Background Exergames are becoming an increasingly popular tool for training balance ability, thereby preventing falls in older adults. Automatic, real time, assessment of the user's balance control offers opportunities in terms of providing targeted feedback and dynamically adjusting the gameplay to the individual user, yet algorithms for quantification of balance control remain to be developed. The aim of the present study was to identify movement patterns, and variability therein, of young and older adults playing a custom-made weight-shifting (ice-skating) exergame. Methods Twenty older adults and twenty young adults played a weight-shifting exergame under five conditions of varying complexity, while multi-segmental whole-body movement data were captured using Kinect. Movement coordination patterns expressed during gameplay were identified using Self Organizing Maps (SOM), an artificial neural network, and variability in these patterns was quantified by computing Total Trajectory Variability (TTvar). Additionally a k Nearest Neighbor (kNN) classifier was trained to discriminate between young and older adults based on the SOM features. Results Results showed that TTvar was significantly higher in older adults than in young adults, when playing the exergame under complex task conditions. The kNN classifier showed a classification accuracy of 65.8%.Conclusions Older adults display more variable sway behavior than young adults, when playing the exergame under complex task conditions. The SOM features characterizing movement patterns expressed during exergaming allow for discriminating between young and older adults with limited accuracy. Our findings contribute to the development of algorithms for quantification of balance ability during home-based exergaming for balance training. Copyright:
Background Exergames are becoming an increasingly popular tool for training balance ability, thereby preventing falls in older adults. Automatic, real time, assessment of the user's balance control offers opportunities in terms of providing targeted feedback and dynamically adjusting the gameplay to the individual user, yet algorithms for quantification of balance control remain to be developed. The aim of the present study was to identify movement patterns, and variability therein, of young and older adults playing a custom-made weight-shifting (ice-skating) exergame. Methods Twenty older adults and twenty young adults played a weight-shifting exergame under five conditions of varying complexity, while multi-segmental whole-body movement data were captured using Kinect. Movement coordination patterns expressed during gameplay were identified using Self Organizing Maps (SOM), an artificial neural network, and variability in these patterns was quantified by computing Total Trajectory Variability (TTvar). Additionally a k Nearest Neighbor (kNN) classifier was trained to discriminate between young and older adults based on the SOM features. Results Results showed that TTvar was significantly higher in older adults than in young adults, when playing the exergame under complex task conditions. The kNN classifier showed a classification accuracy of 65.8%.Conclusions Older adults display more variable sway behavior than young adults, when playing the exergame under complex task conditions. The SOM features characterizing movement patterns expressed during exergaming allow for discriminating between young and older adults with limited accuracy. Our findings contribute to the development of algorithms for quantification of balance ability during home-based exergaming for balance training. Copyright:
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid. We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid.We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
Inleiding en praktijkvraag Het in 2012 opgerichte Saxion lectoraat Mechatronica is destijds gestart met het genomineerde RAAK-PRO project Medical Robotics. De ontwikkelde mechatronische kennis (vision, autonome navigatie, robotarmen) zijn enkel toegepast in de zorg en service robotica, maar kan worden toegepast in de industrie. Noord-oost Nederland staat bekend om zijn HTSM industrieën (VMI, WWINN, Bronkhorst, AWL, Norma, Thales, ed) en deze willen concreet en projectmatig samenwerken met kennisinstellingen binnen een netwerk van bedrijven. Projectdoelstelling Doelstelling is om met een breed netwerk van bedrijven de gezamenlijke onderzoeksbehoefte te identificeren. Diverse bedrijven, waaronder IMS en MetricControl, hebben reeds concreet hierom gevraagd. De doelstelling van het project BOARDing (“come-on-board”) is dan ook: “Identificeren van de gezamenlijke onderzoeksbehoefte en projectmatig deze samen op te lossen met de kennisinstellingen”. De hoofddoelstelling wordt beantwoord door de deliverables uit de volgende subdoelstellingen: 1. (her-)oprichten van de Mechatronica Vally Twente 2. Definitie gezamenlijke onderzoeksroadmap vanuit de individuele technologie roadmaps 3. Nieuwe onderzoeksprojectvoorstellen (min 1) uit deze onderzoeksroadmap. Bijdrage aan topsector SMART Industry Het lectoraat en de deelnemende bedrijfspartners IMS en MetricControl willen bewerkstelligen dat er concreet en projectmatig daadwerkelijke invulling wordt gegeven aan de regionale kennisagenda van de topsector SMART Industry: “Boost – Actieagenda Smart Industry Oost-Nederland”1. Projectmatig samenwerken en kennisdeling binnen de (her-)op te richten stichting Mechatronia voor een lange duur is daarbij de gezamenlijke visie. Vraagsturing, Netwerkvorming & Bijdrage aan innovatie Reeds 8 bedrijven hebben gevraagd om een gezamenlijke onderzoeksroadmap en zichzelf verplicht tot actieve onderzoeks- en kennisdeelname en streeft, onder deze voorwaarde, een groeimodel na in het geloof dat gezamenlijke onderzoek kosteneffectief is en de innovatie wordt gestimuleerd door onderlinge kennisontwikkeling en kennisdeling. Activiteitenplan & Projectorganisatie Het project wordt met name uitgevoerd door de lector Dr. Ir. D.A.Bekke en de deelnemende CEO’s van IMS en MetricControl.
