Direkt zum Inhalt

SLICE (Simulated Location-based Identification of Compulsive Events)

Die SLICE-Studie (Simulated Location-based Identification of Compulsive Events) war eine semikontrollierte Machbarkeitsstudie zur Untersuchung des Potenzials von Wearables und Indoor-Lokalisierungstechnologien zur Erkennung routinierter und repetitiver Verhaltensmuster. Die Studie umfasste eine einstündige Sitzung, in der die Teilnehmenden sowohl natürlichen als auch protokollbasierten Aktivitäten in einer semikontrollierten, mehrzimmerigen Wohnlaborumgebung nachgingen. Die Studie wurde von der Ethikkommission der Universität Potsdam genehmigt (Votum-Nr.: 38/2022).

IMU, UWB, HAR, wearables

Zusammenfassung:

Diese Machbarkeitsstudie wurde am Hasso-Plattner-Institut in Potsdam durchgeführt. Sie sollte alltägliche Lebensumstände nachstellen. Die Umgebung bestand aus Küche, Bad, Wohnzimmer und Fluren und wurde designt, um das Sammeln von hochaufgelösten, multimodalen Sensordaten zu unterstützen.

Die Hauptsession dauerte ungefähr eine Stunde, der Gesamtaufwand für Teilnehmende (inklusive Vorbereitung und Nachbereitung) betrug ungefähr 2 Stunden. Während der einstündigen Aufzeichnung waren die Teilnehmenden allein im Wohnlabor, um den Hawthorne-Effekt zu verringern und ein realistisches Alltagssetting zu schaffen. Teilnehmende waren angewiesen, alltägliche Tätigkeiten durchzuführen wie Lesen, Kochen oder Arbeiten am Laptop, wodurch NULL-Daten als Baseline erfasst wurden.
Gleichzeitig wurden sie gefragt, eine feste Anzahl von simulierten compulsive-like Tätigkeiten, nämlich Hände waschen, den Tisch putzen, eine Tür überprüfen zu selbstgewählten Zeiten während der Session auszuführen. Das jeweilige Verhalten wurde auf zwei verschiedene Arten durchgeführt, wodurch Routinemuster und zwanghafte Muster repräsentiert wurden.

Datensammlung: Kristina Kirsten

Partner: Hasso Plattner Institut

Kontaktperson/-abteilung: Kristina Kirsten, Digital Health - Connected Healthcare, Hasso-Plattner-Institut, Universität Potsdam

Zeitraum der Studie: Dezember 2024

Anzahl der Studienteilnehmenden: 12

DOI: https://doi.org/10.5281/zenodo.17610331

Ressourcentyp: Dataset

Datenmodalität: BLE-Ultrabreitband-Beacons, Beschleunigungssensoren

Anzahl der Sensoren: 2 Beschleunigungssensoren (IMUs), 5 Beacons

Wearable-/Geräte-Hersteller: Movella Inc., Estimote, Inc.

Datenvariablen:
3 Achsen Winkelgeschwindigkeit, 3 Achsen Eulersche Winkel, 3 Achsen freie Beschleunigung, Abstandsschätzung

Einheiten der Datenvariablen: °/s (Grad pro Sekunde), m/s^2, ° (Grad), Meter

Samplingfrequenz: 60 Hz für IMU-Sensoren, circa 8 Hz für Ultrabreitband-BLE-Beacons

Dateninkonsistenzen/-fehler:
Bei Teilnehmer:in 4 kam es zu einem Ausfall des Beschleunigungssensors am rechten Handgelenk während der Aufzeichnung, weshalb die entsprechenden Sensordaten unvollständig sind.

Datensatzgröße: 1.5 GB

Dateiformat: CSV

Lizenz: Creative Commons Attribution 4.0 International

Data4Life

Digitale Lösungen für eine gesündere Welt