Evaluering af en smartphone-baserede Menneskelig aktivitet Recognition System i en Daily Living Miljø

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

Allestedsnærværende sensing er blevet en engagerende forskningsområde grund stadig mere magtfuld, små, lave omkostninger computing og sensing udstyr ^1. Mobilitet overvågning ved hjælp af bærbare sensorer har skabt en stor interesse, idet forbrugerne niveau mikroelektronik er i stand til at detektere bevægelseskarakteristika med stor nøjagtighed ^1. Aktivitet anerkendelse Human (HAR) ved hjælp af bærbare sensorer er en nyere forskningsområde, med indledende undersøgelser udført i 1980'erne og ^{1990'erne: 2 – 4.}

Moderne smartphones indeholder de nødvendige sensorer og real-time beregning kapacitet for mobilitet aktivitet anerkendelse. Real-time analyse på enheden tillader aktivitet klassifikation og data upload uden brugerens eller investigator indgriben. En smartphone med mobilitet analyse software kunne give fitness tracking, sundhedsovervågning, falde afsløring, hjemme- og arbejdsadresse automatisering, og selv-styre exercise-programmer ^5. Smartphones kan betragtes inerti måling platforme til påvisning mobile aktiviteter og mobile mønstre hos mennesker, ved hjælp genererede matematiske signal funktioner beregnet med indbyggede sensor udgange ^6. Fælles træk generation metoder omfatter heuristisk, tid-domæne, frekvens-domæne og wavelet analyse tilgange ^7.

Moderne smartphone här systemer har vist høje forudsigelse nøjagtighed, når der detekteres bestemte aktiviteter ^1,5,6,7. Disse undersøgelser varierer i evalueringsmetode samt nøjagtighed, da de fleste undersøgelser har deres egen uddannelse sæt, miljømæssige opsætning, og dataindsamling protokol. Følsomhed, specificitet, nøjagtighed, tilbagekaldelse, præcision, og F-Score er almindeligt anvendt til at beskrive forudsigelse kvalitet. Men lidt at der ikke foreligger oplysninger om metoder til "sideløbende aktivitet" anerkendelse og evaluering af evnen til at opdage aktivitet ændringer i realtid^1, for HAr systemer, der forsøger at kategorisere flere aktiviteter. Vurderingsmetoder for HAR-system nøjagtighed varierer betydeligt mellem studier. Uanset klassificeringen algoritme eller anvendte funktioner, beskrivelser af guld standard evalueringsmetoder er vage for de fleste HAR forskning.

Aktivitet anerkendelse i en daglig levende miljø er ikke blevet grundigt undersøgt. De fleste smartphone-baserede aktivitet genkendelsessystemer evalueres på en kontrolleret måde, hvilket fører til en evaluering protokol, som kan være en fordel at algoritmen snarere end realistisk at den virkelige verden miljø. Inden for deres vurdering ordning, deltagerne ofte kun udføre de handlinger, der er beregnet til forudsigelse, snarere end at anvende en lang række realistiske aktiviteter for deltageren at udføre efter hinanden, efterligne virkelige begivenheder.

Nogle smartphone HAR studerer ^8,9 gruppere lignende aktiviteter sammen, såsom trapper og gåture, Men udelukke andre aktiviteter fra datasættet. Forudsigelsesnøjagtighed bestemmes derefter ved hvor godt algoritmen identificeret Målaktiviteterne. Dernbach et al. ⁹ havde deltagerne skriver den aktivitet, de var ved at udføre før du flytter, afbryde kontinuerlig forandring-of-state overgange. Här systemets evalueringer bør vurdere den algoritme, mens deltageren udfører naturlige handlinger i en daglig levende indstilling. Dette ville muliggøre en real-life evaluering, der kopierer daglig brug af ansøgningen. En realistisk kreds indeholder mange ændringer-of-state samt en blanding af handlinger ikke forudsigelig af systemet. En efterforsker kan derefter vurdere den algoritme reaktion på disse yderligere bevægelser, således at evaluere den algoritme robusthed til anormale bevægelser.

Denne artikel præsenterer en Wearable Mobility Monitoring System (WMMS) evaluering protokol, som anvender en kontrolleret kursus, der afspejler det virkelige liv dagligdags miljøer. WMMSkan derefter foretages evaluering under kontrollerede men realistiske forhold. I denne protokol, bruger vi en tredje generation WMMS, der blev udviklet på University of Ottawa og Ottawa Hospital Research Institute ^11-15. Den WMMS designet til smartphones med en tri-akse accelerometer og gyroskop. Mobiliteten algoritme tegner sig for brugeren variabilitet, medfører en reduktion af antallet af falske positiver for ændringer-of-state identifikation og øger følsomheden i aktiviteten kategorisering. Minimering falske positiver er vigtig, da WMMS udløser kort videoklip optagelse, når der registreres aktivitet tilstandsændringer for kontekstafhængig aktivitet evaluering, yderligere forbedrer WMMS klassificering. Unødvendig videooptagelse skaber ineffektivitet i opbevaring og batteri brug. Den WMMS algoritmen er opbygget som en lav-beregningsmæssige læringsmodel og vurderes ved hjælp af forskellige forudsigelse niveauer, hvor en stigning i forudsigelse niveau angiver en stigning i mængdenaf genkendelige handlinger.

Protocol

Denne protokol blev godkendt af Ottawa Health Science Network Research Ethics Board. 1. Fremstilling Give deltagerne et overblik over den forskning, besvare eventuelle spørgsmål, og indhente informeret samtykke. Optag deltageren egenskaber (f.eks, alder, køn, højde, vægt, talje omkreds, ben højde fra den forreste overlegne iliaca rygsøjlen til den mediale malleol), identifikationskode, og dato på et datablad. Sørg for, at den anden smartphone, der bruges til at o…

Representative Results

Undersøgelsen protokol blev udført med en bekvemmelighed prøve af femten raske deltagere hvis gennemsnitlige vægt var 68,9 (± 11,1) kg, højde var 173,9 (± 11,4) cm, og alder var 26 (± 9) år, rekrutteret fra Ottawa Hospital og University of Ottawa medarbejdere og studerende. En smartphone erobrede sensordata med en variabel 40-50 Hz sats. Sample Rate variationer er typisk for prøvetagning smartphone sensor. En anden smartphone blev brugt til at optage digital video på 1280×720 (720p) opløsning. <p class="…

Discussion

Aktivitet anerkendelse menneske med en bærbar overvågning mobilitet systemet har fået mere opmærksomhed i de senere år på grund af de tekniske fremskridt inden for wearable computing og smartphones og systematiske behov for kvantitative resultatmål, der hjælper med den kliniske beslutningsproces og sundhed indgriben evaluering. Beskrevet i dette papir metodik var effektivt til evaluering WMMS udvikling siden Erhvervsklassifikationskode fejl blev fundet, at der ikke ville have været til stede, hvis en bred vifte…

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/