Amsterdam University of Applied Sciences
Sensoren voor de herkenning van activiteiten in zorgtoepassingen
Kröse, B.J.A.; Englebienne, Gwenn; Hu, Ninghang; van Oosterhout, Tim; Kanis, A.M.
Publication date 2012
Document Version Final published version
Link to publication
Citation for published version (APA):
Kröse, B. J. A., Englebienne, G., Hu, N., van Oosterhout, T., & Kanis, A. M. (2012). Sensoren voor de herkenning van activiteiten in zorgtoepassingen. Hogeschool van Amsterdam.
General rights
It is not permitted to download or to forward/distribute the text or part of it without the consent of the author(s) and/or copyright holder(s), other than for strictly personal, individual use, unless the work is under an open content license (like Creative Commons).
Disclaimer/Complaints regulations
If you believe that digital publication of certain material infringes any of your rights or (privacy) interests, please let the Library know, stating your reasons. In case of a legitimate complaint, the Library will make the material inaccessible and/or remove it from the website. Please contact the library:
https://www.amsterdamuas.com/library/contact/questions, or send a letter to: University Library (Library of the University of Amsterdam and Amsterdam University of Applied Sciences), Secretariat, Singel 425, 1012 WP Amsterdam, The Netherlands. You will be contacted as soon as possible.
Download date:27 Nov 2021
Sensoren voor de herkenning van activiteiten in zorgtoepassingen
Ben Kröse, Gwenn Englebienne, Ninghang Hu, Tim van Oosterhout, Hayley Hung, Marije Kanis
Noodzaak voor zorgtechnologie
Waarom willen we sensoren voor zorgtoepassingen?
We kunnen gezondheidstoestand afleiden:
Direct, met speciale sensoren
Heart rate
blood pressure
sugar level,
Indirect, door het activiteitenpatroon van de gebruiker te meten
Wat voor soort activiteiten meten we?
Wat voor sensoren zijn er?
‘Living lab’ aanpak
7
Activiteitenherkenning met eenvoudige sensoren
• Psychogeriatrische afdeling van Naarderheem
• Aanleunwoningen
9
Psychogeriatrische afdeling: Eenvoudige regels
De Flank: Aanleunwoningen ambient assisted living
12
Wat meten we?
7 apartments with 15 sensors each:
Bed
Diverse kitchen cabinets
Doors
Electrical appliances
Couch
Motion sensors
Toilet flush
13
CHI 2011 VANCOUVER MAY 7-12-2011 Marije Kanis
SENIOR CREATE-IT
Toilet flush sensor
Lange termijn data collectie
Hoe krijgen we zinvolle informatie?
Kenmerken bepalen
Gebaseerd op expertise van zorgverleners
Interview caregivers
Make features
Select best features
Statistische verwerking
ICA, PCA
Clustering
Visualizatie sensordata
19
# Badkamerpatroon:
Postprocessing
Indicatie aantal uren slaap per nacht (op basis van vuurpatronen van de bedsensor):
22
Vergelijk de sensor data met de metingen van professionele zorgverleners
Ergotherapeuten gebruiken verschillende methoden om gezondheid te meten:
Subjectief
modified KATZ ADL index
(self report on basic ADL, instrumental ADL)
Objectief
AMPS scale
(Physical performance: gait- speedtest 3-m measured walk, grip strenght-test Jamar Dynamometer)
23
Automatische
herkenning
Automatische activiteitenherkenning
Kunnen we meten wat voor algemene dagelijkse
levenstaken (ADL) iemand uitvoert?
26
Sensor patroon xt hangt af van de activiteit zt
De activiteit zt hangt af van de activiteit zt-1
Hidden Markov Model
Need a training set consisting of examples:
{
z1,
x1,
z2,
x2,... ,
zN,
xN}
Estimate parameters with ML methods
Het HMM moet getraind worden met
voorbeelden
Experiments: data
Activiteiten
Conditional random field
31
• Sensor pattern xt and activity zt are dependent
• activity zt and activity zt-1 are dependent
Conditional Random Field
Not a full probabilistic model
(more like a neural network)
Also training is needed
Hidden Semi-Markov Model
33
• A number of sensor patterns xt-n …xt depend on activity zt
• activity zt depends on activity zt-1
Resultaten
Gemiddeld 80% van de tijd correct
Training time
Conclusies: CRF iets beter, ten koste van
training tijd
Automatische herkenning
met videotoezicht
Valdetectie
Most common cause of injury with persons 55+
In the Netherlands annually 95.000 emergencies
Of which 43.000 in and around the home
1.3% fatal
Problem will increase with ageing population
Fall detection: existing solutions
Wearable accelerometers
Ambient detectors
Problems: not worn, restricted use
Oosterhout et al: 2D dynamics
Er zijn veel verschillende types camera
Infrarood
Fish-eye
Time of flight
Stereo
42
Fall lab
43
Oosterhout et al: 3D dynamics uit stereo
Better person modeling 2
Combineren 2 camera’s
Problemen
Problemen en uitdagingen
Goede datasets
Privacy issues
Ouderen vallen niet zo!
Privacy
Willen we camera’s
in onze woning?
Conclusies
Intelligente sensorsystemen lijken goed toepasbaar in de gezondheidszorg
Er is een tekort aan realistische datasets