input of SVM should contain the mor

input of SVM should contain the more account of separation information between the classes. In this study, we expect to extract some good features providing additional discrimination information for improving the performance of classification because inclusion of more gait features does not provide all the necessary information for gait classification. Considering the fact that the choice of the number of gait features obtained by using ISOMAP positively improves or deteriorates the identification results in a certain degree, we investigated all numbers of neighboring points from the minimum value 1 to the maximum value. In this experiment, we can find that the best results can be obtained when numbers of neighboring points is 15 and the intrinsic dimensional is 4. Meanwhile, the other optimal parameters must be carefully selected to achieve the best classification performance because the optimal value of each parameter could vary with different values of other parameters[10]. In conclusion, our work demonstrates that the manifold learning algorithm can be applied in gait data analysis for obtaining the useful information about the intrinsic nonlinear dynamics of human movement. It is benefit to enhancing the generalization performance of the gait classifier for the assessment of human gait change. Further work is to validate the suitability of the manifold learning algorithm applied in the clinic gait data. ACKNOWLEDGMENT The author gratefully acknowledges Prof. Jue Wang of Xi’an Jiaotong University for contribution in this study. REFERENCES [1] S. H. Holzreiter, M. E. Kohle, “Assessment of gait patterns using neural net-works”, Journal of Biomechanics, vol. 26, 1993, pp. 645-651. TABLE I. THE COMPARATIVE RESULT OF THE DIFFERENT TECHNIQUE FOR GAIT FEATURES Classifiers Kernel function of SVM (C , d ,σ , k , n1 , n2 ) Accuarcy(%) ISOMAP-SVM Poly Linear RBF (0.41,2, ---, 15,4, ---) (0.35,3, ---,14, 4,---) (0.82,2,950,15,4,---) 88 87 88 PCA-SVM Poly Linear RBF (0.56, 3,---, ---, 10) (0.67,---,---,---,10) (0.62,---,750,---,9) 85 83 85 Note: n1 is the number of intrisic dimensionality by ISOMAP and n2 is the number of the gait features by PCA 202 [2] Begg, Kamruzzaman. “A machine learning approach for automated recognition of movement patterns using basic, kinetic and kinematic gait data”, Journal of Biome-chanics, vol. 38, 2005, pp. 401-408. [3] Hong-yin Lau, Kai-yu Tong, Hailong Zhu, Support vector machine for classification of walking conditions of persons after stroke with dropped foot, Human Movement Science,2009, 28(4):504-514. [4] T.Chau, “A review of analytical techniques for gait data. Part1:Fuzzy, statistical and fractal methods”, Gait Posture, vol.13, 2001, pp. 49-66.. [5] T.Chau, “A review of analytical techniques for gait data. Part 2:Neural network and wavelet methods”, Gait Posture, vol.13, 2001, pp. 102-120. [6] Giannini, S., Catani, F., Benedetti, M. G., et al, Gait Analysis Methodologies and Clinical Applications, Amsterdam: IOS Press, 1994. [7] Tenenbaum J，Silva D D，Langford J．A global geometric frame— work for nonlinear dimensionality reduction. Science ， 2000 ， 290(5500)：2319-2323. [8] Seung H S，Lee Dn The manifold ways of perception[J]．Science， 2000，290(5500)：2268—2269. [9] Vapnik , Statistical Learning Theory, New York: John Wiley and Sons Inc, 1998. [10] K.Chan, T.W.Lee, and P.A.Sample, et al. “Comparison of algorithms for detection of spikes in the electroencephalogram”, IEEE Transactions on Biomedical Engineering, Vol.50, 2002, pp.521–526.

ผลลัพธ์ (ไทย) 1:

ป้อนข้อมูลของ SVM ควรประกอบด้วยบัญชีเพิ่มเติมข้อมูลที่แยกระหว่างการเรียน ในการศึกษานี้ เราคาดว่าจะขยายคุณลักษณะบางอย่างดีให้เลือกปฏิบัติเพิ่มเติมข้อมูลสำหรับการปรับปรุงประสิทธิภาพของการจัดประเภทเนื่องจากการรวมของคุณลักษณะเพิ่มเติมเดินไม่ได้ให้ข้อมูลที่จำเป็นทั้งหมดสำหรับประเภทเดิน พิจารณาความจริงที่ว่า ตัวเลือกของคุณลักษณะการเดินได้ โดยใช้ ISOMAP บวกเพิ่ม หรือ deteriorates รหัสผลลัพธ์ในระดับ เราตรวจสอบหมายเลขทั้งหมดของจุดใกล้เคียง 1 ค่าต่ำสุดค่าสูงสุด ในการทดลองนี้ เราสามารถค้นหาว่า ผลลัพธ์ได้เมื่อหมายเลขของจุดใกล้เคียง 15 และ intrinsic มิติ 4 ในขณะเดียวกัน พารามิเตอร์เหมาะสมอื่น ๆ ต้องระมัดระวังเลือกให้แบบจัดประเภทเนื่องจากค่าสูงสุดของแต่ละพารามิเตอร์จะแตกต่างกับค่าต่าง ๆ ของพารามิเตอร์อื่น ๆ [10] เบียดเบียน งานแสดงให้เห็นว่า อัลกอริทึมการเรียนรู้ความหลากหลายนับสามารถใช้ในการวิเคราะห์ข้อมูลเดินสำหรับรับข้อมูลเป็นประโยชน์เกี่ยวกับ dynamics ไม่เชิงเส้น intrinsic ของมนุษย์เคลื่อนไหว ประโยชน์เพิ่มประสิทธิภาพ generalization ของ classifier เดินสำหรับประเมินการเปลี่ยนแปลงมนุษย์เดินได้ การจะตรวจสอบความเหมาะสมของอัลกอริทึมการเรียนรู้ความหลากหลายนับที่ใช้ในคลินิกเดินข้อมูล ยอมรับผู้เขียนยอมรับว่า วังจองเจงศาสตราจารย์มหาวิทยาลัยเจียวทองซีอานควระสำหรับในการศึกษานี้ อ้างอิง [1] S. H. Holzreiter ม. E. Kohle "การประเมินผลของรูปแบบการเดินใช้งานสุทธิประสาท" สมุดรายวันของชีวกลศาสตร์ ปี 26, 1993 นำ 645-651 ฟังก์ชันเคอร์เนลคำนามภาษาตาราง I. เปรียบเทียบผลของแตกต่างกันเทคนิคสำหรับเดินคุณลักษณะของ SVM (C, d σ k, n1, n2) Accuarcy(%) ISOMAP SVM โพลีเชิง RBF (0.41,2, - 15,4,--) (0.35,3, -, 14, 4,--) (0.82,2,950,15,4,--) 88 87 88 RBF เส้นโพลี PCA SVM (-0.56, 3, - -, 10) (0.67,---, ---, ---, 10) (0.62, - 750, -, 9) 85 83 85 หมายเหตุ: n1 จำนวน intrisic dimensionality โดย ISOMAP และ n2 เป็นจำนวนคุณลักษณะเดินโดย PCA 202 [2] Begg, Kamruzzaman "เครื่องจักรเรียนรู้วิธีการในการรับรู้รูปแบบการเคลื่อนไหวโดยใช้ข้อมูลพื้นฐาน เดิม ๆ และจลน์เดินอัตโนมัติ" สมุดรายวันของชีวนิเวศ-chanics ปี 38 ปี 2005, 401-408 พีพีอ่าวมาหยา [3] ยิน Hong Lau ตองไก่ยู ซู Hailong สนับสนุนเครื่องเวกเตอร์สำหรับการจัดประเภทการเดินของท่านหลังจากหลุดจังหวะด้วยเท้า มนุษย์เคลื่อนไหววิทยาศาสตร์ ปี 2009, 28 (4): 504-514 [4] T.Chau "การตรวจสอบของเทคนิควิเคราะห์ข้อมูลเดิน Part1: เอิบ สถิติ และวิธีแฟร็กทัล ", ท่าเดิน vol.13, 2001 นำ 49-66 ... [5] T.Chau "การตรวจสอบของเทคนิควิเคราะห์ข้อมูลเดิน ส่วนที่ 2: วิธี wavelet และเครือข่ายประสาท ", ท่าเดิน vol.13, 2001 นำ 102-120 [6] Giannini, S., Catani เอฟ Benedetti กรัมเมตร et al วิธีวิเคราะห์การเดินและการประยุกต์ใช้ทางคลินิก อัมสเตอร์ดัม: IOS กด 1994 [7] Tenenbaum J, Silva D D โรงแรมเจเอ Langford กรอบเรขาคณิตสากล — ทำงานสำหรับ dimensionality ไม่เชิงเส้นลด วิทยาศาสตร์ 2000, 290 (5500): 2319-2323 [8] S H เซิง Dn ลีวิธีความหลากหลายนับการรับรู้ [J] .Science, 2000,290 (5500): 2268-2269 [9] Vapnik เรียนรู้สถิติทฤษฎี นิวยอร์ก: จอห์น Wiley และบุตร Inc, 1998 [10] K.Chan, T.W.Lee และ P.A.Sample, et al. "เปรียบเทียบอัลกอริทึม spikes ใน electroencephalogram การตรวจ" วิศวกรรมชีวการแพทย์ ธุรกรรม IEEE Vol.50, 2002, pp.521–526

ผลลัพธ์ (ไทย) 2:

ป้อนข้อมูลของ SVM ควรมีบัญชีอื่น ๆ ของข้อมูลที่แยกระหว่างเรียน ในการศึกษานี้เราคาดว่าจะดึงบางคุณสมบัติที่ดีให้ข้อมูลเพิ่มเติมสำหรับการเลือกปฏิบัติในการปรับปรุงประสิทธิภาพการทำงานของการจำแนกประเภทเพราะการรวมของคุณสมบัติการเดินมากขึ้นไม่ได้ให้ข้อมูลที่จำเป็นทั้งหมดสำหรับการจำแนกการเดิน พิจารณาข้อเท็จจริงที่ว่าทางเลือกของจำนวนการเดินคุณสมบัติที่ได้รับโดยใช้ ISOMAP บวกช่วยเพิ่มหรือลดลงผลการตรวจพิสูจน์ในระดับหนึ่งที่เราตรวจสอบตัวเลขทั้งหมดของจุดที่อยู่ใกล้เคียงจากค่าต่ำสุด 1 ถึงค่าสูงสุด ในการทดลองนี้เราจะพบว่าผลลัพธ์ที่ดีที่สุดจะได้รับเมื่อตัวเลขของจุดที่อยู่ใกล้เคียงคือ 15 และมิติที่แท้จริงเป็น 4 ในขณะที่ค่าพารามิเตอร์ที่เหมาะสมอื่น ๆ จะต้องเลือกอย่างระมัดระวังเพื่อให้บรรลุผลการดำเนินงานการจัดหมวดหมู่ที่ดีที่สุดเพราะค่าที่ดีที่สุดของแต่ละคน พารามิเตอร์อาจแตกต่างกันที่มีค่าที่แตกต่างกันของพารามิเตอร์อื่น ๆ [10] สรุปได้ว่าการทำงานของเราแสดงให้เห็นว่าขั้นตอนวิธีการเรียนรู้มากมายสามารถนำมาใช้ในการวิเคราะห์ข้อมูลการเดินสำหรับการได้รับข้อมูลที่เป็นประโยชน์เกี่ยวกับการเปลี่ยนแปลงที่ไม่เป็นเชิงเส้นที่แท้จริงของการเคลื่อนไหวของมนุษย์ มันเป็นประโยชน์ต่อการเสริมสร้างประสิทธิภาพการทำงานทั่วไปของลักษณนามเดินสำหรับการประเมินของการเปลี่ยนแปลงการเดินของมนุษย์ ทำงานต่อไปคือการตรวจสอบความเหมาะสมของขั้นตอนวิธีการเรียนรู้ที่นำไปใช้ในหลายข้อมูลการเดินคลินิก ผู้เขียนทราบซึ้งยอมรับศจือวังของมหาวิทยาลัยซีอาน Jiaotong สำหรับผลงานในการศึกษานี้ ข้อมูลอ้างอิง [1] SH Holzreiter, ME Kohle "การประเมินผลของรูปแบบการใช้งานเดินสุทธิประสาท" วารสารชีวกลศาสตร์ฉบับ 26 ปี 1993 ได้ pp. 645-651 I. ตารางเปรียบเทียบผลของเทคนิคที่แตกต่างกันสำหรับการเดินลักษณนามคุณสมบัติฟังก์ชั่นของเคอร์เนล SVM (C, D, σ, k, n1, n2) Accuarcy (%) ISOMAP-SVM โพลี RBF เชิงเส้น (0.41,2, --- 15,4 ---) (0.35,3, ---, 14, 4 ---) (0.82,2,950,15,4 ---) 88 87 88-PCA SVM โพลี RBF เชิงเส้น (0.56, 3 --- --- 10) (0.67 --- --- --- 10) (0.62 --- 750 --- 9) 85 83 85 หมายเหตุ: n1 คือจำนวนของมิติเนื้อเสียงโดย ISOMAP และ n2 เป็นจำนวนของคุณสมบัติการเดินโดย PCA 202 [2] เบ็กก์ Kamruzzaman "เครื่องการเรียนรู้วิธีการสำหรับการรับรู้โดยอัตโนมัติโดยใช้รูปแบบการเคลื่อนไหวขั้นพื้นฐานเกี่ยวกับการเคลื่อนไหวและข้อมูลการเดินจลนศาสตร์" วารสาร Biome-chanics ฉบับ 38, 2005, pp ได้. 401-408 [3] ฮงหยิน Lau, Kai-ยูตอง Hailong จู้สนับสนุนเครื่องเวกเตอร์การจัดหมวดหมู่ของการเดินเงื่อนไขของบุคคลหลังจากที่จังหวะด้วยเท้าลดลงของมนุษย์วิทยาศาสตร์การเคลื่อนไหวปี 2009 28 (4): 504-514 [4] T.Chau "ทบทวนเทคนิคการวิเคราะห์ข้อมูลการเดิน Part1: เลือนสถิติและวิธีการเศษส่วน "เดินท่า, เล่มที่ 13, 2001, หน้า 49-66 .. [5] T.Chau." ทบทวนเทคนิคการวิเคราะห์ข้อมูลการเดิน ส่วนที่ 2:. เครือข่ายประสาทเทียมและวิธีเวฟ "เดินท่า, เล่มที่ 13, 2001, หน้า 102-120 [6] จีเอส, Catani เอฟ, Benedetti, MG, et al, เดินวิธีการวิเคราะห์และการประยุกต์ใช้ทางคลินิกอัมสเตอร์ดัม: IOS กด 1994 [7] Tenenbaum เจซิลวา DD, Langford J.A กรอบทรงเรขาคณิตทั่วโลก - การทำงานสำหรับการลดมิติเชิงเส้น วิทยาศาสตร์ 2000 290 (5500): 2319-2323 [8] ซึง HS ลี Dn วิธีการต่าง ๆ นานาของการรับรู้ [J] .Science, 2000,290 (5500): 2268-2269 [9] Vapnik สถิติการเรียนรู้ทฤษฎีนิวยอร์ก: John Wiley และบุตร Inc 1998 [10] K.Chan, TWLee และ PASample, et al "การเปรียบเทียบขั้นตอนวิธีการตรวจหาในแหลมอิเล็คโทร" การทำธุรกรรมอีอีอีวิศวกรรมชีวการแพทย์, Vol.50, 2002, pp.521-526

ผลลัพธ์ (ไทย) 3:

ป้อนข้อมูลของ SVM ควรประกอบด้วยเพิ่มเติมบัญชีแยกข้อมูลระหว่างเรียน ในการศึกษานี้เราคาดหวังจะดึงบางดี มีการให้ข้อมูลการเพิ่มประสิทธิภาพของการรวมคุณสมบัติการเดินมากขึ้น เพราะไม่ได้ให้ข้อมูลที่จำเป็นทั้งหมดสำหรับการก้าวเดิน .พิจารณาข้อเท็จจริงที่ว่าทางเลือกของจํานวนของการเดินคุณลักษณะได้รับโดยใช้ isomap บวกเพิ่ม หรือ เสื่อมตัวผลในระดับหนึ่ง เราได้ตรวจสอบตัวเลขของจุดข้างเคียงจากขั้นต่ำ 1 ให้คุณค่าสูงสุด ในการทดลองนี้เราสามารถหาผลลัพธ์ที่ดีที่สุดสามารถรับได้เมื่อตัวเลขของจุดข้างเคียงคือ 15 และภายในมิติเป็น 4 ในขณะเดียวกัน , อื่น ๆ พารามิเตอร์ที่เหมาะสมจะต้องเลือกอย่างระมัดระวังเพื่อให้บรรลุประสิทธิภาพการจำแนกดีที่สุด เพราะมูลค่าที่เหมาะสมของแต่ละคนอาจแตกต่างกันกับค่าพารามิเตอร์ที่แตกต่างกันของพารามิเตอร์อื่น ๆ [ 10 ] สรุปงานของเราแสดงให้เห็นว่าขั้นตอนวิธีการเรียนรู้มากมาย สามารถนำไปใช้ในการวิเคราะห์ข้อมูลการเดินทางสำหรับการได้รับข้อมูลที่เป็นประโยชน์เกี่ยวกับภายในเชิงพลวัตของการเคลื่อนไหวของมนุษย์ มันเป็นประโยชน์ที่จะเพิ่มการประสิทธิภาพของการเดินแบบ สำหรับการประเมินการเปลี่ยนแปลงการเดินของมนุษย์งานต่อไปคือการตรวจสอบความเหมาะสมของขั้นตอนวิธีการเรียนรู้มากมายที่ใช้ในคลินิกของข้อมูล การยอมรับผู้เขียนมีความยินดียอมรับศ จื้อ วังของซีอาน Jiaotong University เพื่อมีส่วนร่วมในการศึกษานี้ เอกสารอ้างอิง [ 1 ] . . holzreiter , M . E . kohle " การประเมินรูปแบบการเดินการใช้งาน " สุทธิประสาทวารสาร Biomechanics , ฉบับที่ 26 , 1993 , pp . 645-651 .ตารางที่ 1 เปรียบเทียบผลของเทคนิคที่แตกต่างกันสำหรับการเดินมีลักษณนามเคอร์เนลฟังก์ชันของ SVM ( C , D , σ , k , N1 , N2 ) accuarcy ( % ) isomap-svm โพลีเส้นฐาน ( 0.41,2 --- --- 15,4 , , , ) ( 0.35,3 --- , 14 , 4 , . . . ) ( 0.82,2950,15,4 --- ) 88 87 88 pca-svm บริษัทโพลีเชิงเส้น ( 0.56 3 --- --- 10 ) ( 0.67 --- --- --- 10 ) ( 0.62 --- , 750 , --- , 9 ) 85 83 85 หมายเหตุ :1 คือจำนวน intrisic dimensionality โดย isomap และ N2 เป็นจํานวนของการเดิน ลักษณะตาม PCA 202 [ 2 ] เบ็กก์ kamruzzaman , . " เครื่องวิธีการเรียนรู้แบบอัตโนมัติ การใช้พื้นฐานการเคลื่อนไหวรูปแบบและข้อมูลเชิงจลน์ " การเดินวารสารไบโอม chanics , ฉบับที่ 38 , 2005 , pp . 401-408 . [ 3 ] ฮงอินเหลา ไคยูตง hailong จูสนับสนุนเวกเตอร์เครื่องจักรสำหรับการจำแนกสภาพการเดินของคนหลังโรคหลอดเลือดสมองลดลงเท้าวิทยาศาสตร์การเคลื่อนไหวของมนุษย์ ) , 28 ( 4 ) : 504-514 . [ 4 ] ต. เจา " ทบทวนเทคนิคการวิเคราะห์ข้อมูลการเดิน part1 : คลุมเครือ , สถิติและเศษส่วนวิธี " เดินท่า vol.13 , 2001 , pp . 49-66 . . . . . . . [ 5 ] ต. เจา " ทบทวนเทคนิคการวิเคราะห์ข้อมูลการเดิน ส่วนที่ 2 :เครือข่ายระบบประสาทและเทคนิควิธี " ท่าเดินท่า vol.13 , 2001 , pp . 102-120 . [ 6 ] Giannini , เอส , catani F . เบเนเดดตี้ ) , G . , et al , การเดินการวิเคราะห์วิธีการและการประยุกต์ใช้ทางคลินิก อัมสเตอร์ดัม : iOS กด , 1994 [ 7 ] เทเนินเบาม์ J , ซิลวา D D , Langford เจ ( เรขาคณิตเชิง dimensionality กรอบการทำงานลดลง วิทยาศาสตร์ , 2000 , 290 ( 5500 ) : 2319-2323 . [ 8 ] ซึง H S ,ลีเดน วิธีการต่างๆของการรับรู้ [ J ] . วิทยาศาสตร์ 2000290 ( 5500 ) : 2268-2269 . [ 9 ] vapnik ทฤษฎีการเรียนรู้เชิงสถิติ นิวยอร์ก : จอห์นนิ่งและบุตรชาย Inc , 2541 [ 10 ] เค ชาน t.w.lee และ p.a.sample et al . " การเปรียบเทียบขั้นตอนวิธีสำหรับการตรวจหาแทบในการขออนุมัติ " ในวิศวกรรมชีวการแพทย์ vol.50 2002 อีอีอีธุรกรรม pp.521 – , 526 .