Bir Günlük Yaşam Ortamında Smartphone merkezli İnsan Aktivitesi Tanıma Sisteminin Değerlendirilmesi
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
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.
Protocol
Representative Results
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 olm…
Declarações
The authors have nothing to disclose.
Acknowledgements
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
| 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).
