BACKGROUND: Approximately 5%-10% of elementary school children show delayed development of fine motor skills. To address these problems, detection is required. Current assessment tools are time-consuming, require a trained supervisor, and are not motivating for children. Sensor-augmented toys and machine learning have been presented as possible solutions to address this problem.OBJECTIVE: This study examines whether sensor-augmented toys can be used to assess children's fine motor skills. The objectives were to (1) predict the outcome of the fine motor skill part of the Movement Assessment Battery for Children Second Edition (fine MABC-2) and (2) study the influence of the classification model, game, type of data, and level of difficulty of the game on the prediction.METHODS: Children in elementary school (n=95, age 7.8 [SD 0.7] years) performed the fine MABC-2 and played 2 games with a sensor-augmented toy called "Futuro Cube." The game "roadrunner" focused on speed while the game "maze" focused on precision. Each game had several levels of difficulty. While playing, both sensor and game data were collected. Four supervised machine learning classifiers were trained with these data to predict the fine MABC-2 outcome: k-nearest neighbor (KNN), logistic regression (LR), decision tree (DT), and support vector machine (SVM). First, we compared the performances of the games and classifiers. Subsequently, we compared the levels of difficulty and types of data for the classifier and game that performed best on accuracy and F1 score. For all statistical tests, we used α=.05.RESULTS: The highest achieved mean accuracy (0.76) was achieved with the DT classifier that was trained on both sensor and game data obtained from playing the easiest and the hardest level of the roadrunner game. Significant differences in performance were found in the accuracy scores between data obtained from the roadrunner and maze games (DT, P=.03; KNN, P=.01; LR, P=.02; SVM, P=.04). No significant differences in performance were found in the accuracy scores between the best performing classifier and the other 3 classifiers for both the roadrunner game (DT vs KNN, P=.42; DT vs LR, P=.35; DT vs SVM, P=.08) and the maze game (DT vs KNN, P=.15; DT vs LR, P=.62; DT vs SVM, P=.26). The accuracy of only the best performing level of difficulty (combination of the easiest and hardest level) achieved with the DT classifier trained with sensor and game data obtained from the roadrunner game was significantly better than the combination of the easiest and middle level (P=.046).CONCLUSIONS: The results of our study show that sensor-augmented toys can efficiently predict the fine MABC-2 scores for children in elementary school. Selecting the game type (focusing on speed or precision) and data type (sensor or game data) is more important for determining the performance than selecting the machine learning classifier or level of difficulty.
Existing research on the recognition of Activities of Daily Living (ADL) from simple sensor networks assumes that only a single person is present in the home. In real life there will be situations where the inhabitant receives visits from family members or professional health care givers. In such cases activity recognition is unreliable. In this paper, we investigate the problem of detecting multiple persons in an environment equipped with a sensor network consisting of binary sensors. We conduct a real-life experiment for detection of visits in the oce of the supervisor where the oce is equipped with a video camera to record the ground truth. We collected data during two months and used two models, a Naive Bayes Classier and a Hidden Markov Model for a visitor detection. An evaluation of these two models shows that we achieve an accuracy of 83% with the NBC and an accuracy of 92% with a HMM, respectively.
MULTIFILE
The problem addressed in this report is to verify the possibility of using an optical sensor in the SaxShirt in order to extract the heart rate. There are specifically three questions that we try to address. 1) How is it possible to extract heart rate (BPM) from the optical sensor? 2) Is it possible to use the sensor for extracting BPM during movement? 3) Is the heart rate measured in this way useful for measuring other higher-level parameters such as heart rate coherence and heart rate variability? For this purpose, we have performed tests with the sensor placed on different spots and the data was analyzed to see if heart rate can be extracted from the sensor measurements.
MULTIFILE
Size measurement plays an essential role for micro-/nanoparticle characterization and property evaluation. Due to high costs, complex operation or resolution limit, conventional characterization techniques cannot satisfy the growing demand of routine size measurements in various industry sectors and research departments, e.g., pharmaceuticals, nanomaterials and food industry etc. Together with start-up SeeNano and other partners, we will develop a portable compact device to measure particle size based on particle-impact electrochemical sensing technology. The main task in this project is to extend the measurement range for particles with diameters ranging from 20 nm to 20 um and to validate this technology with realistic samples from various application areas. In this project a new electrode chip will be designed and fabricated. It will result in a workable prototype including new UMEs (ultra-micro electrode), showing that particle sizing can be achieved on a compact portable device with full measuring range. Following experimental testing with calibrated particles, a reliable calibration model will be built up for full range measurement. In a further step, samples from partners or potential customers will be tested on the device to evaluate the application feasibility. The results will be validated by high-resolution and mainstream sizing techniques such as scanning electron microscopy (SEM), dynamic light scattering (DLS) and Coulter counter.
Het project ‘Data Resonantie’ is een artistiek onderzoeksproject bedoeld om met behulp van moderne technologieën en persoonlijke data nieuwe manieren te ontdekken om in coronatijd veilige, gedeelde openbare ruimtes te creëren. Het onderzoek wil bijdragen aan de ontwikkeling van zowel praktische toepassingen als vernieuwende artistieke methodes in het veld van Mens Machine Interactie op het gebied van veiligheid en privacy in openbare ruimtes waar veel mensen komen en waardoor afstand houden ingewikkeld is. Dat gebeurt in de setting van een aantal labs waarin met persoonlijke data via real-time surveillance een audiovisuele ervaring wordt gegenereerd die participanten een veilige afstand toont, ze laat bijdragen aan de soundscape en ze tegelijkertijd mogelijk bewuster maakt van kwesties rondom het gebruik van persoonlijke data. In de respectievelijke labs zal gebruik worden gemaakt van de expertise van de betrokken partners op het gebied van artistiek onderzoek (Artistic Research Community/Frank Mohr Instituut), experimenteel artistieke settings (Re:Search:Gallery), geluidsresonantie (STEIN) en het gebruik van drones (Omnidones). De centrale vraagstelling is: Hoe kan een artistieke-technisch systeem, dat met behulp van een drone persoonlijke data vertaalt in sensorische ervaringen, individuen in staat stellen om door afstand te houden van elkaar een veilig gedeelde omgeving te co-creëren? Het project is een kruisbestuiving en interdisciplinaire samenwerking tussen een aantal verschillende organisaties in Noord-Nederland; Het is een voorbeeld van de wijze waarop artistiek onderzoekers met een hybride methodologie en met gebruikmaking van verschillende disciplines en expertises ingewikkelde maatschappelijke problemen ter hand kunnen nemen. Daarnaast resulteert het in nieuwe publieke toepassingen voor drone en audio technologieën met de potentie een uitweg te bieden aan sectoren die te lijden hebben onder de corona maatregelen, met in het bijzonder de evenementen industrie en de ermee verbonden horeca en retail.
Wereldwijd luiden de alarmbellen over de afname in biodiversiteit. Ook in Nederland zijn er steeds minder verschillende soorten planten en dieren. De groeiende verdichting van steden gaat dit alleen maar versterken. Om het tij te keren werken de grote gemeenten zoals Rotterdam en Den Haag met monitoringsplannen en inrichtingsmaatregelen om de biodiversiteit in steden te versterken. De gemeenten stellen echter vast dat een breed draagvlak bij burgers voor deze maatregelen ontbreekt; het sluit niet aan bij hun huidige waarden en belevingswereld. Maar juíst de inzet van bewoners is nodig om impact te maken, omdat zij invloed hebben op het relatief grote aandeel van private ruimte in steden (»60% tegenover 40% publieke ruimte). Daarom is het consortium van onderzoekers, steden en bedrijven voornemens om een lerend ecosysteem van en voor wijkbewoners te ontwikkelen, die met hun voorkeurstools zoals interactieve dataplatformen en passende interfaces samenwerken aan biodiverse steden, en die gemeenten helpen meer real-time inzicht in biodiversiteit te verkrijgen. Het beoogt onderzoek bouwt voort op inzichten uit een pilot begin 2022: het alleen beschikbaar maken van databases en meetinstrumenten (zogenaamde sensoren) is niet aantrekkelijk genoeg voor de meeste bewoners om ook zelf te zorgen voor meer biodiversiteit. Data-tools moeten aansluiten bij leefwereld en interesses van burgers. Hiervoor moeten kennis en praktijk van ‘citizen science’ en nieuwe vormen van burgenparticipatie gekoppeld worden. Dit gebeurt in de praktijk en in de huidige wetenschappelijke literatuur nog onvoldoende. Met kwalitatief onderzoek en actiegericht ontwerponderzoek worden inzichten en een gereedschapskist inclusief technische prototypes gegenereerd waarmee wijkbewoners en gemeenten middels passende technologie samen kunnen werken voor meer biodiversiteit. In twee wijken in Rotterdam en Den Haag worden Urban Living Labs opgezet om samen met alle relevante betrokkenen de Wijk als Biotoop aanpak te ontwikkelen. Onderzoeksresultaten worden opgeschaald van Rotterdam naar Den Haag en vanuit de provincie verder verspreid.
