Introduction
Ubiquitous algılama nedeniyle giderek güçlü, küçük, düşük maliyetli bilgisayar ve donanımları 1 algılama için ilgi çekici bir araştırma alanı haline gelmiştir. Tüketici düzeyinde mikroelektronik yüksek doğruluk 1 ile hareket özelliklerini saptayabilen beri giyilebilir sensörler kullanılarak Hareketlilik izleme ilgi bir hayli üretti. 4 - ön çalışmalar 2 1990'lar 1980'lerde gerçekleştirilen ve birlikte giyilebilir sensörler kullanılarak insan faaliyeti tanıma (HAR), araştırma yeni bir alandır.
Modern akıllı telefonlar hareketlilik faaliyeti tanınması için gerekli sensörler ve gerçek zamanlı hesaplama yeteneği içerir. Cihaz üzerindeki gerçek zamanlı analiz kullanıcı veya araştırmacı müdahalesi olmadan faaliyet sınıflandırma ve veri yükleme izin verir. Hareket analiz yazılımı ile bir akıllı telefon tespiti, ev veya iş otomasyonu ve kendi kendini yöneten exercis sonbahar, spor izleme, sağlık izleme sağlayabilire programları 5. Akıllı telefonlar onboard sensör çıkışları 6 ile hesaplanan oluşturulan matematiksel sinyal özelliklerini kullanarak, insanlarda mobil faaliyetleri ve mobil desenleri tespit etmek için atalet ölçüm platformları olarak kabul edilebilir. Ortak özellik nesil yöntemleri sezgisel, zaman etki, frekans domain ve dalgacık analizi temelli yaklaşımlar 7 arasındadır.
Belirtilen faaliyetleri 1,5,6,7 tespit ettiğinde, modern akıllı telefon HAR sistemleri, yüksek tahmin doğrulukları göstermiştir. Çalışmaların çoğu, kendi eğitim seti, çevre kurulum ve veri toplama protokolü beri bu çalışmalar değerlendirme metodolojisi yanı sıra doğruluk değişebilir. Duyarlılık, özgüllük, doğruluk, hatırlama, hassas ve F-Puan yaygın tahmin kalitesini tanımlamak için kullanılır. Bununla birlikte, herhangi bir bilgi, küçük, gerçek zamanlı olarak aktivite değişiklikleri algılamak için yeteneği "eşzamanlı aktivitesi" tanıma ve değerlendirilmesi için yöntemler mevcuttur1, çeşitli etkinlikler kategorize girişiminde HAR sistemleri. HAR sistem hassasiyeti için Değerlendirme yöntemleri çalışmalar arasında önemli ölçüde değişir. Ne olursa olsun sınıflandırma algoritması veya uygulamalı özelliklerin, altın standart değerlendirme yöntemlerinin açıklamaları çoğu HAR araştırma için belirsizdir.
Bir günlük yaşam ortamında Etkinlik tanıma yoğun araştırılmış değil. En akıllı telefon-temelli etkinlik tanıma sistemi, gerçek dünya ortamına algoritması yerine gerçekçi avantajlı olabilir bir değerlendirme protokolü yol açan, kontrollü bir şekilde değerlendirilir. Bunların değerlendirilmesi düzeni içinde, katılımcılar genellikle oldukça gerçek yaşam olaylarını taklit, ard arda gerçekleştirmek için katılımcı için gerçekçi faaliyetleri geniş bir ürün yelpazesi uygulamak daha tahmin yönelik sadece eylemleri gerçekleştirmek.
Bazı akıllı telefon HAR tür merdiven ve yürüyüş gibi birlikte 8,9 grup benzer faaliyetleri, çalışmalarıAncak veri kümesinden diğer faaliyetleri hariç. Tahmin doğruluğu daha sonra algoritma hedef faaliyetlerini tespit ne kadar iyi belirlenir. Dernbach ve ark., 9 katılımcıların sürekli değişim-of-devlet geçişler kesintiye, hareket etmeden önce yürütmek için hakkında vardı yazma etkinliği vardı. Katılımcı bir günlük yaşam ortamında doğal eylemleri gerçekleştirir iken HAR sistem değerlendirmeler algoritması değerlendirmelidir. Bu uygulamanın günlük kullanım çoğaltır gerçek hayatta değerlendirilmesine olanak olacaktır. Gerçekçi bir devre birçok devlet değişikliklerini-yanı sıra sistem tarafından predicable olmayan eylemlerin bir karışımını içerir. Bir araştırmacı sonra bu şekilde anormal hareketlere algoritmanın sağlamlığını değerlendirmek, bu ek hareketlere algoritmanın yanıtını değerlendirmek olabilir.
Bu kağıt gerçek yaşam günlük yaşam ortamlarını yansıtan kontrollü bir kurs kullanan Giyilebilir Mobilite İzleme Sistemi (WMMS) değerlendirme protokolü sunar. WMMSDeğerlendirme sonra kontrollü ama gerçekçi koşullar altında yapılabilir. Bu protokol, biz Ottawa Üniversitesi ve Ottawa Hospital Research Institute 11-15 geliştirildi üçüncü nesil WMMS kullanın. WMMS bir tri-eksenli ivmeölçer ve jiroskop ile akıllı telefonlar için tasarlanmıştır. Hareketlilik algoritması, kullanıcı değişkenliği hesapları değişiklik eyalet belirlenmesi için yanlış pozitif sayısında bir azalma sağlar ve etkinlik kategorizasyon hassasiyetini artırır. WMMS daha WMMS sınıflandırma geliştirir bağlam-duyarlı etkinlik değerlendirilmesi için devlet faaliyeti değişiklikleri tespit edilir kısa video klip kaydı tetikler çünkü yanlış pozitif en aza indirilmesi önemlidir. Gereksiz bir video kayıt depolama ve pil kullanımı yetersizliklere oluşturur. WMMS algoritması tahmin düzeyinde bir artış miktarında bir artış anlamına farklı tahmin seviyelerini kullanarak düşük hesaplama öğrenme modeli olarak yapılandırılmıştır ve değerlendirilirtanınabilir eylemler.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Bu protokol Ottawa Sağlık Bilimleri Ağı Araştırma Etik Kurulu tarafından onaylanmıştır.
1. Hazırlık
- , Bir araştırma taslak katılımcılara sağlayın sorulara cevap ve aydınlatılmış onam. Kayıt katılımcı özellikleri (örneğin, yaş, cinsiyet, boy, kilo, bel çevresi, anterior superior medial malleol için iliyak bacak yükseklik) Bir veri sayfasında, kimlik kodu, tarih ve. Video yakalamak için kullanılan ikinci akıllı telefon, ikinci yakalama hızı başına en az 30 kare olarak ayarlanmış olduğundan emin olun.
- Güvenli katılımcının sağ ön kemer veya pantolon bel için bir telefon kılıfına ekleyin. Hareketlilik ölçüm smartphone sensör verileri (yani veri kaydı veya WMMS uygulaması) toplamak ve uygulama uygun çalıştığından emin olmak için kullanılacak akıllı telefon uygulamasını başlatın. Cihazın arkasındaki (arka ca ile tutucuya yerleştirin smartphonedışa bakan mera).
- İkinci smartphone dijital video kayıt başlayın. Anonimlik için kişinin yüzünü göstermeden karşılaştırma video kaydetmek, ancak tüm faaliyet geçişleri kaydetmek için emin olun. Telefon el olabilir.
2. Etkinlik Devre
- İkinci smartphone, onların eylemleri katılımcıyı ve videoyu izleyin onlar araştırmacı tarafından konuşulan şu eylemleri gerçekleştirmek ise:
- Ayakta pozisyondan, duruşmanın başladığını göstermek için smartphone sallayın.
- En az 10 sn bekletildikten devam edin. Bu duran faz, telefon yönlendirmesi kalibrasyon 14 için kullanılabilir.
- Yakındaki bir sandalyeye yürüyün ve otur.
- Ayağa kalk ve bir asansöre 60 metre yürüyün.
- Standı ve asansör için bekleyin ve daha sonra asansöre yürümek.
- İkinci katta asansörün atın.
- Çevirin ve ev ortamına yürüyün.
- Banyo ve si içine yürümekMulate diş fırçalama.
- Saç tarama benzetin.
- El yıkama benzetin.
- Bir havlu kullanarak Kuru eller.
- Mutfağa yürüyün.
- Bir raf yemekleri alın ve tezgahın üzerine koyun.
- Evye su ile bir su ısıtıcısı doldurun.
- Soba elemanı üzerindeki su ısıtıcısı yerleştirin.
- Bir tost ekmeği yerleştirin.
- Yemek odası yürüyün.
- Yemek odası masada oturmak.
- Masada yemek yeme benzetin.
- Standı ve geri evye yürüyün.
- Yemekleri durulayın ve bir rafa koyun.
- Asansör geri mutfaktan yürüyün.
- Standı ve asansör için bekleyin ve daha sonra asansöre yürümek.
- Birinci katta asansörün atın.
- Bir merdiven boşluğu 50 metre yürüyün.
- Kapıyı açın ve merdiven boşluğu girin.
- (Iniş yaklaşık 13 adımları, 13 adım) merdivenlerden yukarı yürüyün.
- Koridorda merdiven kapısını açın.
- Sağa dönün ve 15 metre koridordan yürüyün.
- Arkanı dön ve geri merdiven boşluğu 15 metre yürüyün.
- Kapıyı açın ve merdiven boşluğu girin.
- (Iniş yaklaşık 13 adımları, 13 adım) merdivenlerden aşağı yürüyün.
- Merdiven boşluğu çıkın ve bir odaya yürüyün.
- Bir yatakta yatmak.
- Kalk ve bir rampa 10 metre yürümek.
- Daha sonra rampa (20 metre) aşağı dönüp, rampa yukarı yürüyün.
- Salona yürümeye devam ve dışarıdan kapıyı açın.
- Döşeli yolu üzerinde 100 metre yürüyün.
- Arkanı dön ve odasına geri yürüyün.
- Odasına yürümek ve başlangıç noktasında duruyor.
- Ayakta Devam ve ardından davanın sonunu belirtmek için akıllı sallayın.
3. Deneme Tamamlama
- Video kayıt akıllı telefon durdurun ve kaldırmak ve akıllı ve kılıfından dönmek için katılımcıdan. Sma veri günlüğü ya da WMMS uygulamayı durdurmakrtphone. Post-processing için bir bilgisayara hem telefonlarından elde edilen hareket veri dosyalarını ve video dosyasını kopyalayın.
4. Post-processing
- Shake eylemi başladığında vakit belirleyerek video ve ham sensör verileri arasındaki zamanlamayı senkronize edin. Bu sallayarak hareket ayrı bir ivme sinyali ve video karesine eşittir. Sensör ve video veri kaynakları için, başlangıç sallamak zaman bitiş süresini shake çıkarılarak eşitleme hatası olup olmadığını kontrol edin. Zaman farkı iki veri kümesi arasındaki benzer olmalıdır.
- Faaliyetleri arasındaki geçişte video karesine başlangıç sallamak zaman zaman farkı kaydederek altın standart video gerçek değişim-of-devlet sürelerini belirler. 0.033 sn dahilinde zamanlama elde etmek için video düzenleme yazılımı kullanın (örneğin, ikinci bir video oranı 30 kare). Karşılaştırılabilir değişiklikler eyalet sensör verileri oluşturmak için WMMS yazılımını kullanın.
- Iki veri setleri oluşturmak, tekGerçek faaliyetleri ve tahmin faaliyetleri ile ikinci olan her bir video çerçevesi için aktiviteyi etiketleyerek WMMS çıkışı her video çerçeve anda tahmin faaliyeti hesaplanması ve sonra (devlet zamanlaması değişikliğe göre). WMMS performans değerlendirmesi için altın standart aktivite arasındaki gerçek pozitifler, yanlış negatif, gerçek negatifler, yanlış pozitif hesaplamak ve WMMS aktivitesini öngördü. Duyarlılık, seçicilik ve F-skor sonuçları önlemler hesaplamak için bu parametreleri kullanın.
Not: analiz edilen pencerenin her iki tarafında 3 veri pencerelerin bir tolerans ayar değişikliği eyalet sonuçlarını belirlemek için kullanılan ve sınıflandırma sonuçları için 2 veri pencereleri edilebilir. 1 ikinci veri pencereler bu çalışmada WMMS kullanıldı çünkü bu tolerans dahilinde ardışık değişiklikler göz ardı edilir, böylece Örneğin, 3 sn önce ve geçerli pencerenin sonra muayene edildi. Dikkate 3 saniyeden daha kısa meydana devlet değişiklikler brüt huma için göz ardı edilebilir olduğunuBu devletlerin beri n hareket analizi geçici olarak düşünülebilir.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Çalışma protokolü yüksekliği cm (11,4 ±) 173,9 idi, kimin ortalama ağırlığı 68.9 idi (11.1 ±) onbeş-güçlü gövdeli katılımcıların bir kolaylık numunesi kg yapılan ve yaş Ottawa Hastanesi işe, 26 (± 9) yıl idi ve Ottawa personelin ve öğrencilerin Üniversitesi. Bir akıllı telefon değişken 40-50 Hz hızında sensör verileri ele geçirdi. Örnek oranı varyasyonları smartphone sensörü örnekleme için tipiktir. İkinci akıllı telefon 1280x720 (720p) çözünürlükte dijital video kaydetmek için kullanıldı.
Kılıf konumu daha standardizasyon olmadan katılımcının sağ ön kemer veya pantolon takıldı. Bu kalçada Hostler cihazı yerleştirmek için doğal bir yöntem gösterdi. Kılıfına ve veri kayıt uygulaması çalışan yerleştirilen cihaz ile, her kişinin kendi seçtiği hızda, bir kez devreyi geçilen. Devre katılımcı ve işlem faaliyetlerine önceden açıklanmayan ididuruşma sırasında araştırmacı sırayla tarafından konuşulur.
WMMS Wu tarafından çalışma içindeki üst ve alt sınır koşulları, et al bir karar ağacı oluşmuştur. 13. Revize sınıflandırıcı doğrusal hızlanma sinyali (aralık, basit hareketli ortalama toplamı, standart sapma toplamı) ve yerçekimi sinyali (Y farkı, varyans toplam ortalama fark) 15 dan 1 sn pencere boyutu ve özellikleri kullanılır. (I) hareketlilik ya da hareketsizlik, (ii), stand oturup, yalan, ya da yürüyüş ve (iii), stand oturup, yalan, yürüyüş, tırmanma merdivenleri, ya da küçük ayakta hareketi: Üç sınıflandırma setleri değerlendirme için hesaplanmıştır. Günlük yaşam aktiviteleri küçük hareketleri olarak etiketlendi. Örnek sonuçlar Tablo 1 'de gösterilmektedir.
| Sınıflama | TP | FN | TN | FP | Duyarlılık (%) | Özgünlük (%) | F1-Puan (%) | ||||||||||||||
| Sınıflandırma Seti 1 | 350 | 55 | 8701 | 91 | 86,30 ± 7,2 | 98.96 ± 0.6 | 86,17 ± 6.3 | ||||||||||||||
| Sınıflandırma Seti 2 | 359 | 47 | 8660 | 131 | 88,35 ± 7,80 | 98,51 ± 0.62 | 80,19 ± 6,36 | ||||||||||||||
| Sınıflandırma Seti 3 | 423 | 75 | 8540 | 159 | 98,17 ± 0.62 | 78,42 ± 5.96 | |||||||||||||||
| Sınıflandırma Seti 1 | |||||||||||||||||||||
| Mobile Hareketsiz | 177 | 19 | |||||||||||||||||||
| Immobile Mobil | 171 | 36 | |||||||||||||||||||
| Mobile sırasında | 3990 | 73 | |||||||||||||||||||
| Immobile sırasında | 4711 | 18 | |||||||||||||||||||
| Sınıflandırma Seti 2 | |||||||||||||||||||||
| Walk Standı | 134 | 17 | |||||||||||||||||||
| Standı Walk | 137 | 26 | |||||||||||||||||||
| Sit Walk | 29 | 0 | |||||||||||||||||||
| Walk Sit | 30 | 0 | |||||||||||||||||||
| Yalan Walk | 11 | 4 | |||||||||||||||||||
| Yürü Yalan | 15 | 0 | |||||||||||||||||||
| Standı sırasında | 2872 | 73 | |||||||||||||||||||
| Sit Sırasında | 644 | 9 | |||||||||||||||||||
| Lie sırasında | 447 | 9 | |||||||||||||||||||
| Yürüyüş sırasında | 4697 | 40 | |||||||||||||||||||
| Sınıflandırma Seti 3 | |||||||||||||||||||||
| Walk Standı | 70 | 7 | |||||||||||||||||||
| Standı Walk | 74 | 14 | |||||||||||||||||||
| Sit Walk | 29 | 0 | |||||||||||||||||||
| Walk Sit | 30 | 0 | |||||||||||||||||||
| Yalan Walk | 15 | 0 | |||||||||||||||||||
| Yürü Yalan | 15 | 0 | |||||||||||||||||||
| Küçük Move yürüyün | 68 | 7 | |||||||||||||||||||
| Küçük Taşı Walk | 61 | 13 | |||||||||||||||||||
| 13 | 2 | ||||||||||||||||||||
| Merdiven Walk | 13 | 2 | |||||||||||||||||||
| Küçük Move Küçük Taşı | 35 | 30 | |||||||||||||||||||
| Standı sırasında | 1584 | 25 | |||||||||||||||||||
| Sit Sırasında | 643 | 10 | |||||||||||||||||||
| Lie sırasında | 447 | 15 | |||||||||||||||||||
| Yürüyüş sırasında | 4398 | 56 | |||||||||||||||||||
| Merdivenler sırasında | 246 | 0 | |||||||||||||||||||
| Fırça Diş sırasında | 190 | 12 </ td> | |||||||||||||||||||
| Tarak Saç Sırasında | 158 | 2 | |||||||||||||||||||
| Yıkama sırasında Hands | 152 | 6 | |||||||||||||||||||
| Kuru Eller Sırasında | 119 | 4 | |||||||||||||||||||
| Taşı Yemekleri sırasında | 93 | 5 | |||||||||||||||||||
| Dolgu Kettle sırasında | 190 | 5 | |||||||||||||||||||
| Tost Ekmeği Sırasında | 70 | 1 | |||||||||||||||||||
| Yıkama sırasında Yemekleri | 250 | 18 | |||||||||||||||||||
Tablo değişim-of-devlet belirlenmesi için 1. Sonuçlar; Gerçek pozitif (TP), yanlış negatifler (FN), gerçek negatifler (TN) yanlış pozitif (FP), toplam değişikliklerin-of-devlet, duyarlılık, özgüllük, a, dahilnd F1-Puan. Sırasında belirtilen eylem sırasında değişirse-of-devlet için TN ve FP ifade eder.
İkinci tahmin seti% 0,62 ± 98,51% bir 7.80 ±% 88,35% duyarlılık ve özgüllüğünü vardı Tablo 1, mobil karşı hareketsiz sınıflandırma seti,% 0.6 ± 98.96% bir 7.2% ± 86,30% duyarlılık ve özgüllüğünü vardı . Üçüncü sette sınıflandırma için, duyarlılık 84,92% 6.38% ± ve özgünlüğü 98,17 ± 0.62 idi. Birinci, ikinci ve üçüncü sınıflandırma setleri için F1 skorları sırasıyla 86,17 ± 6,3, 80,19 ± 6,36 ve 78,42 ± 5,96, idi.
Şekil 1. Üç sınıflandırma setleri için değişiklikler eyalet duyarlılık, seçicilik ve F1-Puan.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bir giyilebilir hareketlilik izleme sistemi ile insan faaliyetinin tanıma nedeniyle giyilebilir bilgisayar ve akıllı telefonlar ve klinik karar verme ve sağlık müdahalesi değerlendirmemize yardımcı kantitatif sonuç ölçümlerinin sistematik ihtiyaçlarını teknik gelişmeler son yıllarda daha fazla ilgi görmüştür. Bu yazıda anlatılan metodoloji etkinliği sınıflandırması hataları günlük yaşam aktiviteleri ve yürüyen senaryolar geniş bir yelpazede değerlendirmeye dahil olmasaydı mevcut olmazdı bulundu beri WMMS gelişimini değerlendirmek için etkili oldu.
WMMS değerlendirme protokolü iki ana bölümden oluşur: veri toplama beraberindeki set altın standart veri ve veri post-processing ile gerçekçi ama kontrollü koşullar altında. Dijital video protokol faaliyetlerinin genelinde WMMS algoritması tahminler test ederken altın standart veri sağlamak için uygun bir çözüm oldu. Protokolde Kritik adımlaraltın standart video smartphone sallamak yakalar bu katılımcı yıpranmış telefon ve elde edilen verilerle altın standart video senkronizasyonu izin çünkü (i) sağlamak için vardır, (ii) altın standart video kayıtları tüm geçişler gerçekleştirilen emin olmak için Deneme katılımcı tarafından (deneme katılımcıyı takip ederken, yani altın standart video kaydederken kişinin doğru pozisyonda olmalıdır).
Değerlendirme protokolü yürüyen faaliyetleri, bir günlük yaşam ortamı ve çeşitli arazilerde ve geçişler içeriyor. Bir katılımcı aşınmış akıllı telefon sürekli ivme, jiroskop, manyetometre ve GPS sensörlerinden gelen verileri kaydeder ise tüm eylemler arka arkaya yapılır ve ikinci akıllı telefon video deneme katılımcı tarafından gerçekleştirilen tüm faaliyetleri için kullanılır. Protokol günlük yaşam ar sürekli gerçekleştirilen bir dizi faaliyet sürece, deney yere göre faaliyetlerin sırasını uyarlayarak modifiye edilebilire dahil. On-onbeş dakika katılımcı bağlı devreyi tamamlamak için gerekli oldu. Pilot testleri sırasında, engelli bazı katılımcılar sadece bu nedenle tek deneme testi komple bir veri kümesi sağlamak için bazı nüfusa sahip düşünülmelidir, tek döngüsünü tamamlamak olabilir.
Önerilen WMMS değerlendirme yöntemi Sınırlamalar çözünürlük zamanlama günlük yaşam aktiviteleri için videonun farklı değişim eyalet zamanlaması tanımlayan altın standart karşılaştırma video ve zorluk kaydetmek için kullanılan kameranın video kare hızına sınırlı olmasıdır. Birkaç çerçeveleri Varyasyon bir değişiklik-of-devlet belirlenmesi nedeniyle faaliyet yorumuna olabilir altın standart ve WMMS sonuçları arasındaki farklar başlamak yerine WMMS hatası yol açar. Her değişim-of-devlet hiçbir karşılaştırmalar yapılır, A hoşgörü, bu tutarsızlıkların hesabını yardımcı uygulanabilir.
Genel olarak, artan sayıdafaaliyetler sınıflandırılmış ve kategorizasyon zorluk (yani, merdiven, küçük hareketler) ortalama duyarlılık, özgüllük ve F1 puanı azaltılmış olma. Faaliyetlerin sayısının artırılması yanlış pozitif ve yanlış negatif şansını arttırır, çünkü bu beklenebilir. Sadece yanıltıcı ve gerçek dünya koşullarında değerlendirildiğinde benzer sonuçlar elde etmek olası değildir sonuçlar üretecektir algoritması avantajlı faaliyetlerde kullanmak Değerlendirme protokolleri. Bu nedenle, mevcut yöntemlere göre önemi protokol literatürde bildirilen göre WMMS sistemleri için daha muhafazakâr sonuçlara neden olacaktır. Ancak, daha iyi sonuçlar pratikte sonuçlarını yansıtacaktır. WMMS değerlendirmeler önerilen yöntem ölçülmesi ya da insan hareketine yardımcı takılabilir bir dizi teknoloji değerlendirmek için de kullanılabilir.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
Yazarlar, teknik ve veri toplama yardım için Evan Beisheim, Nicole Capela, Andrew Herbert-Copley kabul etmiş sayılırsınız. Proje finansman Çalışmada kullanılan akıllı telefonlar da dahil olmak üzere Doğa Bilimleri ve Kanada'nın (NSERC) Mühendislik Araştırma Konseyi ve BlackBerry Ltd., alındı.
Materials
| Name | Company | Catalog Number | Comments |
| Smartphone or wearable measurement device | Blackberry | Z10 | |
| Smartphone for video recording | Blackberry | Z10 or 9800 | |
| Phone holster | Any | ||
| Data logger application for the smartphone | BlackBerry World - TOHRC Data Logger for BlackBerry 10 | http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA | |
| Wearable mobility measurement | Custom Blackberry 10 and Matlab software for mobility monitoring | http://www.irrd.ca/cag/smartphone/ | |
| Video editing or analysis software | Motion Analysis Tools | http://www.irrd.ca/cag/mat/ |
References
- Lara, O. D., Labrador, M. A. A Survey on Human Activity Recognition using Wearable Sensors. IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).
- Foerster, F., Smeja, M., Fahrenberg, J. Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring. Computers in Human Behavior. 15 (5), 571-583 (1999).
- Elsmore, T. F., Naitoh, P. Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations. , DTIC Online. (1993).
- Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. Measuring sleep by wrist actigraph. , DTIC Online. (1981).
- 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).
- Incel, O. D., Kose, M., Ersoy, C. A Review and Taxonomy of Activity Recognition on Mobile Phones. BioNanoScience. 3 (2), 145-171 (2013).
- Yang, C. C., Hsu, Y. L. A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring. Sensors. 10 (8), 7772-7788 (2010).
- He, Y., Li, Y. Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone. International Journal of Distributed Sensor Networks. 2013, (2013).
- Vo, Q. V., Hoang, M. T., Choi, D. Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm. International Journal of Distributed Sensor Networks. 2013, (2013).
- 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).
- 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).
- 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).
- Wu, H., Lemaire, E. D., Baddour, N. Activity Change-of-state Identification Using a Blackberry Smartphone. Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).
- 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).
- Tundo, M. D. Development of a human activity recognition system using inertial measurement unit sensors on a smartphone. , Available from: http://www.ruor.uottawa.ca/handle/10393/30963 (2014).
