Samenvatting

Dit verslag richt zich op het automatisch herkennen van gedragingen (liggen, zitten, staan, lopen en kruipen) uit sensordata.
Het doel van het onderzoek is op zoek gaan naar lichaamsposities van sensoren voor het Body Sensorsuit, waarmee gedragingen gedetecteerd kunnen worden. Het belang van de juiste positie van de sensoren is een betere gedragsherkenning uit data. Het onderzoek zal een bijdrage leveren omtrent het vroegtijdig opsporen van autisme (ASD) bij kinderen. Noldus Information Technology werkt samen met Demcon om een ‘Body Sensorsuit’ te ontwikkelen. In het Body Sensorsuit zijn sensoren geïntegreerd die onder andere accelerometer data verzamelen. Een door een andere stagiair ontwikkeld algoritme zal het gedrag van een kind in beeld brengen met deze data.
De hoofdvraag voor dit onderzoek luidt:
Hoeveel sensoren, van welk type en op welke lichaamspositie moeten de sensoren bevestigd dienen te worden om de benodigde gedragingen te kunnen classificeren?
Om antwoord te geven op deze vraag, hebben metingen plaats gevonden. Voor deze metingen waren twee type sensoren beschikbaar in dit onderzoek: vier MOX sensoren en twee Shimmer3 IMU sensoren. Voordat deze metingen plaats vonden, zijn alle gedragingen (liggen, zitten, staan, lopen en kruipen) onderzocht voor de meest geschikte lichaamspositie(s) voor de sensoren aan de hand van literatuur. Voor deze metingen werd een werkwijze opgesteld ten aanzien van een meetprotocol inclusief een goedkeuringsformulier. Het goedkeuringsformulier werd getekend door ouders voor het maken van video opnames van het kind. In het meetprotocol zijn alle benodigdheden en methodes beschreven om metingen uit te voeren. Dit heeft als doel dat onderzoekers van baby-labs langdurige metingen uiteindelijk zelfstandig en eenduidig kunnen uitvoeren.
De metingen voor dit onderzoek vonden plaats bij 8 proefpersonen aan huis, waarbij de kinderen een leeftijd hadden tussen 0-36 maanden. In totaal zijn er vier metingen verricht met kinderen en vier metingen met volwassenen. De metingen met volwassenen dienden om meer data te verzamelen. Met deze data wordt een algoritme geschreven en getraind. Deze metingen werden opgenomen met een videocamera om gewenste gedragingen in beeld te brengen en te synchroniseren met de gemeten data. Deze videodata is gebruikt om het algoritme te trainen en output te verifiëren.
De verkregen data werden verwerkt aan de hand van The ObserverXT en Matlab. In The ObserverXT konden annotaties worden toegekend aan videodata en daarmee werd de accelerometer data gesynchroniseerd.
Voordat metingen konden plaatsvinden zijn de MOX sensoren onderling vergeleken, daar deze nieuw op de markt zijn en weinig kennis hierover is opgebouwd. Daaruit is gebleken dat alle sensoren praktisch dezelfde data genereren bij dezelfde posities en oriëntaties. Ook zijn de annotaties van The ObserverXT vergeleken met houdings- en activiteitenclassificaties van de MOX sensoren. Hieruit blijkt dat de duur van de houdings- en activiteitenclassificaties redelijk overeen komen bij matige of fysieke activiteit. De tijdsduur van zitten of liggen komt slecht overeen.
Het algoritme heeft van de MOX sensoren resultaten verkregen. De Shimmer3 sensor heeft te weinig data gegenereerd om resultaten te kunnen vastleggen. Uit de resultaten blijkt dat een MOX sensor (volgens de F1-score) geplaatst op de linker heup het beste ‘zitten’ kan herkennen (68,4%). ‘Liggen’ wordt het best herkend door een MOX sensor op de borst te plaatsen (45,1%). ‘Staan’ wordt het best herkend door een MOX sensor op het rechter been te bevestigen (55,7%). ‘Lopen’ wordt het best herkend door een MOX sensor in de nek te plaatsen (14,8%). Het is nog niet mogelijk om combinaties van meerdere sensoren te testen met het algoritme, daarvoor is meer data nodig van minimaal 2 uur per gedrag. https://www.linkedin.com/in/katrien-fischer-4653b5140