Het project Wireless Sensor Technologie bij Calamiteiten is een samenwerkingsverband tussen Saxion, Thales Nederland (de dochterondernemingen D-CIS Lab en Iseti), Ambient Systems, Ti-WMC, het beveiligingsbedrijf Vigilat, het Regionaal Centrum Criminaliteitspreventie en Veiligheidsregio’s Twente, Noord en Oost Gelderland, Gelderland Midden en Zuid. Dit project wordt ondersteund door de Stichting Innovatie Alliantie (SIA) vanuit het RAAK MKB fonds. Binnen het werkpakket Proximity wordt onderzoek gedaan naar de stand van zaken van indoorlokalisatie. De motivatie voor dit deelproject komt voort uit het streven het risico voor de hulpverlener in actie te verminderen. Elke dag wagen brandweermannen hun leven bij het blussen van branden en het redden van mensen uit brandende gebouwen. Hierbij wil het wel eens gebeuren dat een brandweerman in problemen komt door de gevaarlijke en onoverzichtelijke situatie, de weg kwijtraakt of het contact verliest met zijn collega’s. Op zulke momenten is het moeilijk voor deze brandweerman om zijn collega’s te vinden en andersom is het moeilijk voor zijn collega’s om hem te vinden. Dit resulteert soms in de dood van een of meer brandweermannen. Daarom zal onderzocht worden welke rol technologie kan spelen om de veiligheid van een brandweermannen te verhogen bij de uitvoering van hun taak en wel voornamelijk door het realtime bepalen van zijn locatie en positie in een brandend gebouw. Allereerst zal het probleem behandeld worden, daarna wordt onderzocht welke technieken en technologie er beschikbaar zijn. Deze zullen gewaardeerd worden op basis van de praktijkcriteria: betrouwbaarheid, snelle operationele inzetbaarheid, nauwkeurigheid en kosten. Aan de hand daarvan wordt een onderzoeksvraag geformuleerd. Op basis van geschiktheid van de oplossingsrichtingen zal in het vervolg een prototype ontworpen en gebouwd worden.
Daily wheelchair ambulation is seen as a risk factor for shoulder problems, which are prevalent in manual wheelchair users. To examine the long-term effect of shoulder load from daily wheelchair ambulation on shoulder problems, quantification is required in real-life settings. In this study, we describe and validate a comprehensive and unobtrusive methodology to derive clinically relevant wheelchair mobility metrics (WCMMs) from inertial measurement systems (IMUs) placed on the wheelchair frame and wheel in real-life settings. The set of WCMMs includes distance covered by the wheelchair, linear velocity of the wheelchair, number and duration of pushes, number and magnitude of turns and inclination of the wheelchair when on a slope. Data are collected from ten able-bodied participants, trained in wheelchair-related activities, who followed a 40 min course over the campus. The IMU-derived WCMMs are validated against accepted reference methods such as Smartwheel and video analysis. Intraclass correlation (ICC) is applied to test the reliability of the IMU method. IMU-derived push duration appeared to be less comparable with Smartwheel estimates, as it measures the effect of all energy applied to the wheelchair (including thorax and upper extremity movements), whereas the Smartwheel only measures forces and torques applied by the hand at the rim. All other WCMMs can be reliably estimated from real-life IMU data, with small errors and high ICCs, which opens the way to further examine real-life behavior in wheelchair ambulation with respect to shoulder loading. Moreover, WCMMs can be applied to other applications, including health tracking for individual interest or in therapy settings.
Traditional IMU based PDR systems suffer from rapidly growing drift effects due to the inherent bias of the inertial sensor. Many existing solutions to mitigate this problem use aiding sensors or information as heuristics or map data. We propose a new optimization framework to solve the PDR estimation problem where the sensors biases are explicitly included as state variables and therefore be used to correct for bias effects in the PDR. By using a smoothing approach and exploiting the rigid structure of a MIMU array one can solve for the slowly varying sensor biases. This paper presents the method and gives an exemplary result of a walking trial. Good agreements in the position and orientation with an optical reference system were found. Moreover, accelerometer and gyroscope biases could be estimated accordingly. Further research includes the performance of more experiments under various conditions such that a more quantitative evaluation can be obtained. In addition, an exploration of a (pseudo) realtime filter version would be valuable such that the system can be applied online.
