Purpose – In the domain of healthcare, both process efficiency and the quality of care can be improved through the use of dedicated pervasive technologies. Among these applications are so-called real-time location systems (RTLS). Such systems are designed to determine and monitor the location of assets and people in real time through the use of wireless sensor networks. Numerous commercially available RTLS are used in hospital settings. The nursing home is a relatively unexplored context for the application of RTLS and offers opportunities and challenges for future applications. The paper aims to discuss these issues. Design/methodology/approach – This paper sets out to provide an overview of general applications and technologies of RTLS. Thereafter, it describes the specific healthcare applications of RTLS, including asset tracking, patient tracking and personnel tracking. These overviews are followed by a forecast of the implementation of RTLS in nursing homes in terms of opportunities and challenges. Findings – By comparing the nursing home to the hospital, the RTLS applications for the nursing home context that are most promising are asset tracking of expensive goods owned by the nursing home in orderto facilitate workflow and maximise financial resources, and asset tracking of personal belongings that may get lost due to dementia. Originality/value – This paper is the first to provide an overview of potential application of RTLS technologies for nursing homes. The paper described a number of potential problem areas that can be addressed by RTLS. Published by Emerald Publishing Limited Original article: https://doi.org/10.1108/JET-11-2017-0046 For this paper Joost van Hoof received the Highly Recommended Award from Emerald Publishing Ltd. in October 2019: https://www.emeraldgrouppublishing.com/authors/literati/awards.htm?year=2019
MULTIFILE
Ambient activity monitoring systems produce large amounts of data, which can be used for health monitoring. The problem is that patterns in this data reflecting health status are not identified yet. In this paper the possibility is explored of predicting the functional health status (the motor score of AMPS = Assessment of Motor and Process Skills) of a person from data of binary ambient sensors. Data is collected of five independently living elderly people. Based on expert knowledge, features are extracted from the sensor data and several subsets are selected. We use standard linear regression and Gaussian processes for mapping the features to the functional status and predict the status of a test person using a leave-oneperson-out cross validation. The results show that Gaussian processes perform better than the linear regression model, and that both models perform better with the basic feature set than with location or transition based features. Some suggestions are provided for better feature extraction and selection for the purpose of health monitoring. These results indicate that automated functional health assessment is possible, but some challenges lie ahead. The most important challenge is eliciting expert knowledge and translating that into quantifiable features.
Injuries and lack of motivation are common reasons for discontinuation of running. Real-time feedback from wearables can reduce discontinuation by reducing injury risk and improving performance and motivation. There are however several limitations and challenges with current real-time feedback approaches. We discuss these limitations and challenges and provide a framework to optimise real-time feedback for reducing injury risk and improving performance and motivation. We first discuss the reasons why individuals run and propose that feedback targeted to these reasons can improve motivation and compliance. Secondly, we review the association of running technique and running workload with injuries and performance and we elaborate how real-time feedback on running technique and workload can be applied to reduce injury risk and improve performance and motivation. We also review different feedback modalities and motor learning feedback strategies and their application to real-time feedback. Briefly, the most effective feedback modality and frequency differ between variables and individuals, but a combination of modalities and mixture of real-time and delayed feedback is most effective. Moreover, feedback promoting perceived competence, autonomy and an external focus can improve motivation, learning and performance. Although the focus is on wearables, the challenges and practical applications are also relevant for laboratory-based gait retraining.
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.
The bi-directional communication link with the physical system is one of the main distinguishing features of the Digital Twin paradigm. This continuous flow of data and information, along its entire life cycle, is what makes a Digital Twin a dynamic and evolving entity and not merely a high-fidelity copy. There is an increasing realisation of the importance of a well functioning digital twin in critical infrastructures, such as water networks. Configuration of water network assets, such as valves, pumps, boosters and reservoirs, must be carefully managed and the water flows rerouted, often manually, which is a slow and costly process. The state of the art water management systems assume a relatively static physical model that requires manual corrections. Any change in the network conditions or topology due to degraded control mechanisms, ongoing maintenance, or changes in the external context situation, such as a heat wave, makes the existing model diverge from the reality. Our project proposes a unique approach to real-time monitoring of the water network that can handle automated changes of the model, based on the measured discrepancy of the model with the obtained IoT sensor data. We aim at an evolutionary approach that can apply detected changes to the model and update it in real-time without the need for any additional model validation and calibration. The state of the art deep learning algorithms will be applied to create a machine-learning data-driven simulation of the water network system. Moreover, unlike most research that is focused on detection of network problems and sensor faults, we will investigate the possibility of making a step further and continue using the degraded network and malfunctioning sensors until the maintenance and repairs can take place, which can take a long time. We will create a formal model and analyse the effect on data readings of different malfunctions, to construct a mitigating mechanism that is tailor-made for each malfunction type and allows to continue using the data, albeit in a limited capacity.
