Combining low sampling frequency smartphone sensors and video for a Wearable Mobility Monitoring System
Notice bibliographique
Résumé
<ns4:p>A proof-of-concept Wearable Mobility Monitoring System (WMMS) was developed to identify daily activities and provide environmental context, using integrated BlackBerry Smartphone low sensor and video data. Integrated accelerometer data were used to identify mobility changes-of-state (CoS) in real-time, trigger BlackBerry video capture at each CoS, and save activity outcomes on the Smartphone. System evaluation involved collecting WMMS output and (separate) camcorder video under realistic conditions for five able-bodied subjects. The subjects each performed a consecutive series of mobility tasks; including, walking, sitting, lying, stairs, ramps, elevator, bathroom activities, kitchen activities, dining activities and outdoor walking. Activity, timing and contextual information were obtained from the camcorder for comparison. Sensitivity results for sensor-based CoS identification were 97-100% for standing, sitting, lying and taking an elevator; 67-73% for walking-related CoS (stairs, ramps); 40-93% between walking and small movements (brushing teeth, etc.); and below 27% for daily living activities. False positives occurred in less than 12% of all activities, with less than 5% false positives for half the measures. Better classification results were achieved when using both acceleration features and Smartphone integrated video for all activities except sitting. The evaluation demonstrated that the WMMS algorithm and BlackBerry platform were effective for detecting mobility activities, even with low sampling rate sensors. The combined sensor and video analysis enhanced mobility task identification and contextual information.</ns4:p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».