Knowing firefighters’ locations in a burning building would dramatically improve their safety. In this study from the Saxion Research Centre for Design and Technology in the Firebee project, an algorithm was developed and tested to enhance the estimation of a person’s location, based on inertial measurements combined with measurements of the earth’s magnetic field. The developed algorithm is an extension of the zero velocity update technique. Without any enhancements, the accuracy of the estimation is in the order of several meters after measuring for only a few seconds. With enhancements, the accuracy improved to be within five meters after measuring for ten minutes. Our result demonstrated that it is possible to determine in which room and on which floor a person is after ten minutes. Major improvements were observed in the estimation of the sensor’s height. The results are promising and the following phases of the project focus on improving the solution and on developing the concept into a practically applicable system.
MULTIFILE
In het SaxShirt-project wordt een comfortabel shirt ontwikkeld waarmee fysiologische aspecten van de drager kunnen worden gemeten, zonder dat de drager daar extra inspanning voor hoeft te leveren. Dergelijke technologieën noemen we Zero Effort Technologies (Baecker, 2011). De belangrijkste fysiologische aspecten die in eerste instantie gemeten gaan worden zijn: 1) temperatuur 2) hartslag 3) ademhaling. Het project is gestart in september 2013. Het doel is om in oktober 2014 een praktisch demonstratiemodel te hebben van het shirt waarmee de mogelijkheden van de huidige technologie kunnen worden gedemonstreerd. Het is belangrijk dat het shirt niet alleen comfortabel zit, maar ook robuust en eenvoudig te wassen en reinigen is. Voorafgaand aan dit project zijn er al verscheidene onderzoeken en ontwikkelingen geweest om mogelijkheden voor het shirt te onderzoeken. Om een definitief implementatieplan te kunnen opstellen voor het huidige project, was er behoefte om nog eenmaal een korte verbredende onderzoeksfase uit te voeren. Dit rapport is het resultaat van deze fase. Na de verbredende fase zijn in november 2013 besluiten genomen en is begonnen aan de implementatie van het demonstratiemodel. De belangrijke momenten staan in onderstaand overzicht: • Oktober 2013: Start SaxShirt Project • November 2013: Vaststellen Plan van Aanpak (PvA) voor implementatie • Juli 2014: Afronden implementatie • Oktober 2014: Oplevering eerste demonstratiemodel SaxShirt Dit rapport beschrijft de state-of-the art van technieken waarmee bovenstaande fysiologische aspecten kunnen worden gemeten. Het doel van dit rapport is om een overzicht van in textiel-integreerbare fysiologische sensoren te geven. Dit overzicht dient als basis en discussiestuk voor het pan van aanpak voor de implementatie en kan worden gebruikt als introductie voor nieuwe medewerkers op het SaxShirt project.
MULTIFILE
BackgroundA key factor in successfully preventing falls, is early identification of elderly with a high risk of falling. However, currently there is no easy-to-use pre-screening tool available; current tools are either not discriminative, time-consuming and/or costly. This pilot investigates the feasibility of developing an automatic gait-screening method by using a low-cost optical sensor and machinelearning algorithms to automatically detect features and classify gait patterns.MethodParticipants (n = 204, age 27 ± 7 yrs.) performed a gait test under two conditions: control and with distorted depth perception (induced by wearing special goggles). Each test consisted of 4x 3m walking at comfortable speed. Full-body 3D kinematics were captured using an optical sensor (Microsoft Xbox One Kinect). Tests were conducted in a public space to establish relatively 'natural' conditions. Data was processed in Matlab and common spatiotemporal variables were calculated per gait section. The 3D-time series data of the centre of mass for each section was used as input for a neural network, that was trained to discriminate between the two conditions.ResultsWearing the goggles affected the gait pattern significantly: gait velocity and step length decreased, and lateral sway increased compared to the control condition. A 2-layer neural network could correctly classify 79% of the gait segments (i.e. with or without distorted vision).ConclusionsThe results show that gait patterns of healthy people with distorted vision could automatically be classified with the proposed approach. Future work will focus on adapting this model for identification of specific physical risk-factors in elderly.
