Evaluación de un sistema de reconocimiento de la actividad humana a base de Smartphone en una de Vida Diaria
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
Detección Ubicua ha convertido en un área de investigación de acoplamiento debido a la cada vez más poderosa, pequeño, la computación de bajo costo y equipos de detección 1. Monitoreo Movilidad utilizando sensores vestibles ha generado un gran interés desde la microelectrónica a nivel de los consumidores son capaces de detectar características de movimiento con alta precisión 1. Reconocimiento de la actividad humana (HAR), utilizando sensores vestibles es un área reciente de investigación, con los estudios preliminares realizados en los años 1980 y 1990 2-4.
Smartphones modernos contienen los sensores necesarios y la capacidad de cálculo en tiempo real para el reconocimiento de la actividad de la movilidad. Análisis en tiempo real en el dispositivo permite la clasificación de la actividad y de la carga de datos sin intervención del usuario o investigador. Un smartphone con software de análisis de la movilidad podría proporcionar seguimiento gimnasio, vigilancia de la salud, la caída de detección, el hogar o la automatización del trabajo, y exercis autogestiónprogramas e 5. Smartphones pueden considerarse plataformas de medición inercial para detectar actividades móviles y patrones móviles en los seres humanos, el uso de características de señal matemáticos generados calculados con salidas de los sensores a bordo 6. Métodos de generación de características comunes incluyen heurística, el dominio del tiempo, dominio de la frecuencia, y los enfoques basados en análisis wavelet-7.
Sistemas HAR smartphones modernos han demostrado una precisión alta de predicción al detectar actividades especificadas 1,5,6,7. Estos estudios varían en la metodología de evaluación, así como la precisión ya que la mayoría de estudios tienen su propio conjunto de entrenamiento, la configuración del medio ambiente, y el protocolo de recogida de datos. La sensibilidad, la especificidad, la exactitud, el recuerdo, la precisión, y F es la puntuación se utilizan comúnmente para describir la calidad de predicción. Sin embargo, poco o nada de información está disponible en los métodos de reconocimiento "actividad concurrente" y la evaluación de la capacidad de detectar cambios en la actividad en tiempo real1, para los sistemas de HAR que intentan categorizar varias actividades. Métodos de evaluación de HAR precisión del sistema varían considerablemente entre los estudios. Independientemente del algoritmo de clasificación o características aplicadas, las descripciones de los métodos de evaluación estándar de oro son vagos para más investigación HAR.
El reconocimiento de actividades en un ambiente de la vida diaria no ha sido ampliamente investigado. La mayoría de los sistemas de reconocimiento de la actividad basada en teléfonos inteligentes se evalúan de una manera controlada, dando lugar a un protocolo de evaluación que puede ser ventajoso para el algoritmo en lugar de realista para un entorno del mundo real. Dentro de su esquema de evaluación, los participantes suelen realizar sólo las acciones destinadas a la predicción, en lugar de aplicar una amplia gama de actividades realistas para el participante para realizar consecutivamente, imitando los acontecimientos de la vida real.
Algunos HAR teléfono inteligente estudia 8,9 grupales actividades similares juntos, como escaleras y caminar, Pero excluir otras actividades del conjunto de datos. Precisión de la predicción se determina entonces por lo bien el algoritmo identifica las actividades de destino. Dernbach et al. 9 tenían los participantes escriben la actividad que estaban a punto de ejecutar antes de pasar, interrumpiendo transiciones continuas cambio-de-estado. Evaluaciones del sistema HAR deberían evaluar el algoritmo, mientras que el participante realiza acciones naturales en un entorno vida diaria. Esto permitiría una evaluación de la vida real que se replica el uso diario de la aplicación. Un circuito realista incluye muchos cambios del estado, así como una mezcla de acciones no predecibles por el sistema. Un investigador puede entonces evaluar la respuesta del algoritmo para estos movimientos adicionales, evaluando así la robustez del algoritmo para movimientos anómalos.
Este artículo presenta una Wearable Sistema de Control de la Movilidad (WMMS) protocolo de evaluación que utiliza un supuesto control que refleja los ambientes de la vida diaria de la vida real. WMMSevaluación puede entonces hacerse bajo condiciones controladas, pero realistas. En este protocolo, se utiliza un WMMS de tercera generación que se desarrolló en la Universidad de Ottawa y Ottawa Hospital Research Institute 11-15. El WMMS fue diseñado para los teléfonos inteligentes con un acelerómetro de tres ejes y giroscopio. El algoritmo de la movilidad representa la variabilidad de usuario, proporciona una reducción en el número de falsos positivos para la identificación de los cambios del estado, y aumenta la sensibilidad de la actividad de categorización. Reducir al mínimo los falsos positivos es importante ya que el WMMS desencadena la grabación de videoclips cortos cuando se detectan cambios en la actividad del Estado, para la evaluación de la actividad sensible al contexto que mejora aún más la clasificación WMMS. Grabación de vídeo innecesario crea ineficiencias en el almacenamiento y uso de la batería. El algoritmo WMMS está estructurado como un modelo de bajo computacional aprendizaje y evaluó utilizando diferentes niveles de predicción, donde un aumento en el nivel de predicción representa un aumento en la cantidadacciones de reconocibles.
Protocol
Representative Results
Discussion
Reconocimiento de la actividad humana con un sistema de monitoreo de movilidad portátil ha recibido más atención en los últimos años debido a los avances técnicos en computación y smartphones ponible y necesidades sistemáticas para medidas de resultados cuantitativos que ayuden en la toma de decisiones clínicas y la evaluación intervención de salud. La metodología descrita en este trabajo fue eficaz para evaluar el desarrollo WMMS ya que se encontraron errores de clasificación de actividades que no habrían…
Declarações
The authors have nothing to disclose.
Acknowledgements
Los autores reconocen Evan Beisheim, Nicole Capela, Andrew Herbert-Copley para la asistencia técnica y la recogida de datos. La financiación del proyecto se recibió de Ciencias Naturales e Ingeniería de Investigación de Canadá (NSERC) y BlackBerry Ltd., incluyendo teléfonos inteligentes utilizados en el estudio.
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).
