features on the gait classification

features on the gait classification performance by SVM classifier. Besides, we also compared the generalization performance of our proposed algorithm with those of SVM-based classification algorithm. This paper is organized as follows: Section Ⅱ presents the procedure of the gait data acquisition. In Section Ⅲ, we briefly introduce manifold learning algorithm for the gait features extraction. In section Ⅳ, we evaluate the effective of our proposed technique via experiments. Discussions and conclusions are given in the section Ⅴ. II. GAIT DATA ACQUISTION The kinetic gait data including the thirty healthy young and thirty normal elderly subjects were acquired because these gait data contain more relevant information about the intrinsic non-
linear dynamics of human movement. Each subject was asked to walk on the straight laboratory walkway of approximately 10 m at a self-determined pace. When a foot stepped on the middle of the strain gauge force platform embedded in the walkway, the foot-ground reaction forces(GRF) were recorded during walk. Here, the sampling frequency was set to 400 Hz. In order to avoid the individual difference, the acquired forces and the occurrence of their corresponding times were normalized by subjects’ weight and by gait cycle respectively. Thus, we can represent a gait pattern as 101 dimensions vector by sampling at each 1% in a time normalized stance phase. Here, the vertical GRF gait data, as shown in Fig.1, was selected to analyze. Figure.1. The foot–ground reaction forces along the vertical directions during a normalized stance phase III. MANIFOLD LEARNING ALGORITHM FOR NONLINEAR GAIT FEATURE EXTRACTION To obtain the significance low-dimensional embedding associated with the human gait function in high-dimensional input space, the manifold learning algorithm was applied to perform dimensionality reduction. Presently, there are three usual manifold embedding algorithm for dimensionality reduction: Isomap, Locally-Linear Embedding(LLE), Laplacian Eigenmaps(LE). In this study, considering the effective utilization of the global relationship between all gait variables, we selected the Isomap algorithm to perform dimensionality reduction for the actual discovery of the intrinsic nonlinear structure of the analyzed gait data. Isomap algorithm is a global geometric framework for nonlinear dimensionality reduction, and it can effectively use the measured geodesic distance and classical multidimensional scaling(MDS) technique to find the intrinsic geometry of data(i.e. the low-dimensional embedding in the highdimensional input space). In the algorithm, the geodesic manifold distances between all pairs of data points can be obtained by constructing the graph, and the geodesic distance can be estimated by finding the shortest path in the graph representation of the manifold. Here, we firstly determined the neighboring points by Euelidean distance d ( ) i j X , between the arbitrary pointsi, j in the gait data input space X , and then we can obtain the neighboring relation by selecting the k neighboring points. Thus, we can construct the weighted graph G with edges connecting neighboring point on the manifold M . Next step, we can estimate the geodesic distances d ( ) i j M , by finding the shortest paths d ( ) i j G , between all pairs of points in the constructed graph . Finally, we can use the graph distance d ( ) i j G , replace the distance in MDS, and we can find the low-dimensional embedding by minimizing the following cost function: ()() E DG DY = τ −τ (1) where τ is an operator for efficient optimization of the determined distance matrix D by converting the distances to inner products. The detailed procedure of solution for finding the low-dimensional embedding can be found in[7]. IV. EXPERIMENTS AND RESULTS After The gait nonlinear features can be obtained from gait data by using ISOMAP algorithm to perform dimensionality reduction according to its algorithm step in section 3. As a result, the nonlinear information feature of gait can be obtained easily by a simple transformation for the projected data. In this experiment, in order to evaluate the ability of the extraction of nonlinear gait features, ISOMAP and linear principal component analysis (PCA)

ผลลัพธ์ (ไทย) 1:

ลักษณะการทำงานประสิทธิภาพประเภทเดินโดย SVM classifier นอก เรายังเปรียบเทียบ generalization ประสิทธิภาพการทำงานของอัลกอริทึมของเรานำเสนอกับอัลกอริทึม SVM ตามประเภท เอกสารนี้มีการจัดระเบียบดัง: ส่วนⅡนำเสนอขั้นตอนของข้อมูลการเดิน ในส่วนⅢ เราสั้น ๆ แนะนำขั้นตอนวิธีการเรียนรู้ความหลากหลายนับการสกัดคุณลักษณะเดิน ในส่วนⅳ เราประเมินประสิทธิภาพของเทคนิคของเรานำเสนอผ่านการทดลอง อภิปรายและสรุปได้ในส่วนⅤ II ACQUISTION ข้อมูลเดินเดินเดิม ๆ ข้อมูลรวมทั้งหนุ่มสาวสุขภาพสามสิบและสิบเรื่องผู้สูงอายุปกติได้รับมาเนื่องจากข้อมูลเหล่านี้เดินประกอบด้วยรายละเอียดที่เกี่ยวข้องเกี่ยวกับการ intrinsic ใช่dynamics เชิงเส้นของการเคลื่อนไหวของมนุษย์ แต่ละหัวข้อถูกต้องเดินบนทางเดินปฏิบัติตรงประมาณ 10 เมตรที่กำหนดด้วยตนเองก้าว เมื่อเท้าที่เหยียบกลางเวทีกองทัพต้องใช้มาตรวัดที่ฝังอยู่ในทางเดิน ได้รับการบันทึก forces(GRF) ปฏิกิริยาดินเท้าระหว่างเดิน ที่นี่ ความถี่การสุ่มตัวอย่างที่ถูกตั้งค่าให้ 400 Hz เพื่อหลีกเลี่ยงความแตกต่างแต่ละ กองกำลังได้รับและการเกิดขึ้นของเวลาของพวกเขาที่สอดคล้องกันได้ตามปกติ โดยน้ำหนักของวัตถุ และเดินรอบตามลำดับ ดังนั้น เราสามารถแสดงรูปแบบการเดินเป็นเวกเตอร์ขนาด 101 โดยสุ่มตัวอย่างในแต่ละ 1% ในเฟสท่าทางมาตรฐานเวลา ที่นี่ ข้อมูลเดินแนวตั้งของ GRF ดังที่แสดงในภาพ เลือกการวิเคราะห์ Figure.1. ปฏิกิริยาเท้า – พื้นบังคับตามทิศทางแนวตั้งท่าทางมาตรฐานระยะ III เชื่อมโยงความหลากหลายนับเรียนอัลกอริทึมสำหรับการไม่เชิงเส้นเดินคุณลักษณะแยกรับสำคัญมิติต่ำฝังที่มนุษย์เดินในพื้นที่ป้อนค่ามิติสูง ใช้อัลกอริทึมการเรียนรู้ความหลากหลายนับการลด dimensionality ปัจจุบัน มีสามปกติความหลากหลายนับฝังอัลกอริทึมสำหรับการลด dimensionality: Isomap, Embedding(LLE) เครื่องเส้น Laplacian Eigenmaps(LE) ในการศึกษานี้ พิจารณาใช้ประโยชน์ผลของความสัมพันธ์ระหว่างตัวแปรทั้งหมดเดิน โลกเราเลือกอัลกอริทึม Isomap การลด dimensionality สำหรับการค้นพบโครงสร้าง intrinsic ไม่เชิงเส้นของข้อมูลวิเคราะห์เดินจริง Isomap อัลกอริทึมคือ กรอบงานเรขาคณิตทั่วโลกสำหรับการลด dimensionality ไม่เชิงเส้น และมีประสิทธิภาพใช้ระยะทาง geodesic วัดและเทคนิค scaling(MDS) คลาสสิกหลายหา intrinsic เรขาคณิตของข้อมูล (เช่นต่ำมิติฝังในพื้นที่ป้อนค่า highdimensional) ในอัลกอริทึม ระยะความหลากหลายนับ geodesic ระหว่างคู่ของจุดข้อมูลทั้งหมดสามารถได้รับ โดยการสร้างกราฟ และระยะทาง geodesic ที่สามารถประเมิน โดยการหาเส้นทางสั้นที่สุดในการแสดงกราฟของมากมาย ที่นี่ เราประการแรกกำหนดจุดใกล้เคียง โดย Euelidean (d)ห่างจากที่พักผมเจ X ระหว่างกำหนด pointsi, j ข้อมูลเดินเข้าพื้นที่ X แล้ว เราสามารถหาความสัมพันธ์ที่ใกล้เคียง โดยเลือก k ที่ใกล้เคียงจุดนั้น ดังนั้น เราสามารถสร้างกราฟถ่วงน้ำหนัก G กับขอบที่เชื่อมต่อจุดใกล้เคียงมากมาย M ขั้นตอนต่อไป เราสามารถประเมิน geodesic ความยาวมากกว่า(d)ฉันเจ M โดยการหาเส้นทางสั้นที่สุด(d)ฉันเจ G ระหว่างคู่ของจุดในกราฟที่สร้างได้ สุดท้าย เราสามารถใช้กราฟ(d)ห่างจากที่พักผม j G แทนระยะห่างในการติด และเราสามารถหาฝังมิติต่ำ โดยลดต้นทุนฟังก์ชันต่อไปนี้: ()()อีกิจ DY =τ−τ (1) การที่τเป็นตัวดำเนินการเพิ่มประสิทธิภาพประสิทธิภาพของเมตริกซ์กำหนดระยะ D โดยการแปลงระยะทางผลิตภัณฑ์ภายในได้ ขั้นตอนรายละเอียดของโซลูชันหาฝังต่ำมิติสามารถพบได้ใน [7] IV การทดลองและผลหลังจากสามารถรับจากข้อมูลเดินเดินลักษณะไม่เชิงเส้น โดยใช้อัลกอริทึม ISOMAP การลด dimensionality ตามขั้นตอนของอัลกอริทึมใน 3 ส่วน ดัง คุณลักษณะข้อมูลไม่เชิงเส้นของเดินได้ง่าย ๆ โดยการแปลงที่ง่ายสำหรับข้อมูลคาดการณ์ ในการทดลองนี้ การประเมินความสามารถในการสกัดคุณลักษณะเดินไม่เชิงเส้น ISOMAP และคอมโพเนนต์หลักเชิงวิเคราะห์ (PCA)

ผลลัพธ์ (ไทย) 2:

คุณสมบัติในการดำเนินงานการจัดหมวดหมู่โดยการเดินลักษณนาม SVM นอกจากนี้เรายังเปรียบเทียบผลการดำเนินงานทั่วไปของอัลกอริทึมที่นำเสนอของเรากับของขั้นตอนวิธีการจัดหมวดหมู่ SVM ตาม กระดาษนี้จะมีการจัดระเบียบดังต่อไปนี้มาตราⅡนำเสนอขั้นตอนของการเก็บข้อมูลการเดินที่ ในส่วนⅢเราสั้นแนะนำขั้นตอนวิธีการเรียนรู้มากมายสำหรับการเดินมีการสกัด ในส่วนⅣเราประเมินที่มีประสิทธิภาพของเทคนิคที่นำเสนอการทดลองของเราผ่านทาง การอภิปรายและข้อสรุปที่จะได้รับในส่วนⅤ ครั้งที่สอง เดินข้อมูลได้มาจากข้อมูลการเดินการเคลื่อนไหวรวมทั้งสามสิบที่ดีต่อสุขภาพเด็กและผู้สูงอายุสามสิบเรื่องปกติที่ได้มาเนื่องจากข้อมูลเหล่านี้มีการเดินข้อมูลที่เกี่ยวข้องเพิ่มเติมเกี่ยวกับที่แท้จริงไม่ใช่การเปลี่ยนแปลงเชิงเส้นของการเคลื่อนไหวของมนุษย์
แต่ละเรื่องก็ขอให้เดินบนทางเดินห้องปฏิบัติการตรงประมาณ 10 เมตรที่ก้าวพิจารณาตัวเอง เมื่อเท้าเหยียบกลางของแรงวัดความเครียดแพลตฟอร์มที่ฝังอยู่ในทางเดินของแรงปฏิกิริยาเท้าพื้นดิน (GRF) ถูกบันทึกไว้ในระหว่างการเดินเท้า นี่ความถี่ถูกกำหนดถึง 400 เฮิร์ตซ์ เพื่อหลีกเลี่ยงความแตกต่างของแต่ละบุคคลที่มีกองกำลังที่ได้มาและการเกิดขึ้นของเวลาที่สอดคล้องกันได้ปกติโดยน้ำหนักวิชาและโดยรอบการเดินตามลำดับ ดังนั้นเราจึงสามารถเป็นตัวแทนของรูปแบบการเดินเป็น 101 ขนาดเวกเตอร์โดยการสุ่มตัวอย่างในแต่ละ 1% ในระยะเวลาท่าทางปกติ นี่คือข้อมูล GRF เดินแนวตั้งดังแสดงในรูปที่ 1 ได้รับเลือกในการวิเคราะห์ รูปที่ 1. กองกำลังปฏิกิริยาเท้าพื้นดินตามแนวตั้งในระหว่างขั้นตอนการท่าทางปกติที่สาม ขั้นตอนวิธีการเรียนรู้อเนกไม่เชิงเส้นสำหรับการเดินการสกัดคุณสมบัติที่จะได้รับการฝังอย่างมีนัยสำคัญต่ำมิติที่เกี่ยวข้องกับฟังก์ชั่นการเดินของมนุษย์ในการเข้าพื้นที่สูงมิติขั้นตอนวิธีการเรียนรู้มากมายถูกนำมาใช้ในการดำเนินการลดมิติ ปัจจุบันมีสามนานาปกติการฝังขั้นตอนวิธีการลดมิติ: Isomap, เฉพาะ-เชิงเส้นฝัง (LLE) Laplacian Eigenmaps (LE) ในการศึกษานี้พิจารณาการใช้ที่มีประสิทธิภาพของความสัมพันธ์ระหว่างตัวแปรระดับโลกเดินทั้งหมดที่เราเลือกอัลกอริทึม Isomap ที่จะดำเนินการลดมิติสำหรับการค้นพบที่เกิดขึ้นจริงของโครงสร้างเชิงเส้นที่แท้จริงของข้อมูลการวิเคราะห์การเดิน อัลกอริทึม Isomap เป็นกรอบทรงเรขาคณิตทั่วโลกสำหรับการลดมิติเชิงเส้นและมันได้อย่างมีประสิทธิภาพสามารถใช้วัดระยะเนื้อที่และปรับหลายมิติคลาสสิก (MDS) เทคนิคที่จะหารูปทรงเรขาคณิตที่แท้จริงของข้อมูล (เช่นการฝังต่ำมิติในพื้นที่การป้อนข้อมูล highdimensional) ในขั้นตอนวิธีการต่าง ๆ นานาเนื้อที่ระยะทางระหว่างคู่ของจุดข้อมูลสามารถรับได้โดยการสร้างกราฟและระยะทางเนื้อที่สามารถประมาณโดยการหาเส้นทางที่สั้นที่สุดในการเป็นตัวแทนของนานากราฟที่ ที่นี่เราแรกกำหนดจุดที่อยู่ใกล้เคียงโดยระยะทาง d Euelidean () เจ X ระหว่าง pointsi โดยพลการเจในพื้นที่การป้อนข้อมูลการเดินเอ็กซ์และจากนั้นเราจะได้รับความสัมพันธ์ที่ใกล้เคียงโดยการเลือก k จุดที่อยู่ใกล้เคียง ดังนั้นเราจึงสามารถสร้างรูปแบบของกราฟ G ถ่วงน้ำหนักที่มีขอบเชื่อมต่อจุดที่อยู่ใกล้เคียงในท่อร่วมไอดีเอ็ม ขั้นตอนต่อไปเราสามารถประเมินระยะทางเนื้อที่ d () เจเอ็มโดยการหาเส้นทางที่สั้นที่สุด d () ij G, ระหว่างคู่ทุกจุดในกราฟสร้าง สุดท้ายเราสามารถใช้ระยะทาง d กราฟ () ij G, เปลี่ยนระยะทางใน MDS และเราสามารถหาฝังต่ำมิติโดยการลดค่าใช้จ่ายในการทำงานต่อไปนี้: () () E DG DY = τ-τ (1) ที่τเป็นผู้ดำเนินการที่มีประสิทธิภาพในการเพิ่มประสิทธิภาพของเมทริกซ์มุ่งมั่นที่ระยะ D โดยการแปลงระยะทางให้กับสินค้าภายใน ขั้นตอนรายละเอียดของการแก้ปัญหาในการหาฝังต่ำมิติสามารถพบได้ใน [7] IV ทดลองและผลหลังจากการเดินคุณสมบัติเชิงเส้นสามารถหาได้จากข้อมูลการเดินโดยใช้อัลกอริทึม ISOMAP ที่จะดำเนินการลดมิติตามขั้นตอนขั้นตอนวิธีการในส่วนที่ 3 เป็นผลให้คุณลักษณะข้อมูลเชิงเส้นของการเดินสามารถรับได้อย่างง่ายดายโดยการเปลี่ยนแปลงง่ายสำหรับ ข้อมูลที่คาดการณ์ไว้ ในการทดลองนี้เพื่อประเมินความสามารถในการสกัดของคุณสมบัติการเดินไม่เชิงเส้นที่ ISOMAP และวิเคราะห์องค์ประกอบหลักเชิงเส้น (PCA)

ผลลัพธ์ (ไทย) 3:

คุณสมบัติในการดำเนินงานโดยการเดิน SVM ลักษณนาม นอกจากนี้ยังมีการเปรียบเทียบสมรรถนะของวิธีที่เสนอความเห็นของเรากับของ SVM ขั้นตอนวิธีการจำแนกตาม กระดาษนี้จะจัดดังนี้ ส่วนⅡนำเสนอกระบวนการของข้อมูลไม่เข้า ในส่วนⅢเราสั้นแนะนำขั้นตอนวิธีการเรียนรู้มากมายสำหรับคุณสมบัติของการสกัดในส่วนⅣเราประเมินประสิทธิภาพของเทคนิคที่นำเสนอผ่านการทดลอง การอภิปรายและสรุปให้ในส่วนⅤ . 2 . เครื่องมือที่ใช้ในการเดินจลนศาสตร์การเดินข้อมูลรวมถึงสามสิบสามสิบ และสุขภาพยังปกติผู้สูงอายุได้มาเพราะเหล่านี้ของข้อมูลมีมากขึ้นข้อมูลที่เกี่ยวข้องเกี่ยวกับแท้จริงไม่ใช่ -
เส้นพลวัตของมนุษย์เคลื่อนไหวแต่ละเรื่องก็ให้เดินตรงทาง ทางเดิน ประมาณ 10 เมตร ที่ตนเองกำหนดจังหวะ เมื่อเท้าเหยียบกลางวัดความเครียดแรงฝังตัวแพลตฟอร์มในทางเดินเท้าแรงปฏิกิริยา จากพื้น ( grf ) ถูกบันทึกไว้ในระหว่างเดิน ที่นี่การสุ่มตัวอย่างความถี่ตั้ง 400 เฮิรตซ์ เพื่อหลีกเลี่ยงความแตกต่างส่วนบุคคลได้มาแรงและการเกิดของเวลาที่สอดคล้องกันของพวกเขาเป็นปกติ โดยวิชาที่ น้ำหนัก และ โดยการเดินรอบ ตามลำดับ ดังนั้น เราสามารถเป็นตัวแทนของรูปแบบเวกเตอร์ 3 มิติที่ 101 ในแต่ละ 1 % ในเวลาปกติระยะยืน ที่นี่ , แนวตั้ง grf ของข้อมูลที่แสดงใน”มีวัตถุประสงค์เพื่อทำการวิเคราะห์ รูปที่ 1เท้าและแรงปฏิกิริยา จากพื้นตามทิศทางตามแนวตั้งในรูปท่าทางเฟส III อเนกการเรียนรู้ขั้นตอนวิธีเชิงคุณลักษณะการสกัดเพื่อให้ได้งานอย่างต่ำ มิติที่เกี่ยวข้องกับการทำงานของมนุษย์ การฝังเข้าในสูง - มิติอวกาศ ขั้นตอนวิธีการเรียนรู้มากมายถูกนำมาใช้เพื่อการลด dimensionality . ปัจจุบันมีอยู่สามวิธีปกติมากมายฝังเพื่อลด dimensionality : isomap ภายในเชิงเส้นการฝังตัว ( ที่ไหน ) Laplacian eigenmaps ( เลอ ) ในการศึกษานี้ได้พิจารณาการใช้ประสิทธิภาพของความสัมพันธ์ระหว่างตัวแปรของโลกทั้งหมดเราเลือก isomap ขั้นตอนวิธีการดําเนินการลด dimensionality สำหรับการค้นพบที่แท้จริงของตัวเส้นโครงสร้างของการวิเคราะห์การเดินของข้อมูล ขั้นตอนวิธี isomap เป็นกรอบทางเรขาคณิตเชิง dimensionality ทั่วโลกลดลง