Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Motion Assessment for Accelerometric and Heart Rate Cycling Data Analysis

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11150%2F20%3A10418400" target="_blank" >RIV/00216208:11150/20:10418400 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21730/20:00347304 RIV/00179906:_____/20:10418400 RIV/70883521:28140/20:63525253 RIV/60461373:22340/20:43920951

  • Výsledek na webu

    <a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=_rb5roMQuO" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=_rb5roMQuO</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/s20051523" target="_blank" >10.3390/s20051523</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Motion Assessment for Accelerometric and Heart Rate Cycling Data Analysis

  • Popis výsledku v původním jazyce

    Motion analysis is an important topic in the monitoring of physical activities and recognition of neurological disorders. The present paper is devoted to motion assessment using accelerometers inside mobile phones located at selected body positions and the records of changes in the heart rate during cycling, under different body loads. Acquired data include 1293 signal segments recorded by the mobile phone and the Garmin device for uphill and downhill cycling. The proposed method is based upon digital processing of the heart rate and the mean power in different frequency bands of accelerometric data. The classification of the resulting features was performed by the support vector machine, Bayesian methods, k-nearest neighbor method, and neural networks. The proposed criterion is then used to find the best positions for the sensors with the highest discrimination abilities. The results suggest the sensors be positioned on the spine for the classification of uphill and downhill cycling, yielding an accuracy of 96.5% and a cross-validation error of 0.04 evaluated by a two-layer neural network system for features based on the mean power in the frequency bands &lt; 3,8 &gt; and &lt; 8,15 &gt; Hz. This paper shows the possibility of increasing this accuracy to 98.3% by the use of more features and the influence of appropriate sensor positioning for motion monitoring and classification.

  • Název v anglickém jazyce

    Motion Assessment for Accelerometric and Heart Rate Cycling Data Analysis

  • Popis výsledku anglicky

    Motion analysis is an important topic in the monitoring of physical activities and recognition of neurological disorders. The present paper is devoted to motion assessment using accelerometers inside mobile phones located at selected body positions and the records of changes in the heart rate during cycling, under different body loads. Acquired data include 1293 signal segments recorded by the mobile phone and the Garmin device for uphill and downhill cycling. The proposed method is based upon digital processing of the heart rate and the mean power in different frequency bands of accelerometric data. The classification of the resulting features was performed by the support vector machine, Bayesian methods, k-nearest neighbor method, and neural networks. The proposed criterion is then used to find the best positions for the sensors with the highest discrimination abilities. The results suggest the sensors be positioned on the spine for the classification of uphill and downhill cycling, yielding an accuracy of 96.5% and a cross-validation error of 0.04 evaluated by a two-layer neural network system for features based on the mean power in the frequency bands &lt; 3,8 &gt; and &lt; 8,15 &gt; Hz. This paper shows the possibility of increasing this accuracy to 98.3% by the use of more features and the influence of appropriate sensor positioning for motion monitoring and classification.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    30502 - Other medical science

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF17_048%2F0007441" target="_blank" >EF17_048/0007441: PERSONMED - Centrum rozvoje personalizované medicíny u věkem podmíněných onemocnění</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Sensors

  • ISSN

    1424-8220

  • e-ISSN

  • Svazek periodika

    20

  • Číslo periodika v rámci svazku

    5

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    13

  • Strana od-do

    1523

  • Kód UT WoS článku

    000525271500285

  • EID výsledku v databázi Scopus

    2-s2.0-85081627422