Os autores reconhecem Evan Beisheim, Nicole Capela, Andrew Herbert-Copley de assistência técnica e recolha de dados. O financiamento do projecto foi recebido das Ciências Naturais e Council of Canada (NSERC) Pesquisa de Engenharia e BlackBerry Ltd., incluindo smartphones usados ​​no estudo.

Este protocolo foi aprovado pelo Conselho de Ética em Pesquisa Ottawa Rede de Ciências da Saúde. 1. Preparação <ol><li> Proporcionar aos participantes um resumo da investigação, responder a quaisquer perguntas, e obter o consentimento informado. Características dos participantes de registro (por exemplo, idade, sexo, altura, peso, circunferência da cintura, altura da perna a partir da espinha ilíaca anterior superior ao maléolo medial), código de identificação, data e em uma folha de dados. Certifique-se de que o segundo smartphone que é usada para capturar vídeo está definida para pelo menos 30 quadros por segundo taxa de captura. </li><li> Firmemente anexar um coldre de telefone para cinto ou calça de cintura frontal direito do participante. Inicie o aplicativo de smartphone que será usado para coletar os dados do sensor (ou seja, de registro de dados ou aplicativos WMMS) na medição de smartphones mobilidade e garantir que o aplicativo está sendo executado de forma apropriada. Colocar o smartphone no estojo, com a parte traseira do dispositivo (ca traseiraMera) voltado para fora. </li><li> Iniciar a gravação de vídeo digital em um segundo smartphone. Para anonimato, gravar o vídeo de comparação sem mostrar o rosto da pessoa, mas garantir a gravar todas as transições de atividade. O telefone pode ser de mão. </li></ol> 2. Actividade Circuito <ol><li> Siga o participante e vídeo de suas ações, no segundo smartphone, enquanto eles executam as seguintes ações, ditas pelo investigador: <ol><li> A partir de uma posição de pé, agitar o smartphone para indicar o início do julgamento. </li><li> Continuar em repouso durante pelo menos 10 seg. Esta fase de pé pode ser usado para a calibração orientação telefone 14. </li><li> Caminhe até uma cadeira próxima e se sentar. </li><li> Levante-se e caminhar 60 metros para um elevador. </li><li> Levante-se e esperar o elevador e, em seguida, entrar no elevador. </li><li> Pegue o elevador para o segundo andar. </li><li> Virar e ir para o ambiente doméstico. </li><li> Caminhe até o banheiro e simular escovar os dentes. </li><li> Simule penteando o cabelo. </li><li> Simular a lavagem das mãos. </li><li> Seque as mãos com uma toalha. </li><li> Caminhe até a cozinha. </li><li> Tome pratos de um rack e coloque-os sobre o balcão. </li><li> Encha uma chaleira com água da pia da cozinha. </li><li> Coloque a chaleira no fogão elemento. </li><li> Coloque o pão em uma torradeira. </li><li> Caminhe até a sala de jantar. </li><li> Sente-se em uma mesa da sala de jantar. </li><li> Simular uma refeição à mesa. </li><li> Levante-se e caminhar de volta para a pia da cozinha. </li><li> Enxaguar os pratos e colocá-los em um rack. </li><li> A pé da cozinha de volta ao elevador. </li><li> Levante-se e esperar o elevador e, em seguida, entrar no elevador. </li><li> Pegue o elevador para o primeiro andar. </li><li> Andar 50 metros a uma escada. </li><li> Abra a porta e entrar na escada. </li><li> Subir escadas (13 passos, cerca de pouso, 13 passos). </li><li> Abra a porta da escada para o corredor. </li><li> Vire à direita e andar pelo corredor por 15 metros. </li><li> Vire-se e andar 15 metros de volta para a escada. </li><li> Abra a porta e entrar na escada. </li><li> Descer as escadas (13 passos, cerca de pouso, 13 passos). </li><li> Saia da escada e entra em uma sala. </li><li> Deite-se de uma cama. </li><li> Levante-se e caminhar 10 metros para uma rampa. </li><li> Caminhe até a rampa, vire-se, em seguida, descer a rampa (20 metros). </li><li> Continue caminhando para o corredor e abrir a porta para fora. </li><li> Caminhe 100 metros da via pavimentada. </li><li> Vire-se e caminhar de volta para o quarto. </li><li> Entra na sala e ficar no ponto de partida. </li><li> Continuar de pé, e, em seguida, agitar o smartphone para indicar o fim do julgamento. </li></ol></li></ol> 3. Teste de Conclusão <ol><li> Parar a gravação de vídeo do smartphone e pedir ao participante para remover e retornar o smartphone e coldre. Parar o log de dados ou aplicação WMMS na smartphone. Copie os arquivos de dados de movimento adquiridos e do arquivo de vídeo de ambos os telefones a um computador para o pós-processamento. </li></ol> 4. Pós-processamento <ol><li> Sincronizar tempo entre o vídeo e os dados do sensor cru, determinando o tempo quando a ação começou trepidação. Este movimento de agitação corresponde a um sinal acelerômetro e vídeo moldura distinto. Verifique se há erro de sincronização subtraindo a hora de agitação de final do tempo shake de início, para fontes de dados de sensores e vídeo. As diferenças de tempo deve ser semelhante entre os dois conjuntos de dados. </li><li> Determine os tempos reais de mudança de estado do vídeo padrão-ouro, registrando a diferença de tempo a partir do momento shake de começo para o quadro de vídeo na transição entre atividades. Use software de edição de vídeo para obter tempo para dentro de 0,033 sec (ou seja, 30 quadros por segundo taxa de vídeo). Use software WMMS para gerar mudanças de estado comparáveis ​​a partir dos dados do sensor. </li><li> Gerar dois conjuntos de dados, umcom atividades verdadeiras e o segundo com actividades previstas, por marcação da actividade para cada quadro de vídeo (com base na mudança de estado de sincronismo) e calculando em seguida a actividade prevista, em cada tempo de quadro de vídeo a partir da saída WMMS. Para avaliação de desempenho WMMS, calcular verdadeiros positivos, falsos negativos, verdadeiros negativos, falsos positivos entre a atividade padrão-ouro e WMMS previu atividade. Use esses parâmetros para calcular medidas de desfechos sensibilidade, especificidade, e F-score. Nota: A definição de tolerância de 3 janelas de dados de cada lado da janela que está sendo analisado pode ser usado para determinar os resultados de mudança de estado, e 2 janelas de dados para os resultados de classificação. Por exemplo, desde 1 segundo janelas de dados foram utilizados para a WMMS neste estudo, 3 seg antes e depois da janela de corrente foram examinados de modo a que as alterações consecutivos dentro desta tolerância são ignorados. A consideração foi que as mudanças de estado que acontecem em menos de 3 segundos pode ser ignorado para huma brutaanálise de movimento n uma vez que estes estados seria considerado transitório. </li></ol>

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

The authors declare that they have no competing financial interests.

Reconhecimento atividade humana com um sistema de monitoramento de mobilidade wearable tem recebido mais atenção nos últimos anos devido aos avanços técnicos em computação e smartphones wearable e necessidades sistemáticas para medidas de resultados quantitativos que ajudam na tomada de decisão clínica e avaliação de intervenção em saúde. A metodologia descrita neste trabalho foi eficaz para avaliar o desenvolvimento WMMS desde foram encontrados erros de classificação de atividade que não estaria prese...

Sensoriamento Ubiquitous tornou-se uma área de pesquisa de contrato devido à cada vez mais poderosos,, computação de baixo custo pequeno e equipamento de um sensor. Monitoramento mobilidade usando sensores portáteis tem gerado um grande interesse desde a microeletrônica do consumidor-nível são capazes de detectar características de movimento com alta precisão 1. Reconhecimento atividade humana (HAR) usando sensores portáteis é uma área recente da pesquisa, com estudos preliminares realizados na década de 1980 e 1990 2-4. Smartphones modernos contêm os sensores necessários e capacidade de computação em tempo real para o reconhecimento actividade de mobilidade. Análise em tempo real no dispositivo permite a classificação de atividades e fazer o upload de dados sem intervenção do usuário ou investigador. Um smartphone com software de análise de mobilidade poderia fornecer rastreamento de fitness, vigilância da saúde, queda de detecção, em casa ou trabalho de automação e auto-gestão exercise programas 5. Smartphones podem ser considerados plataformas de medição inercial para a detecção de actividades móveis e padrões móveis em humanos, usando recursos de sinais matemáticos gerados calculados com saídas de sensores a bordo 6. Métodos de geração de recursos comuns incluem heurística, no domínio do tempo, no domínio da freqüência, e wavelet abordagens baseadas em análise 7. Sistemas de smartphones HAR modernos têm mostrado altas precisões de previsão ao detectar atividades especificadas 1,5,6,7. Esses estudos variam em metodologia de avaliação, bem como a precisão pois a maioria dos estudos tem seu próprio conjunto de treinamento, configuração ambiental, e protocolo de coleta de dados. A sensibilidade, especificidade, precisão, recall, precisão, e F-Score são comumente usados ​​para descrever a qualidade de previsão. No entanto, pouca ou nenhuma informação está disponível sobre os métodos de reconhecimento &quot;atividade concorrente&quot; e avaliação da capacidade de detectar mudanças de atividade em tempo real1, para sistemas de HAR que tentam categorizar diversas atividades. Métodos de avaliação para a precisão do sistema HAR variar substancialmente entre os estudos. Independentemente do algoritmo de classificação ou recursos aplicados, descrições de métodos de avaliação padrão ouro são vago para a maioria das pesquisas HAR. Reconhecimento atividade em um ambiente de vida diária não tem sido extensivamente pesquisada. A maioria dos sistemas de reconhecimento de actividade à base de smartphones são avaliados de uma forma controlada, conduzindo a um protocolo de avaliação que pode ser vantajoso para o algoritmo em vez de realista para um ambiente do mundo real. Dentro de seu esquema de avaliação, os participantes muitas vezes executar apenas as ações pretendidas para a previsão, em vez de aplicar uma grande variedade de actividades realista para o participante para executar consecutivamente, imitando os eventos da vida real. Alguns HAR smartphones estuda 8,9 grupo actividades semelhantes em conjunto, tais como escadas e caminhar, Mas excluem outras atividades a partir do conjunto de dados. Precisão da previsão é então determinado pela forma como o algoritmo identificou as atividades-alvo. Dernbach et al. 9 teve participantes escrever a atividade que eles estavam prestes a executar antes de se mudar, interrompendo transições contínuas de mudança de estado. Avaliações de sistemas de HAR devem avaliar o algoritmo enquanto o participante realiza ações naturais em um ambiente vida diária. Isso permitiria uma avaliação da vida real que replica o uso diário do pedido. Um circuito realista inclui muitas mudanças de estado, bem como uma combinação de acções não previsíveis pelo sistema. Um investigador pode então avaliar a resposta do algoritmo para esses movimentos adicionais, avaliando assim a robustez do algoritmo para movimentos anômalos. Este trabalho apresenta um protocolo de avaliação Sistema de Monitoramento de Mobilidade Wearable (WMMS) que usa um campo controlado que reflete na vida real ambientes de vida diárias. WMMSavaliação pode então ser feita sob condições controladas, mas realistas. Neste protocolo, usamos uma WMMS de terceira geração que foi desenvolvido na Universidade de Ottawa e Ottawa Hospital Research Institute 11-15. O WMMS foi projetado para smartphones com um acelerômetro tri-eixo e giroscópio. O algoritmo de mobilidade representa variabilidade de utilizador, proporciona a redução do número de falsos positivos para a identificação de alterações de estado, e aumenta a sensibilidade na categorização actividade. Minimizando falsos positivos é importante uma vez que o WMMS dispara a gravação do clipe de vídeo curto quando são detectadas mudanças de estado de atividade, para avaliação da atividade sensível ao contexto que melhora ainda mais a classificação WMMS. Gravação de vídeo desnecessário cria ineficiências no armazenamento e uso da bateria. O algoritmo WMMS é estruturado como um modelo de baixo computacional aprendizagem e avaliada utilizando diferentes níveis de previsão, onde um aumento no nível de previsão significa um aumento na quantidadeações de reconhecível.

<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.

O protocolo do estudo foi realizado com uma amostra de conveniência de quinze participantes sãos cuja média de peso foi de 68,9 (± 11,1) kg, altura era de 173,9 (± 11,4) cm, ea idade foi de 26 (± 9) anos, recrutados a partir do Hospital de Ottawa e Universidade de Ottawa equipe e alunos. Um smartphone capturado dados do sensor a uma taxa de 40-50 Hz variável. Variações da taxa de amostra são típicos para a amostragem do sensor smartphone. Um segundo aparelho foi usado para gravar vídeo digital em 1280x720 (7...

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.

Avaliação de um Sistema de Reconhecimento de Atividade Humana baseado em Smartphone em uma Vida Diária Ambiente

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

Research

JoVE Journal

Behavior

8.8K visualizações.  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.

Vídeo: 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.

Metodologia para o estabelecimento de um laboratório de vida comunitária para capturar dados de saúde e discreta e contínua atividade remota

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

Comportamento

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.

Medir a cinemática dos movimentos de vida diária com sistemas de captura de movimento em realidade Virtual

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

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

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

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

Um aplicativo para emparelhamento com dispositivos vestíveis para monitorar o status de saúde pessoal

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

Ambiente

Aprimorando o envolvimento em sala de aula: análise baseada em IA dos níveis de atenção dos alunos

Artificial Intelligence-Based System for Detecting Attention Levels in Students

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

Autor em destaque: Abordando desafios técnicos e subjetivos na medição da atenção em sala de aula

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

Sistema baseado em inteligência artificial para detectar níveis de atenção em alunos

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

Engenharia

Home-Based Monitor for Gait and Activity Analysis

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

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

Monitor Home-Based para a marcha e a análise da atividade

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

Bioengenharia

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.

Vídeo Análise do Movimento Usando Smartphones (VIMAS): Um estudo piloto

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

Medicina

Design and Analysis for Fall Detection System Simplification

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

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

Design e Análise para Simplificação do Sistema de Detecção de Queda

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.

Um método para quantificar Desempenho Membro Superior na Vida Diária utilizem acelerómetros

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

Avaliação de um Sistema de Reconhecimento de Atividade Humana baseado em Smartphone em uma Vida Diária Ambiente

Resumo

Explore mais vídeos

Capítulos neste vídeo

Metodologia para o estabelecimento de um laboratório de vida comunitária para capturar dados de saúde e discreta e contínua atividade remota

Medir a cinemática dos movimentos de vida diária com sistemas de captura de movimento em realidade Virtual

Um aplicativo para emparelhamento com dispositivos vestíveis para monitorar o status de saúde pessoal

Sistema baseado em inteligência artificial para detectar níveis de atenção em alunos

Sistema baseado em inteligência artificial para detectar níveis de atenção em alunos

Sistema baseado em inteligência artificial para detectar níveis de atenção em alunos

Monitor Home-Based para a marcha e a análise da atividade

Vídeo Análise do Movimento Usando Smartphones (VIMAS): Um estudo piloto

Design e Análise para Simplificação do Sistema de Detecção de Queda

Um método para quantificar Desempenho Membro Superior na Vida Diária utilizem acelerómetros