were applied separately to make a c

were applied separately to make a comparison. Further, to assess the effect of the gait features obtained on the classification performance, we trained a SVM classifier on the gait classification task. The selection of kernel function K( ) x, y is very important in SVM because it defines the nature of the decision surface that separate gait data. Here, we used the following kernels functions: (1) Linear: ( ) i j i j K x , x = x ⋅ x . (2) Polynomial (Poly): ( )( ) ( )d i j i j K x , x = x ⋅ x +1 , where d is the polynomial’s degree. (3) Gaussian radial basis function (RBF): ( ) ⎟ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎜ ⎝ ⎛ − = 2 2 2 , exp σ i j i j x x K x x , where σ is the width of RBF function The detailed training procedure of gait classification was as follows: firstly, we constructed an initial training set, that is, initialization of the training set or samples, and optimization of parameter such as regularization parameter C of SVM, the number of neighboring points k and the number of feature dimensionality n selected of ISOMAP and the kernel parameter d and σ of SVM. Secondly, we used the crossvalidation method to adjust the optimal parameters k , n , C , d andσ till the best classification performance can be produced. Here, with the small size sample data, cross-validation method was used to evaluate the gait classification performance[2]. Here, we designed a six-fold cross-validation scheme, that is, all 60 subjects’ data were divided into six segments. Each of the six cross-validation test segments contained 5 young and 5 elderly subjects while their respective training segment included the remaining 25 young and 25 elderly. Firstly, 5 out of the 6 segments were used to train and construct the SVM decision surface, and the remaining one was used for testing. Secondly, the above procedures were repeated for 6 times. Finally, the six classification results were averaged to obtain a final performance result. Table Ⅰ presented the optimum results from our experiment. From Table 1, we could see that the combination of ISOMAP with SVM reached the best performance( 88% accuracy), followed by the PCA-SVM and then the original SVM. These results demonstrated that the non-linear gait features obtained by ISOMAP could provide more additional discriminatory information for improving classification performance. Also, we found that three kernel functions used in SVM performed well, suggesting that the type of kernel function of SVM may have a slight effect on the performance of SVM classifier. Besides, in this experiment, because the optimal value of each parameter could vary with different values of other parameters, they must carefully be selected by trial and error method. The optimal parameters selected were presented in TableⅠ. In conclusion, these results demonstrate that ISOMAP-SVM is a robust classifier for gait data. V. DISCUSSION AND CONCLUSION The results of this research suggest that nonlinear gait features obtained by ISOMAP could capture useful information about intrinsic structure of gait data with individuals during walking, and they could be employed to train a machine classifier with learning algorithm to automatically classify human gait patterns with superior generalization performance. In this study, the aim of the application manifold learning algorithm in gait data analysis is to obtain more significant information about human gait change for improving the gait classification performance. In the experiment, we find that ISOMAP algorithm is capable of obtaining more nonlinear gait features, which contain more relevant information about the intrinsic non-linear dynamics of human movement, than PCA. The reason is that PCA only can find a low-dimensional embedding of the gait data points that preserve the all pairs of points distance based on Euclidean in the high-dimensional input space. However, unlike Euclidean distance in PCA, the geodesic distance in ISOMAP algorithm can reflect the actual low-dimensional geometry structure on manifold in gait data, that is, ISOMAP algorithm can discover the intrinsic geometry structure of gait data by preserving geodesic distance on the manifold, in the words, it can find the low-dimensional embedding manifold structure in high-dimensional gait data[7, 8]. As we known, the generalization performance of the SVM classifier depends primarily on the selection or extraction from input variables, that is, the selected or extracted features as the 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:

ใช้แยกต่างหากเพื่อให้สามารถเปรียบเทียบ เพิ่มเติม การประเมินผลของเดินได้รับการปฏิบัติงานการจัดประเภท เรารับการอบรม classifier SVM งานประเภทเดิน การเลือกของเคอร์เนล()ฟังก์ชัน K x, y เป็นสิ่งสำคัญมากใน SVM ได้เนื่องจากกำหนดลักษณะของพื้นผิวการตัดสินใจที่แยกข้อมูลเดิน ที่นี่ เราใช้เมล็ดหน้าที่: เชิงเส้น (1): ()ฉันเจฉันเจ K x, x = x ⋅ x (2) พหุนาม (ลี): ()()() d ฉันเจฉัน j K x, x =⋅ x x + 1, d อยู่ที่องศาของพหุนาม (3) ฟังก์ชันพื้นฐาน gaussian รัศมี (RBF): ()⎟⎟⎟⎠⎞⎜⎜⎜⎝⎛− = 2 2 2 σประสบการณ์ฉันเจฉันเจ x x K x x ที่σคือ ความกว้างของ RBF ฟังก์ชันกระบวนการฝึกอบรมรายละเอียดของการจัดประเภทการเดินมีดังนี้: ประการแรก เราสร้างชุดการฝึกอบรมเริ่มต้น นั่นคือ การเริ่มต้นของชุดฝึกอบรมหรือตัวอย่าง และเพิ่มประสิทธิภาพของพารามิเตอร์เช่นพารามิเตอร์ regularization C ของ SVM จำนวนใกล้เคียงจุด k และจำนวน n dimensionality คุณลักษณะที่เลือก ISOMAP เคอร์เนลพารามิเตอร์ d และσของ SVM ประการที่สอง เราใช้การ crossvalidation วิธีการปรับปรุงเหมาะสมพารามิเตอร์ k, n, C, d andσ จนถึงแบบจัดประเภทสามารถผลิต ที่นี่ ข้อมูลตัวอย่างขนาดเล็ก วิธีการตรวจสอบระหว่างใช้เพื่อประเมินประสิทธิภาพการจัดประเภทการเดิน [2] ที่นี่ ที่เราออกแบบแผนการตรวจสอบข้าม six-fold คือ 60 ชื่อเรื่องทั้งหมดของข้อมูลถูกแบ่งออกเป็นหกส่วน ทดสอบตรวจสอบข้ามเซ็กเมนต์ 6 แห่งประกอบด้วย 5 หนุ่ม และ 5 ผู้สูงอายุเรื่องในขณะที่ส่วนการฝึกอบรมที่เกี่ยวข้องรวม 25 เหลือเด็กและผู้สูงอายุ 25 ประการแรก 5 ออกจากเซ็กเมนต์ 6 ใช้ในการฝึก และสร้างพื้นผิว SVM ตัดสินใจ และหนึ่งที่เหลือใช้สำหรับการทดสอบ ประการที่สอง ขั้นตอนข้างต้นถูกซ้ำ 6 ครั้ง สุดท้าย ผลลัพธ์ประเภทหกถูก averaged รับผลลัพธ์ประสิทธิภาพขั้นสุดท้าย ตารางแสดงผลที่เหมาะสมจากการทดลองของเราⅠ จากตารางที่ 1 เราได้เห็นว่า ชุดของ ISOMAP กับ SVM ถึงที่สุด (88% ความแม่นยำ), ตาม ด้วย PCA SVM และ SVM เดิม ผลเหล่านี้แสดงคุณลักษณะเดินไม่ใช่เชิงเส้นได้ โดย ISOMAP สามารถให้เพิ่มเติมข้อมูลประมงทะเลเพิ่มเติมสำหรับการปรับปรุงประสิทธิภาพของการจัดประเภท เราพบว่า ฟังก์ชันเคอร์เนลสามใช้ SVM ทำดี แนะนำชนิดของฟังก์ชันเคอร์เนลของ SVM อาจมีผลกระทบต่อประสิทธิภาพของ SVM classifier มีเล็กน้อยเช่นกัน นอกจาก ในการทดลองนี้ เนื่องจากค่าสูงสุดของแต่ละพารามิเตอร์อาจแตกต่างกัน มีค่าแตกต่างกันของพารามิเตอร์อื่น ๆ พวกเขาต้องระมัดระวังเลือก โดยวิธีลองผิดลองถูก พารามิเตอร์เหมาะสมที่เลือกถูกนำเสนอใน TableⅠ เบียดเบียน ผลลัพธ์เหล่านี้แสดงว่า ISOMAP SVM classifier แข็งแกร่งเดินข้อมูล V. อภิปรายและสรุปผลการวิจัยนี้แนะนำว่า คุณลักษณะเดินไม่เชิงเส้นได้ โดย ISOMAP สามารถเก็บข้อมูลที่เป็นประโยชน์เกี่ยวกับโครงสร้างข้อมูลเดิน intrinsic มีบุคคลในระหว่างการเดิน และสามารถทำงานได้ฝึก classifier เครื่องเรียนรู้อัลกอริทึมในการจัดประเภทรูปแบบเดินมนุษย์ มีประสิทธิภาพเหนือกว่า generalization โดยอัตโนมัติ ในการศึกษานี้ จุดมุ่งหมายของอเนกสมัครเรียนอัลกอริทึมในการวิเคราะห์ข้อมูลการเดินจะได้รับข้อมูลสำคัญเพิ่มเติมเกี่ยวกับเดินมนุษย์เปลี่ยนแปลงปรับปรุงประสิทธิภาพการทำงานการจัดประเภทการเดิน ในการทดลอง เราพบว่าอัลกอริทึม ISOMAP สามารถรับคุณลักษณะเพิ่มเติมเดินไม่เชิงเส้น ซึ่งประกอบด้วยข้อมูลเกี่ยวข้องเกี่ยวกับ dynamics ไม่เชิง intrinsic ของมนุษย์เคลื่อนไหว กว่า PCA เหตุผลคือ ว่า PCA สามารถค้นหาที่ฝังตัวต่ำมิติของจุดข้อมูลเดินที่รักษาคู่ทั้งหมดของจุดพักตาม Euclidean ในพื้นที่ป้อนค่ามิติสูง อย่างไรก็ตาม ซึ่งแตกต่างจากแบบยุคลิดใน PCA ระยะทาง geodesic ในอัลกอริทึม ISOMAP สามารถสะท้อนโครงสร้างเรขาคณิตมิติต่ำจริงบนมากมายในข้อมูลเดิน คือ ISOMAP อัลกอริทึมสามารถค้นพบโครงสร้างเรขาคณิต intrinsic ข้อมูลเดิน โดยรักษาระยะห่าง geodesic บนมากมาย ในคำ สามารถค้นหาโครงสร้างความหลากหลายนับ embedding ต่ำมิติในมิติสูงเดินข้อมูล [7, 8] เป็นเรารู้จัก ประสิทธิภาพ generalization ของ SVM classifier นั้นเป็นหลักในการเลือกหรือแยกจากตัวแปรอินพุต คือ คุณลักษณะที่เลือก หรือแยกเป็นการเปลี่ยนแปลงเชิงเส้นของการเคลื่อนไหวของมนุษย์ 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:

ถูกนำไปใช้แยกต่างหากที่จะทำให้การเปรียบเทียบ นอกจากนี้ในการประเมินผลของคุณสมบัติการเดินที่ได้รับผลการดำเนินงานการจัดหมวดหมู่ที่เราได้รับการฝึกฝนลักษณนาม SVM ในงานการจัดหมวดหมู่การเดิน การเลือกฟังก์ชั่นเคอร์เนล K () x, y เป็นสิ่งที่สำคัญมากในการ SVM เพราะมันกำหนดลักษณะของพื้นผิวการตัดสินใจว่าข้อมูลการเดินแยก ที่นี่เราใช้ฟังก์ชั่นเมล็ดต่อไปนี้: (1) เชิงเส้น () ijij K x, x = x x ⋅ (2) พหุนาม (โพลี): () () () dijij K x, x = x ⋅ x 1, d เป็นระดับพหุนามของ (3) ฟังก์ชั่นเสียนพื้นฐานรัศมี (RBF): () ⎟⎟⎟⎠⎞⎜⎜⎜⎝⎛ - = 2 2 2, ประสบการณ์σ ijijxx K XX ที่σคือความกว้างของฟังก์ชั่น RBF ที่ขั้นตอนการฝึกอบรมรายละเอียดของการจัดหมวดหมู่การเดิน เป็นดังต่อไปนี้ประการแรกเราสร้างชุดฝึกอบรมครั้งแรกนั่นคือการเริ่มต้นของชุดการฝึกอบรมหรือตัวอย่างและการเพิ่มประสิทธิภาพของพารามิเตอร์เช่น regularization พารามิเตอร์ C ของ SVM จำนวนจุดที่ใกล้เคียง k และจำนวนมิติคุณลักษณะ n เลือก ของ ISOMAP และเคอร์เนลพารามิเตอร์ d และσของ SVM ประการที่สองเราใช้วิธีการ crossvalidation เพื่อปรับค่าพารามิเตอร์ที่เหมาะสม k, n, c, d andσจนผลการดำเนินงานการจัดหมวดหมู่ที่ดีที่สุดที่สามารถผลิตได้ ที่นี่มีข้อมูลตัวอย่างขนาดเล็กวิธีการตรวจสอบข้ามถูกนำมาใช้ในการประเมินผลการปฏิบัติงานการจัดหมวดหมู่การเดิน [2] ที่นี่เราออกแบบหกเท่าโครงการข้ามการตรวจสอบที่เป็นทั้งหมด 60 ข้อมูลอาสาสมัครถูกแบ่งออกเป็นหกส่วน แต่ละหกข้ามการตรวจสอบส่วนการทดสอบที่มีอยู่ 5 หนุ่มสาวและผู้สูงอายุ 5 วิชาในขณะที่ส่วนของการฝึกอบรมของตนรวมถึงส่วนที่เหลืออีก 25 คนหนุ่มสาวและผู้สูงอายุ 25 ประการแรก 5 จาก 6 ส่วนถูกนำมาใช้ในการฝึกอบรมและสร้างพื้นผิวการตัดสินใจ SVM และที่เหลือถูกนำมาใช้สำหรับการทดสอบ ประการที่สองขั้นตอนข้างต้นซ้ำ 6 ครั้ง ในที่สุดผลการจัดหมวดหมู่หกถูกเฉลี่ยที่จะได้รับผลการปฏิบัติงานขั้นสุดท้าย ตารางⅠนำเสนอผลลัพธ์ที่ดีที่สุดจากการทดลองของเรา จากตารางที่ 1 เราจะได้เห็นว่าการรวมกันของ ISOMAP กับ SVM ถึงประสิทธิภาพที่ดีที่สุด (ความถูกต้อง 88%) ตามด้วย PCA-SVM แล้วเดิม SVM ผลการศึกษานี้แสดงให้เห็นว่าคุณสมบัติการเดินที่ไม่ใช่เชิงเส้นที่ได้จากการ ISOMAP สามารถให้ข้อมูลเพิ่มเติมพินิจพิเคราะห์มากขึ้นสำหรับการปรับปรุงประสิทธิภาพการจัดหมวดหมู่ นอกจากนี้เรายังพบว่าสามฟังก์ชั่นที่ใช้ในการเคอร์เนล SVM ดีบอกว่าชนิดของฟังก์ชันเคอร์เนลของ SVM อาจมีผลกระทบเล็กน้อยต่อประสิทธิภาพการทำงานของลักษณนาม SVM นอกจากนี้ในการทดลองนี้เพราะค่าที่ดีที่สุดของแต่ละพารามิเตอร์อาจแตกต่างกันที่มีค่าที่แตกต่างกันของพารามิเตอร์อื่น ๆ พวกเขาอย่างระมัดระวังจะต้องเลือกโดยการทดลองและวิธีการผิดพลาด พารามิเตอร์ที่ดีที่สุดที่เลือกได้ถูกนำเสนอในTableⅠ สรุปได้ว่าผลลัพธ์เหล่านี้แสดงให้เห็นว่า ISOMAP-SVM เป็นลักษณนามที่มีประสิทธิภาพสำหรับข้อมูลการเดิน โวลต์คำอธิบายและการสรุปผลการวิจัยครั้งนี้ชี้ให้เห็นว่าการเดินไม่เชิงเส้นคุณสมบัติที่ได้รับจาก ISOMAP สามารถจับภาพข้อมูลที่เป็นประโยชน์เกี่ยวกับโครงสร้างที่แท้จริงของข้อมูลการเดินกับบุคคลในระหว่างการเดินและพวกเขาจะได้รับการว่าจ้างในการฝึกอบรมลักษณนามเครื่องที่มีขั้นตอนวิธีการเรียนรู้โดยอัตโนมัติจำแนกมนุษย์ รูปแบบการเดินกับประสิทธิภาพการทำงานที่เหนือกว่าทั่วไป ในการศึกษานี้จุดมุ่งหมายของการประยุกต์ใช้หลายขั้นตอนวิธีการเรียนรู้ในการวิเคราะห์ข้อมูลการเดินคือการได้รับข้อมูลที่สำคัญเกี่ยวกับการเปลี่ยนแปลงการเดินของมนุษย์สำหรับการปรับปรุงประสิทธิภาพการจัดหมวดหมู่การเดิน ในการทดลองที่เราพบว่าอัลกอริทึม ISOMAP มีความสามารถในการได้รับคุณสมบัติที่เดินไม่เชิงเส้นมากขึ้นซึ่งมีข้อมูลที่เกี่ยวข้องมากขึ้นเกี่ยวกับการเปลี่ยนแปลงที่ไม่ใช่เชิงเส้นที่แท้จริงของการเคลื่อนไหวของมนุษย์กว่า PCA เหตุผลก็คือว่า PCA สามารถหาฝังต่ำมิติของจุดข้อมูลการเดินที่รักษาทุกคู่ของระยะทางจุดที่อยู่บนพื้นฐานของยุคลิดในพื้นที่การป้อนข้อมูลสูงมิติ แต่แตกต่างจากระยะทางยุคลิดใน PCA ระยะทางเนื้อที่ในขั้นตอนวิธี ISOMAP สามารถสะท้อนให้เห็นถึงโครงสร้างเรขาคณิตต่ำมิติที่เกิดขึ้นจริงในท่อร่วมในข้อมูลการเดินที่เป็นอัลกอริทึม ISOMAP สามารถค้นพบโครงสร้างรูปทรงเรขาคณิตที่แท้จริงของข้อมูลการเดินโดยรักษาระยะเนื้อที่ในนานา ในคำพูดก็สามารถหาโครงสร้างท่อฝังต่ำมิติในข้อมูลการเดินมิติสูง [7, 8] ในฐานะที่เราเป็นที่รู้จักในผลการดำเนินงานทั่วไปของลักษณนาม SVM ขึ้นอยู่กับหลักในการเลือกหรือการสกัดจากตัวแปรที่เป็นคุณสมบัติที่เลือกหรือสกัดเป็นพลวัตเชิงเส้นของการเคลื่อนไหวของมนุษย์ แต่ละเรื่องก็ขอให้เดินบนทางเดินห้องปฏิบัติการตรงประมาณ 10 เมตรที่ก้าวพิจารณาตัวเอง เมื่อเท้าเหยียบกลางของแรงวัดความเครียดแพลตฟอร์มที่ฝังอยู่ในทางเดินของแรงปฏิกิริยาเท้าพื้นดิน (GRF) ถูกบันทึกไว้ในระหว่างการเดินเท้า นี่ความถี่ถูกกำหนดถึง 400 เฮิร์ตซ์ เพื่อหลีกเลี่ยงความแตกต่างของแต่ละบุคคลที่มีกองกำลังที่ได้มาและการเกิดขึ้นของเวลาที่สอดคล้องกันได้ปกติโดยน้ำหนักวิชาและโดยรอบการเดินตามลำดับ ดังนั้นเราจึงสามารถเป็นตัวแทนของรูปแบบการเดินเป็น 101 ขนาดเวกเตอร์โดยการสุ่มตัวอย่างในแต่ละ 1% ในระยะเวลาท่าทางปกติ นี่คือข้อมูล GRF เดินแนวตั้งดังแสดงในรูปที่ 1 ได้รับเลือกในการวิเคราะห์ รูปที่ 1. กองกำลังปฏิกิริยาเท้าพื้นดินตามแนวตั้งในระหว่างขั้นตอนการท่าทางปกติท​​ี่สาม 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:

ที่ใช้แยกต่างหากเพื่อให้เปรียบเทียบ เพิ่มเติม เพื่อศึกษาผลของการเดินคุณสมบัติที่ได้รับในการปฏิบัติการ ที่เราฝึกการเดินแบบ SVM ในการจำแนกงาน การเลือกฟังก์ชันเคอร์เนล ( K ) x , y เป็นสิ่งสำคัญมากใน SVM เพราะจะกำหนดลักษณะของพื้นผิวที่ตัดสินใจแยกกันเดินข้อมูล ที่นี่เราใช้เคอร์เนลฟังก์ชันต่อไปนี้ :( 1 ) โดยตรง ( ) J . , x , x = x ⋅ x . ( 2 ) พหุนาม ( โพลี ) : ( ) ( ) ( ) D . . , x , x = x ⋅ x 1 , ที่ ดี ของพหุนามองศา ( 3 ) เสียนรัศมีพื้นฐานการทำงาน ( RBF ) : ( ) ⎟⎟⎟⎠⎞⎜⎜⎜⎝⎛− = 2 2 2 , EXP σจิ J X X X X K ที่σคือ ความกว้างของหน้าที่รายละเอียดขั้นตอนของการฝึกการเดิน RBF ได้ดังนี้ ประการแรกเราสร้างชุดฝึกเริ่มต้น นั่นคือ การเริ่มต้นของตัวอย่างชุดฝึกหรือและการเพิ่มประสิทธิภาพของพารามิเตอร์ เช่น ค่า C ของ SVM ผิดกฎหมาย จำนวนใกล้เคียงจุด K และจํานวนคุณลักษณะ dimensionality N เลือก isomap และพารามิเตอร์ของเคอร์เนล และσ SVM . ประการที่สอง เราใช้วิธี crossvalidation ปรับพารามิเตอร์ที่เหมาะสม K , N , CD และσจนถึงการแสดงหมวดหมู่ที่ดีที่สุดสามารถผลิต ที่นี่มีขนาดเล็ก ตัวอย่างข้อมูล วิธีการตรวจสอบข้ามใช้ประเมินการเดินการจำแนกสมรรถนะ [ 2 ] ที่นี่ เราได้ออกแบบหกโฟลดโครงร่างที่เป็นข้อมูลทั้งหมด 60 คน แบ่งเป็น 6 กลุ่ม ' .แต่ละหกข้ามการตรวจสอบทดสอบกลุ่มมีอยู่ 5 หนุ่ม 5 ผู้สูงอายุในขณะที่ตนฝึกส่วนรวมเหลือ 25 25 เด็กและผู้สูงอายุ ประการแรก ที่ 5 จาก 6 กลุ่ม คือ ใช้ในการฝึกและสร้างพื้นผิว SVM การตัดสินใจ และอีกหนึ่งคือการใช้เพื่อการทดสอบ ประการที่สองขั้นตอนข้างต้นซ้ำ 6 ครั้ง ในที่สุด6 หมวดหมู่ผลเฉลี่ยเพื่อให้ได้ผลการปฏิบัติงานครั้งสุดท้าย ตารางⅠนำเสนอผลลัพธ์สูงสุดจากการทดลองของเรา จากตารางที่ 1 จะเห็นได้ว่า การรวมกันของ isomap กับ SVM ถึงประสิทธิภาพที่ดีที่สุด ( ความแม่นยำ 88% ) ตามด้วย pca-svm แล้ว SVM ต้นฉบับผลลัพธ์เหล่านี้แสดงให้เห็นว่า เดินแบบได้ โดยมีการ isomap สามารถให้ข้อมูลเพิ่มเติมเพิ่มเติมสำหรับการปรับปรุงประสิทธิภาพของการจำแนกประเภท นอกจากนี้เราพบว่าสามเคอร์เนลฟังก์ชันที่ใช้ใน SVM ปฏิบัติดี แนะนำว่า ประเภทของเคอร์เนลฟังก์ชันของ SVM อาจมีผลต่อประสิทธิภาพของ SVM ลักษณนาม นอกจากนี้ ในการทดลองนี้เพราะค่าพารามิเตอร์ที่เหมาะสมของแต่ละคนอาจแตกต่างกันกับค่าพารามิเตอร์อื่น ๆที่แตกต่างกันของพวกเขาอย่างระมัดระวังจะถูกเลือกโดยวิธีลองผิดลองถูก . พารามิเตอร์ที่เหมาะสมที่ถูกเสนอในโต๊ะⅠ . สรุป ผลเหล่านี้แสดงให้เห็นว่า isomap-svm ที่มีประสิทธิภาพการจำแนกข้อมูลการเดิน โวลต์ข้อสรุปผลการวิจัยนี้เสนอแนะว่า การเดินเส้นคุณลักษณะได้โดย isomap สามารถจับข้อมูลเกี่ยวกับโครงสร้างของข้อมูลภายในของบุคคล ระหว่างการเดินมีประโยชน์และพวกเขาอาจจะใช้อัลกอริทึมการเรียนรู้แบบฝึกด้วยเครื่องอัตโนมัติจำแนกรูปแบบการเดินของมนุษย์กับสมรรถนะการ superiorในการศึกษานี้ จุดมุ่งหมายของการใช้อัลกอริทึมการเรียนรู้มากมายในการวิเคราะห์ข้อมูลการเดินทางเพื่อให้ได้ข้อมูลเพิ่มเติมเกี่ยวกับการเดินของมนุษย์เปลี่ยนแปลงเพื่อปรับปรุงการเดินการจำแนกผลการปฏิบัติงาน ในการทดลองพบว่าขั้นตอนวิธี isomap สามารถได้รับคุณสมบัติการเดินเส้นเพิ่มเติมซึ่งประกอบด้วยข้อมูลเพิ่มเติมเกี่ยวกับภายในที่เกี่ยวข้องพลศาสตร์ไม่เชิงเส้นของการเคลื่อนไหวของมนุษย์มากกว่า PCA . เหตุผลก็คือว่าระบบเท่านั้นสามารถหาต่ำ มิติของข้อมูลจุดที่ฝังเดินรักษาระยะห่างจากคู่ของจุดใช้ในพื้นที่เข้า - สูงขนาด . แต่แตกต่างระยะทางแบบยุคลิดใน PCAระยะทางที่จีโอเดสิกในขั้นตอนวิธี isomap สามารถที่แท้จริงต่ำมิติเรขาคณิตโครงสร้างข้อมูลมากมายในการเดิน นั่นคือวิธี isomap สามารถค้นพบภายในเรขาคณิตโครงสร้างของข้อมูลโดยการรักษาระยะห่างในการเดิน geodesic อเนกในคำพูด มันสามารถหาต่ำ - สูงขนาดข้อมูลในมิติการฝังท่อโครงสร้างการเดิน [ 7 , 8 ] . เรารู้จักโดยทั่วไปประสิทธิภาพของ SVM ลักษณนามขึ้นอยู่กับหลักในการเลือกหรือการสกัดจากตัวแปรอินพุต คือ เลือกหรือคุณสมบัติที่เป็นพลวัตเชิงเส้นของการเคลื่อนไหวของมนุษย์ แต่ละเรื่องก็ให้เดินตรงทาง ทางเดิน ประมาณ 10 เมตร ที่ตนเองกำหนดจังหวะเมื่อเท้าเหยียบกลางวัดความเครียดแรงฝังตัวแพลตฟอร์มในทางเดินเท้าแรงปฏิกิริยา จากพื้น ( grf ) ถูกบันทึกไว้ในระหว่างเดิน ที่นี่การสุ่มตัวอย่างความถี่ตั้ง 400 เฮิรตซ์ เพื่อหลีกเลี่ยงความแตกต่างของแต่ละบุคคล , รับแรงและการเกิดของเวลาที่สอดคล้องกันของพวกเขาเป็นปกติ โดยวิชาที่ น้ำหนัก และ โดยการเดินรอบ ตามลำดับ ดังนั้นเราสามารถแสดงรูปแบบการเดินเป็นเวกเตอร์ 101 ขนาด โดยการสุ่มตัวอย่างในแต่ละ 1 % ในเวลาปกติระยะยืน ที่นี่ , แนวตั้ง grf ของข้อมูลที่แสดงใน”มีวัตถุประสงค์เพื่อทำการวิเคราะห์ รูปที่ 1 เท้าและแรงปฏิกิริยา จากพื้นตามทิศทางตามแนวตั้งในรูปท่าทางเฟส IIIอเนกอัลกอริทึมการเรียนรู้เชิงคุณลักษณะการสกัดเพื่อให้ได้งานอย่างต่ำ มิติที่เกี่ยวข้องกับการทำงานของมนุษย์ การฝังเข้าในสูง - มิติอวกาศ ขั้นตอนวิธีการเรียนรู้มากมายถูกนำมาใช้เพื่อการลด dimensionality . ปัจจุบันมีสามปกติท่อฝัง dimensionality : isomap ขั้นตอนวิธีการ ,ภายในเชิงเส้นการฝังตัว ( ที่ไหน ) Laplacian eigenmaps ( เลอ ) ในการศึกษานี้ได้พิจารณาการใช้ประสิทธิภาพของความสัมพันธ์ระหว่างตัวแปรของโลกทั้งหมด เราเลือก isomap ขั้นตอนวิธีการดําเนินการลด dimensionality สำหรับการค้นพบที่แท้จริงของตัวเส้นโครงสร้างของการวิเคราะห์การเดินของข้อมูลขั้นตอนวิธี isomap เป็นกรอบทางเรขาคณิตเชิง dimensionality ทั่วโลกลดลง และมันมีประสิทธิภาพสามารถใช้วัดระยะห่างและขนาดมิติ geodesic คลาสสิก ( MDS ) เทคนิคในการค้นหาเรขาคณิตที่แท้จริงของข้อมูล ( เช่นมิติการฝังตัวในพื้นที่สัญญาณน้อย highdimensional ) ในขั้นตอนวิธีที่จีโอเดสิกอเนกระยะทางระหว่างคู่จุดข้อมูลที่สามารถรับได้โดยการสร้างกราฟและระยะทาง geodesic สามารถประมาณได้โดยการหาเส้นทางที่สั้นที่สุดในกราฟการเป็นตัวแทนของมากมาย ที่นี่เราตอนแรกตั้งใจใกล้เคียงจุด โดย euelidean ระยะทาง D ) J ( X , ระหว่าง pointsi พล J ในการเดินข้อมูลพื้นที่ Xแล้วเราจะได้รับใกล้เคียงความสัมพันธ์โดยการเลือก K ใกล้เคียงจุด ดังนั้นเราจึงสามารถสร้างกราฟถ่วงน้ำหนักกรัม ขอบเชื่อมต่อจุดใกล้เคียงอเนก M . ขั้นต่อไป เราสามารถประมาณการ geodesic ระยะทาง D ( J ) M , โดยการหาเส้นทางสั้นที่สุด D ( ) J G ระหว่างคู่ของจุดในการสร้างกราฟ ในที่สุดเราสามารถใช้กราฟระยะทาง D ( ) J G แทนระยะทางใน MDS และเราสามารถหาต่ำ มิติการฝังโดยการลดค่าใช้จ่ายในการทำงานดังต่อไปนี้ : ( ) ( ) และ DG DY = τ−τ ( 1 ) ที่τเป็นผู้ประกอบการสำหรับการเพิ่มประสิทธิภาพประสิทธิภาพของกำหนดระยะทางที่เมทริกซ์ D โดยการแปลง ระยะทางของผลิตภัณฑ์ภายในรายละเอียดขั้นตอนของการแก้ปัญหาสำหรับการค้นหาที่มีมิติการฝังตัวสามารถพบได้ใน [ 7 ] 4 . การทดลองและผลหลังจากการเดินเส้นคุณลักษณะที่ได้จากการเดินข้อมูลโดยใช้อัลกอริทึม isomap เพื่อดำเนินการตามขั้นตอนของการลด dimensionality ขั้นตอนวิธีในมาตรา 3 ผลไม่เชิงข้อมูลคุณลักษณะของการเดินสามารถรับได้อย่างง่ายดาย โดยการเปลี่ยนแปลงง่ายสำหรับฉายข้อมูล ในการทดลองนี้เพื่อประเมินความสามารถในการสกัดคุณลักษณะไม่เชิงเส้น ท่าเดิน isomap และการวิเคราะห์องค์ประกอบหลัก ( PCA ) เชิงเส้น