تقييم لنظام التعرف على آخر الانسان ومقرها الذكي في صحيفة ظروف المعيشة
Summary
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.
Abstract
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% ± 7.2% and specificity of 98.96% ± 0.6%, while the second prediction set had a sensitivity of 88.35% ± 7.80% and specificity of 98.51% ± 0.62%. For the third classification set, sensitivity was 84.92% ± 6.38% and specificity was 98.17 ± 0.62. F1 scores for the first, second and third classification sets were 86.17 ± 6.3, 80.19 ± 6.36, and 78.42 ± 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.
Introduction
أصبح الاستشعار في كل مكان ومجال البحث إشراك بسبب قوية على نحو متزايد، صغيرة، منخفضة التكلفة الحوسبة والاستشعار عن المعدات 1. مراقبة التنقل باستخدام أجهزة استشعار يمكن ارتداؤها قد ولدت قدرا كبيرا من الاهتمام منذ الالكترونيات الدقيقة على مستوى المستهلك هي قادرة على اكتشاف خصائص الحركة مع دقة عالية 1. الاعتراف النشاط البشري (هار) باستخدام أجهزة استشعار يمكن ارتداؤها هي منطقة الأخيرة من البحوث، مع دراسات أولية أجريت في 1980s و 1990s 2-4.
الهواتف الذكية الحديثة تحتوي على أجهزة استشعار اللازمة والقدرة على حساب الوقت الحقيقي للاعتراف النشاط التنقل. يسمح تحليل في الوقت الحقيقي على الجهاز تصنيف النشاط وتحميل البيانات دون تدخل المستخدم أو محقق. الهاتف الذكي مع برامج التحليل التنقل يمكن أن توفر تتبع اللياقة البدنية، والمراقبة الصحية، وتقع الكشف أو مسكنه أو أتمتة العمل، والتمارين ذاتية الإدارةبرامج البريد 5. يمكن اعتبار الهواتف الذكية منصات قياس بالقصور الذاتي للكشف عن أنشطة الجوالة وأنماط المتنقلة في البشر، وذلك باستخدام ميزات إشارة الرياضية ولدت تحسب مع مخرجات الاستشعار على متن 6. وتشمل السمات المشتركة أساليب الجيل الكشف عن مجريات الأمور، والوقت المجال، تردد المجال، والمويجات النهج القائم على تحليل 7.
وقد أظهرت أنظمة الهاتف الذكي HAR الحديثة الدقة التنبؤ عالية عندما كشف الأنشطة المحددة 1،5،6،7. هذه الدراسات تختلف في منهجية التقييم وكذلك دقة لأن معظم الدراسات الخاصة بها مجموعة التدريب والإعداد البيئي، وبروتوكول جمع البيانات. الحساسية والنوعية والدقة، أذكر، والدقة، وF-نتيجة تستخدم عادة لوصف نوعية التنبؤ. ذلك ما لم تتوفر معلومات حول طرق ل "النشاط المتزامن" الاعتراف وتقييم القدرة على اكتشاف التغيرات النشاط في الوقت الحقيقي1، لأنظمة العمل الإنساني التي تحاول تصنيف العديد من الأنشطة. أساليب التقييم لتقرير العمل الإنساني دقة النظام تختلف بشكل كبير بين الدراسات. بغض النظر عن خوارزمية تصنيف أو ميزات تطبيقها، وصفا للأساليب تقييم موحدة الذهب غامضة بالنسبة لمعظم البحوث تقرير العمل الإنساني.
الاعتراف النشاط في بيئة الحياة اليومية لم يتم بحثها على نطاق واسع. يتم تقييم معظم أنظمة التعرف على النشاط القائم على الهواتف الذكية في الطريقة التي تسيطر عليها، مما أدى إلى بروتوكول التقييم التي قد يكون من المفيد أن الخوارزمية بدلا من الواقعي أن بيئة في العالم الحقيقي. ضمن مخطط تقييمها، المشاركين غالبا ما تؤدي فقط الإجراءات تهدف للتنبؤ، بدلا من تطبيق مجموعة واسعة من الأنشطة واقعية للمشارك لأداء على التوالي، ومحاكاة الأحداث من واقع الحياة.
يدرس بعض HAR الهاتف الذكي أنشطة مماثلة 8،9 مجموعة معا، مثل السلالم والمشيولكن استبعاد أنشطة أخرى من مجموعة البيانات. ثم يتم تحديد دقة التنبؤ بمدى حددت خوارزمية الأنشطة المستهدفة. Dernbach وآخرون. 9 وكان المشاركون إرسال النشاط كانوا على وشك تنفيذ قبل الانتقال، انقطاع مستمر التغيير للللدولة التحولات. يجب تقييم نظام HAR تقييم الخوارزمية في حين يقوم المشارك الإجراءات الطبيعية في بيئة المعيشة اليومية. ومن شأن ذلك أن يسمح بتقييم واقع الحياة أن يعيد استخدام اليومي من التطبيق. وتشمل دارة واقعية العديد من التغيرات للدولة فضلا عن مزيج من الإجراءات لا متوقعة من قبل النظام. يمكن للمحقق ثم تقييم الاستجابة خوارزمية لهذه الحركات إضافية، وبالتالي تقييم متانة خوارزمية لحركات شاذة.
تقدم هذه الورقة لبس نظام مراقبة التنقل (WMMS) بروتوكول التقييم التي تستخدم دورة للرقابة التي تعكس بيئات الحياة اليومية من واقع الحياة. WMMSويمكن بعد ذلك يتم تقييم تحت ظروف محكومة ولكنها واقعية. في هذا البروتوكول، ونحن استخدام الجيل الثالث WMMS التي تم تطويرها في معهد أبحاث مستشفى أوتاوا 11-15 جامعة أوتاوا و. تم تصميم WMMS للهواتف الذكية مع التسارع ثلاثي محور وجيروسكوب. حسابات خوارزمية التنقل لتقلب المستخدم، ويوفر تخفيض في عدد من ايجابيات كاذبة عن التغييرات من الدولة تحديد الهوية، ويزيد من حساسية في النشاط التصنيف. التقليل من ايجابيات كاذبة المهم منذ WMMS يطلق قصيرة تسجيل الفيديو كليب عندما يتم الكشف عن التغييرات نشاط الدولة، لحساسة للسياق تقييم النشاط الذي يحسن أيضا تصنيف WMMS. تسجيل فيديو لزوم لها من عدم الكفاءة في تخزين واستخدام البطارية. ويتمحور الخوارزمية WMMS كنموذج التعلم المنخفض الحسابية وتقييمها باستخدام مستويات التنبؤ مختلفة، حيث زيادة مستوى التنبؤ تعني زيادة في كميةإجراءات التعرف عليها.
Protocol
Representative Results
Discussion
تلقى الاعتراف النشاط البشري مع نظام مراقبة الحركة يمكن ارتداؤها المزيد من الاهتمام في السنوات الأخيرة بسبب التطورات التقنية في مجال الحوسبة والهواتف الذكية يمكن ارتداؤها والاحتياجات المنتظمة لمقاييس النتائج الكمية التي تساعد في عملية صنع القرار السريري وتقييم ال…
Declarações
The authors have nothing to disclose.
Acknowledgements
المؤلفون تعترف ايفان Beisheim، نيكول كابيلا، أندرو هربرت-كوبلي لتقديم المساعدة التقنية وجمع البيانات. وكان في استقبال تمويل المشروع من العلوم الطبيعية والهندسة مجلس البحوث كندا (NSERC) وبلاك بيري المحدودة، بما في ذلك الهواتف الذكية المستخدمة في الدراسة.
Materials
| 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/ |
Referências
- 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. , (1993).
- Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. . Measuring sleep by wrist actigraph. , (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. , 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. , 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. , (2014).
