変化の状態のタイミングを識別する金標準コンパレータビデオと難しさを記録するために使用されるカメラのビデオフレームレートに制限されることです。いくつかのフレームによって変化の状態変化を識別による活動の解釈になる可能性がゴールドスタンダードとWMMS結果との違いを開始いうよりWMMSエラーにつながります。各チェンジ・オブ・ステート、全く比較が行われていないで公差は、これらの不一致のアカウントを助けるために実装することができます。 一般的に、数を増やします活動が分類され、分類困難（ すなわち 、階段、小さな動き）は、平均感度、特異性、およびF1スコアを減少されているの。アクティビティの数が増加すると偽陽性と偽陰性の可能性を増加させるので、これは予想されてもよいです。唯一のアルゴリズムに有利である活動を使用した評価プロトコルは、誤解を招くであり、実世界の条件下で評価した場合、同様の結果を生成する可能性が低い結果が得られます。そのため、既存の方法についての重要性は、プロトコルは、文献中に以前の報告よりWMMSシステムのためのより保守的な結果になるということです。しかし、結果はより良い実際に成果が反映されます。 WMMS評価の提案された方法は、測定または人間の動きを補助するウェアラブル技術の範囲を評価することができます。

ユビキタスセンシングが原因で、ますます強力な、小型で低コストのコンピューティングおよび感知装置1に係研究領域となっています。消費者レベルのマイクロエレクトロニクスは、高精度で1運動特性を検出することが可能であるため、ウェアラブルセンサを用いて移動度のモニタリングは、大きな関心を生成しました。 4 -ウェアラブルセンサを用いて人間の行動認識（HAR）は、1980年代と1990年代2で行われる予備的研究と、研究の最近の領域です。 現代のスマートフォンは、移動性活動認識のために必要なセンサおよびリアルタイム計算能力を含みます。デバイス上のリアルタイム解析は、ユーザーや研究者の介入なしに活動の分類とデータのアップロードが可能になります。移動度分析ソフトウェアを使用してスマートフォンを検出、自宅や作業の自動化、および自己管理exercis秋、フィットネス追跡、ヘルスモニタリングを提供することができますEプログラム5。スマートフォンは、オンボードセンサ出力6で計算数学信号生成機能を使用して、ヒトにおいてモバイル活動及びモバイルパターンを検出するための慣性計測プラットフォームと考えることができます。共通の特徴の生成方法は、ヒューリスティック、時間領域、周波数領域、及びウェーブレット解析に基づくアプローチ7を含みます 。 指定されたアクティビティ-1,5,6,7-を検出する現代のスマートフォンHARシステムは、高い予測精度を示しました。ほとんどの研究が自分のトレーニングセット、環境設定、及びデータ収集プロトコルを持っているので、これらの研究は、評価方法と同様の精度が変化します。感度、特異性、精度、再現率、精度、およびF-スコアは、一般的に、予測品質を記述するために使用されます。しかし、情報のほとんどは、リアルタイムでの活動の変化を検出する能力の「コンカレント活動」の認識と評価のための方法で提供されています1、いくつかの活動を分類しようとするHARシステム用。 HARのシステム精度のための評価法は、研究の間で実質的に変化。かかわらず、分類アルゴリズムまたは適用される機能の、金の説明は、標準的な評価方法は、ほとんどのHAR研究の曖昧です。 日常生活環境で活動認識が広く研究されていません。ほとんどのスマートフォンに基づく行動認識システムは、実世界環境にアルゴリズムではなく、現実的に有利であり得る評価プロトコルにつながる、制御された方法で評価しました。その評価制度の中で、参加者は多くの場合、現実の事象を模倣ではなく、連続して実行するために、参加者のための現実的な活動の広い範囲を適用するよりも、予測のために意図されたアクションのみを実行します。 一部のスマートフォンのHARは、階段や歩行のように、一緒に8,9グループ同様の活動を研究ただし、データセットから他の活動を除外します。予測精度は、アルゴリズムが標的活性を同定する方法もすることによって決定されます。 Dernbach ら 9は、参加者が連続チェンジの状態遷移を中断し、移動する前に、実行しようとした活動を記述していました。参加者は日常生活の設定で自然なアクションを実行しながら、HARシステムの評価はアルゴリズムを評価すべきです。これは、アプリケーションの毎日の使用を複製現実の評価を可能にするであろう。現実的な回路は、多くの状態変化、ならびにシステムによって断定ないアクションのミックスが含まれています。研究者はその後、このように異常な動きに、アルゴリズムの堅牢性を評価、これらの追加の動きに対するアルゴリズムの応答を評価することができます。 本論文では、現実の日常生活の環境を反映した制御コースを使用するウェアラブルモビリティモニタリングシステム（WMMS）評価プロトコルを提示します。 WMMS評価はその後、制御されていても、現実的な条件の下で行うことができます。このプロトコルでは、オタワ大学で開発された第三世代WMMSを使用して、オタワ病院研究所11-15。 WMMSは、3軸加速度計とジャイロスコープを持つスマートフォン用に設計されました。モビリティアルゴリズムは、ユーザの変動を考慮し、変化の状態を同定するための偽陽性の数の減少を提供し、活動の分類に感度を増大させます。 WMMSはさらにWMMS分類を改善状況依存活性評価のために、状態の活動の変化が検出された短いビデオクリップ撮影をトリガーするため、誤検知を最小にすることが重要です。不要な映像記録が保管し、バッテリ使用中の非効率性を作成します。 WMMSアルゴリズムは、予測値の増加は量の増加を意味する異なる予測レベルを用いて低計算学習モデルとして構成され、評価されています認識可能なアクションの。

<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.

研究プロトコルは、オタワ病院から募集平均体重（11.1±）68.9だっキロ、高さは（11.4±）cmの173.9で、年齢は26（±9）であった年間15健常者の利便性のサンプルで実施されました大学オタワのスタッフと学生。スマートフォンは、変数40〜50 Hzのレートでセンサデータを捕獲しました。サンプルレートの変動は、スマートフォンのセンサーサンプリングのための典型的なものです。第二のスマートフォンは、1280×720（720）の解像度でデジタルビデオを記録するために使用されました。 ホルスターは、ロケーションのさらなる標準化することなく、参加者の右フロントベルトやパンツに固定しました。これは、腰にきゅう務員にデバイスを配置するための自​​然な方法を実証しました。ホルスターとデータロガーアプリケーションの実行に置か装置では、それぞれの人は、自己選択のペースで、一度回路を横断しました。回路は、参加者と手続き活動に事前に説明していなかったました試験中に研究者を順番によって話さ。 WMMSは呉によって動作するように同様の上下の境界条件、 らと決定木から成っていた。13。改訂された分類器は、直線加速度信号（範囲の和、単純移動平均、標準偏差の合計）と重力信号（Yとの差、分散和平均差）15から1秒のウィンドウサイズと機能を使用していました。三分類セットが評価のために計算した：（II）、座って立って、嘘、または歩行、および（iii）、（ⅰ）移動性または不動、座って立って、嘘、歩行、階段を登るか、小さなスタンディング動き。日常生活の活動は、小さな動きとして標識しました。代表的な結果を表1に示します。 <table><tbody><tr><td colspan="5"> 分類 </td><td colspan="2"> TP </td><td colspan="2"> FN </td><td colspan="2">テネシー州</td><td colspan="2"> FP </td><td colspan="3"> 感度 （％） </td><td colspan="3"> 特異度（％） </td><td colspan="3"> F1スコア（％） </td></tr><tr><td colspan="5">分類セット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">分類セット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">分類セット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"> 分類セット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">モバイルへの不動</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">不動のモバイル</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">モバイル時には</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">不動の間に</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"> 分類セット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">歩いてスタンド</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">スタンドまで歩い</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">座って歩きます</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">歩いて座ります</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">リーに歩きます</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">ウォークにうそをつきます</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">スタンドの間に</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">シット中に</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">嘘の間に</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">歩行中</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"> 分類セット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">歩いてスタンド</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">スタンドまで歩い</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">座って歩きます</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">歩いて座ります</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">リーに歩きます</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">ウォークにうそをつきます</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">小型移動するにはウォーク</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">ウォークに小さな移動</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;階段まで徒歩</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">歩いて階段</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">小型移動するには小さな移動</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">スタンドの間に</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">シット中に</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">嘘の間に</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">歩行中</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">階段の間に</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">ブラシ歯間、 </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">くし髪の間に</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">ウォッシュ手中に</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">乾いた手中に</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">移動中に料理</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">フィルポット中に</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">トーストパンの間に</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">ウォッシュ料理中に</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> 表の状態変化決意1.結果。含め、真陽性（TP）、、偽陰性（FN）、真陰性（TN）偽陽性（FP）、総変化 - の状態、感度、特異度、AND F1-スコア。中には、指定された動作中の変更・オブ・状態のためにTNとFPを指します。 第2の予測セットは0.62パーセント±98.51パーセントの7.80パーセント±88.35パーセントの感度と特異性を有していた。表1から、モバイル対不動の分類セットは、0.6％±98.96パーセントの7.2％±86.30パーセントの感度と特異性を持っていました。第三の分類セットの場合、感度は6.38パーセント±84.92パーセントだった、特異度は98.17±0.62でした。第一、第二、第三の分類セットのF1スコアは、それぞれ80.19±6.36、および78.42±5.96、86.17±6.3でした。 <img alt="図1" src="/files/ftp_upload/53004/53004fig1.jpg" /> 図1。3分類・セットの変更・オブ・状態感度、特異性、およびF1-スコア。

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.

日常生活環境におけるスマートフォンベースの人間活動の認識システムの評価

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 ビュー.  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.

ビデオ: 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.

控えめな、継続的なリモート アクティビティおよび健康データをキャプチャするため地域ぐるみライフ研究所を設定する方法について

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

行動学

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.

バーチャル ・ リアリティーのモーション キャプチャ システムで日常の生活動作の運動を測定

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.

個人の健康状態を監視するためのウェアラブルデバイスとのペアリングのためのアプリケーション

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

環境学

教室でのエンゲージメントの向上:AIによる生徒の注意力レベルの分析

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.

著者スポットライト:教室の注目度を測定する際の技術的および主観的な課題への対処

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.

人工知能を用いた学生の注意力検出システム

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

工学

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.

歩行とアクティビティ分析のためのホームベースのモニター

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

生物工学

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.

スマートフォン（ViMAS）を使用してビデオ運動解析：パイロットスタディ

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 ...

医学

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.

落下検知システムの単純化のための設計と解析

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.

加速度計を使用して日常生活に上肢のパフォーマンスを定量化する方法

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. ...

日常生活環境におけるスマートフォンベースの人間活動の認識システムの評価

要約

さらに動画を探す

控えめな、継続的なリモートアクティビティおよび健康データをキャプチャするため地域ぐるみライフ研究所を設定する方法について

バーチャル・リアリティーのモーションキャプチャシステムで日常の生活動作の運動を測定

個人の健康状態を監視するためのウェアラブルデバイスとのペアリングのためのアプリケーション

人工知能を用いた学生の注意力検出システム

人工知能を用いた学生の注意力検出システム

人工知能を用いた学生の注意力検出システム

歩行とアクティビティ分析のためのホームベースのモニター

スマートフォン（ViMAS）を使用してビデオ運動解析：パイロットスタディ

落下検知システムの単純化のための設計と解析

加速度計を使用して日常生活に上肢のパフォーマンスを定量化する方法

日常生活環境におけるスマートフォンベースの人間活動の認識システムの評価

要約

さらに動画を探す

控えめな、継続的なリモート アクティビティおよび健康データをキャプチャするため地域ぐるみライフ研究所を設定する方法について

バーチャル ・ リアリティーのモーション キャプチャ システムで日常の生活動作の運動を測定

個人の健康状態を監視するためのウェアラブルデバイスとのペアリングのためのアプリケーション

人工知能を用いた学生の注意力検出システム

人工知能を用いた学生の注意力検出システム

人工知能を用いた学生の注意力検出システム

歩行とアクティビティ分析のためのホームベースのモニター

スマートフォン（ViMAS）を使用してビデオ運動解析：パイロットスタディ

落下検知システムの単純化のための設計と解析

加速度計を使用して日常生活に上肢のパフォーマンスを定量化する方法

控えめな、継続的なリモートアクティビティおよび健康データをキャプチャするため地域ぐるみライフ研究所を設定する方法について

バーチャル・リアリティーのモーションキャプチャシステムで日常の生活動作の運動を測定