Оценка смартфон на базе человеческой деятельности системы распознавания в повседневной жизни окружающей среды
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
Повсеместный зондирования стал привлекательным направлением исследований в связи с все более и более мощным, небольшой, низкого вычислений затрат и чувствуя оборудование 1. Мониторинг Мобильность помощи носимых датчиков породила большой интерес, так как микроэлектроника потребительского уровня способны обнаруживать характеристики движения с высокой точностью 1. Признание Деятельность человека (HAR) с помощью носимых датчиков Недавнее область исследований, с предварительные исследования выполнены в 1980-х и 1990-х 2 – 4.
Современные смартфоны содержат необходимые датчики и возможности вычисления в режиме реального времени для распознавания активности мобильность. Анализ на устройстве в режиме реального времени позволяет классификации активности и загрузки данных без вмешательства пользователя или следователь. Смартфон с программным обеспечением для анализа мобильность может обеспечить фитнес отслеживание, мониторинг здоровья, падение обнаружения, дома или автоматизации работы и самоуправляемых exercisе программы 5. Смартфоны можно рассматривать инерционные платформы измерения для обнаружения мобильных деятельности и мобильные шаблоны на людях, используя созданные математические функции, рассчитанные сигнальные бортовыми выходов датчиков 6. Общей чертой методов поколения включают эвристики, во временной области, частотной области, и вейвлет-анализа на основе подходов 7.
Современные системы смартфона HAR показали высокие точности прогнозирования при обнаружении определенной деятельностью 1,5,6,7. Эти исследования варьируются в методологии оценки, а также точности, так как большинство исследований имеют свой собственный набор обучения, экологических настройку и протокол сбора данных. Чувствительность, специфичность, точность, напомним, точность и F-счет, как правило, используется для описания качества прогнозирования. Тем не менее, практически нет информации доступно по методам "одновременно деятельности» признания и оценки способности обнаруживать изменения активности в режиме реального времени1, для систем HAR, которые пытаются классифицировать ряд мероприятий. Методы оценки для точности системы HAR существенно различаются между исследованиями. Независимо от алгоритма классификации или прикладных функций, описания золотого стандарта методов оценки туманны для большинства исследований HAR.
Признание активность в повседневной среды обитания не широко изучаются. Большинство систем распознавания активности смартфон на основе оцениваются контролируемым образом, что приводит к протоколу оценки, что может быть выгодно алгоритма, а не реалистично к реальной среде. В их схеме оценки, участники часто выполняют только действия, предназначенные для прогнозирования, а не применяя широкий спектр реалистичных деятельности для участника выполнять последовательно, имитируя реальные события.
Некоторые смартфон HAR изучает 8,9 групповые подобные мероприятия вместе, например, лестницах и ходьба, Но исключает другие мероприятия из набора данных. Точность прогноза определяется тогда, как хорошо алгоритм определил целевые мероприятия. Дернбах др. 9 были участники пишут деятельность они собирались выполнить, прежде чем перейти, прерывая непрерывные изменения в другом штате переходы. Оценки системы HAR следует оценить алгоритм, а участник выполняет природные действия в повседневной обстановке в гостиной. Это позволит оценку реальной жизни, который воспроизводит ежедневного использования приложения. Реалистичная схема включает в себя множество изменений в другом штате, а также сочетание действий не предсказуемы в системе. Следователь может затем оценить отклик алгоритма к этим дополнительным движений, таким образом, оценки надежности алгоритма аномальных движений.
Эта статья представляет собой переносной системы мониторинга мобильности (WMMS) протокол оценки который использует управляемое курс, который отражает реальные ежедневные условий жизни. WMMSоценка может быть сделана при контролируемых условиях, но реальных. В этом протоколе, мы используем третьего поколения WMMS, которая была разработана в Университете Оттавы и Оттавы больницы научно-исследовательского института 11-15. WMMS был разработан для смартфонов с три-осевой акселерометр и гироскоп. Алгоритм мобильность приходится изменчивости пользователя, обеспечивает снижение количества ложных срабатываний для изменения правового государства идентификации и повышает чувствительность в деятельности категоризации. Минимизация ложных срабатываний важно, так как WMMS вызывает короткое запись видеоклипа, когда изменения деятельности государственных обнаружены, для контекстной оценки деятельности, что дополнительно улучшает WMMS классификации. Ненужные записи видео создает неэффективности хранения и использования батареи. Алгоритм WMMS структурирована в виде модели низкой вычислительной обучения и оценены с использованием различных уровней предсказание где увеличение уровня прогнозирования означает увеличение в размереиз узнаваемых действия.
Protocol
Representative Results
Discussion
Признание Деятельность человека с носимых системы мониторинга мобильности получил больше внимания в последние годы из-за технических достижений в носимых компьютеров и смартфонов и систематических потребностей в количественных мер результатов, которые помогают с принятием решений…
Declarações
The authors have nothing to disclose.
Acknowledgements
Авторы признают, Эван Beisheim, Николь Capela, Эндрю Херберт-Копли технической и сбора данных помощи. Финансирование проекта было получено от естественных наук и инженерного исследовательский совет Канады (NSERC) и BlackBerry Ltd., в том числе смартфонов, используемых в исследовании.
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).
