Yürüyüş analizi, insan bacak hareketinin en yaygın biçimi olan yürüme veya koşma modellerinin farklı yönlerinin analizidir. Görsel, vestibüler, propriyoseptif, kas-iskelet sistemi, kalp ve akciğer, sinir sistemi vb. Birden fazla vücut sistemi düzgün ve uyum içinde çalıştığında normal bir yürüyüş elde edilir. Herhangi bir organın yaralanması veya hastalığı, eklemlerin ve kasların semptomları ve işlev bozukluğu ile anormal yürüyüşe neden olabilir. Bu nedenle yürüme performansının, bireylerin genel sağlık ve fonksiyonel durumlarının bir göstergesi ve yordayıcısı olduğuna inanılmaktadır.
Yürüyüş analizi, birçok tıbbi, klinik ve sağlık uygulamaları için aktif bir araştırma alanıdır. Yürüyüş analizinin geçerliliği ve güvenilirliği büyük ölçüde kullanılan ölçüm araçlarına bağlıdır. Genel olarak, yüksek kaliteli yürüyüş analizi, gerçek bir hareket modelinin doğru, ayrıntılı ve kapsamlı bir uzay-zamansal karakterizasyonunu gerektirir.
Kural tabanlı yürüyüş algılama
Kural tabanlı yürüme algılama sistemlerinde, önce ivmeölçer ve jiroskopun ilk ölçümleri karşılaştırılır ve ardından kural tabanlı bir yöntem kullanılarak yürüme olayları belirlenir. Son olarak, yanlış tanımlanmış yürüyüş aşamaları tartışılır ve kaldırılır.
ham atalet ölçümleri
Literatürde yürüyüşü tespit etmek için çeşitli yöntemler sunulmuştur. Bir anlamda, yürüme aşamaları zamanın ve atalet ölçülerinin bir fonksiyonudur. Sırasıyla ivmeölçer ve jiroskop tarafından ölçülen her iki ayağın belirli kuvvetleri ve açısal hızları ile birlikte ana yürüyüş olayları ve kısıtlı yürüyüş fazları dahil olmak üzere ham ölçümlerin bir kısmı gösterilir.
Yürüme tespiti, basit ve uygulaması kolay olan, ham ölçümlerden veya kök ortalama kare boyutundan ve hareketli ortalamadan kurallara dayalı bir yöntem kullanılarak yapılabilir. Sonuçlar, tipik yürüyüş için açısal hızın ivmeden daha güvenilir olduğunu gösterdi. Açısal hızlar, özellikle sagittal düzlemde Z ekseni etrafındaki açısal hız olmak üzere yürüyüş tespiti için belirli kuvvetlerden daha spesifik özellikler sağlar. Ayak hareketlerinin özelliği nedeniyle, bu fenomen için en az iki olası açıklama vardır:
• Açısal hızların önemli sapmaları olmasına rağmen, SNR (sinyal-gürültü oranı) belirli kuvvetlerden daha yüksektir.
• Belirli kuvvetler, başlangıçtaki yanlış hizalama, yerçekimi pertürbasyonu ve ivmeölçer sapmasının birleşik etkileriyle bozulur.
Önceden tanımlanmış kurallarla yürüyüş algılama
Atalet verilerinden, yürüyüş algılama kuralları, Vicon sistemi tarafından sağlanan yer gerçeğine göre önceden tanımlanabilir. Genel olarak, açıklama sürecine üç tür kural dahil edilebilir: Bunlar;
zirve keşif,
Düz alan tespiti
• Sıfır geçiş tespiti
Örneğin, ayakta durma aşamasını ele alalım, her yürüyüş döngüsünde ayağı sallayarak durma aşamasına geçmek ve ardından tekrar sallanana kadar sıfır hız sergilemek yürüme veya koşma hareketinin doğasında vardır. Bu bilgi, ardışık durakları belirlemek için düz alan algılama yöntemiyle birlikte etkili bir şekilde kullanılabilir. Kuralların dikkatli bir şekilde tasarlanması ve parametrelerin seçilmesi yoluyla, kural tabanlı yöntemler, uzun bir atalet verisi dizisinden ilgili tüm olayları tanımlayabilir.
20 metrelik bir düzlük için lekelenme sonuçları farklı hesaplanabilir. Bununla birlikte, ölçümlerin, özellikle açısal hızların büyüklüğünde veya kısa vadeli istatistiklerinde geçici dalgalanmalara neden olabilen ve dolayısıyla yanlış yürüyüş tespitlerine yol açabilen HS ve TO olayları meydana geldiğinde bazı avantajları vardır. Bazı çalışmalarda, ölçüm dalgalanmalarının, yani bozulma, kesinti veya yürüme fazlarının kaybı gibi aşırı etkilerinden kaçınmak için ilk tespit sonuçlarına zamansal çıkarım uygulanır.
Bu, yanlış yürüme fazları genellikle kısa süreli olduğundan, eşikten daha kısa yürüme fazlarını filtrelemek için bir zaman süresi sınırı ekleyerek elde edilir. Bununla birlikte, tüm eşikler manuel olarak ayarlandığından, elde edildikleri yürüyüş verileri için iyi çalışabilirler, ancak her deneğin bireysel yürüyüşü için geçerli olmayabilirler.
Yanlış yürüme aşamalarını ortadan kaldırın
Her bireyin benzersiz bir yürüyüş şekli olduğundan, her aşamada harcanan yürüyüş döngülerinin yüzdesi literatür kaynakları arasında biraz farklılık gösterir. Yanlış yürüme aşamalarını ortadan kaldırmak için bir zaman sınırının nasıl seçileceği literatür araştırmasında nadiren açıkça tartışılır, ancak ampirik kanıtlara dayanır. Bu nedenle, yürüme tespiti için daha sağlam bir yöntem sağlamak için uyarlanabilir bir zaman sınırı gereklidir. Önceki çalışmalarda yapıldığı gibi, kümeleme tekniği, aynı zamanda zaman sınırı parametresi verildiğinde, doğru ve yanlış yürüyüş aşamalarını zaman sürelerine göre otomatik olarak ayırt etmek için kullanılabilir.
Bu senaryoda, grup sayısı bilindiğinden, basitliği ve etkinliği nedeniyle k-ortalamalar veya k-medyan yöntemleri kullanılabilir. Olası yürüyüş aşamalarının ikili bir sınıflandırması olarak ele alınır. bunlar;
• Pozisyon aşamalarının derlenmesi
• Sürüm aşamalarının derlenmesi.
Birkaç yürüyüş algılama parametresi birbiriyle ilişkilidir ve hedeflerine ulaşmak için birlikte çalışır. Kümeleme tekniği, eşiklerden birini (yani yürüme fazları için zaman sınırı) otomatik olarak ayarlama ve diğer eşiklerin seçimini daha da kolaylaştırma girişimlerini benimsemiştir. Bununla birlikte, parametrelerin dikkatli bir şekilde ayarlanması hala gereklidir. Genel olarak kural tabanlı yaklaşımlar, hassas sensör hizalamasına ve insan yürüyüşünün doğal değişkenliği nedeniyle kırılgan veya uygulanması zor olan bir dizi eşik değerine dayanır.
Ayrıca, eşikler genellikle yürüme değişikliklerine bakılmaksızın tüm süreç boyunca manuel olarak ayarlanır ve sabitlenir ve kuralları tasarlama ve eşikleri belirleme sürecinin kendisi sinir bozucu ve zaman alıcıdır. Ayrıca, kuruluma yeni sensörler eklenirse veya yeni konumlara kurulursa, yeni algılama kuralları ve ilgili eşikler gerekir. Bu nedenle, uyarlanabilir bir tespit yöntemine açık bir ihtiyaç vardır.
Makine öğrenimine dayalı yürüyüş algılama
Yukarıda bahsedildiği gibi, yürüyüş tespiti öncelikle bir örüntü tanıma problemidir. Gizli Markov modelleri (HMM’ler), örüntü tanıma için yaygın olarak kullanılmaktadır. Paraplejisi olan ve olmayan çocuklarda yürüyüşü saptamak için HMM tabanlı bir yöntem geliştirildi ve yürüme olayları altta yatan koşullar olarak tanımlandı. Yürüyüş fazını tespit etmek ve yürüme ile koşma aktivitelerini birbirinden ayırmak için HMM tabanlı bir sınıflandırıcı uygulanır.
Serebral palsili çocukların yürüme evrelerini belirlemek için HMM uygulandı. Bununla birlikte, HMM’ler yüksek boyutlu yürüyüş verileri için daha az uygundur. HMM, özellik seçimi ve genetik algoritmalara (GA’lar) dayalı model parametreleştirme sistemi aracılığıyla geçici yürüyüş parametrelerini tahmin etmek için benimsenmiştir. Yürüyüş fazı tespiti için bir HMM, beş katmanlı aşamalı sinir ağı (FNN) tarafından sağlanan geri bildirimle sunulur.
Genel olarak, bu hibrit yöntemler, yüksek boyutlu verilerle uğraşırken saf HMM’lerden daha iyi performansa sahiptir. Mevcut yöntemlerden esinlenerek, önceki çalışmalarda soldan sağa HMM ile insan yürüyüşünü modelleyerek ve ham ölçümleri işlemek için üç katmanlı bir sinir ağı (NN) kullanarak uyarlanabilir bir hibrit yöntem sunulmuştur.
HMM tabanlı yürüyüş modeli
HMM, durumların doğrudan gözlemlenemediği ayrı, rastgele bir Markov sürecini temsil etmek için kullanılan istatistiksel bir modeldir. Üç tip olabilir;
(a) ergodik,
(b) sol ve sağ
(c) Paralel sol-sağ
Bir seferde, HMM yalnızca bir durumdadır. Yürüyüş tespiti için yürüyüş olayları veya bunların kısıtlı aşamaları HMM gizli durumlarıdır. Ayağın doğal hareketinin döngüsel doğası ve birbirini takip eden yürüme olayları dizisi nedeniyle, her durum basitçe kendisini veya “doğru” duruma dönüşebilir. Böylece, her yürüme fazı, aijdurumun geçiş olasılığı olduğu bir sol-sağ modeli kullanılarak HMM’de benzersiz bir durumla temsil edilebilir. Bu işlem, bir dizi gizli durum ve bir dizi karşılık gelen not sağlar. Her HMM durumu, geçerli yürüyen olayla başlayan ve bir sonraki olaya kadar devam eden bir yürüyüş aşamasına karşılık gelir.
NN/HMM’ye dayalı hibrit bir yürüyüş modeli
Sıralı bir dizi gözlem ve eğitimli bir HMM verildiğinde, Viterbi algoritması en olası gizli durumlar kümesini tahmin edebilir. Bununla birlikte, HMM modelleri üretkenken, ayrımcı modellerin daha iyi sınıflandırma sonuçları vermesi beklenir. Makine öğrenimi tekniklerine dayalı ayrımcı modeller, HMM modellerine umut verici alternatifler olarak görülüyor. Genel olarak, yürüme tespiti için destek vektör makinesi (SVM), k-en yakın komşu (k-NN) ve sinir ağı (NN) gibi herhangi bir makine öğrenme yöntemi kullanılabilir. Yapay sinir ağlarının verimlilik, doğruluk ve hesaplama karmaşıklığı arasındaki en iyi dengeyi sağlayabildiği bulunmuştur.
NN’ler, doğrusal olmayan girdi kümelerini otomatik olarak öğrenebilir ve üç katmanlı bir ağ, herhangi bir çok değişkenli çok değişkenli işleve yaklaşabilir. Bununla birlikte, saf yapay sinir ağları, girdileri tek başına işlemekle sınırlıdır. Yürüyüş tespiti için hem NN hem de HMM yöntemlerinden yararlanmanın sezgisel bir yolu, bunları hibrit bir şekilde birleştirmektir. NN, önce jiroskop ölçümlerini işleyebilir ve sınıflandırmasıyla birlikte HMM’ye geri bildirim sağlayabilir. Her bir NN girişi, kayan pencere yaklaşımı kullanılarak oluşturulur ve bu nedenle oldukça boyutlu olabilir. HMM, insan yürüyüşünün sıra özelliğini modelleyebilir ve bağlamsal bilgi sağlayarak YSA’yı tamamlayabilir.
Hibrit algılama yöntemi için eğitim ve test prosedürleri çerçevesini gösterir. NN/HMM tabanlı hibrit yöntemin eğitilmesi hesaplama açısından karmaşık olsa da çalışma zamanında hesaplama açısından verimlidir. Hassas sensör hizalaması veya parametre değişikliği gerektirmez ve yeni nesnelere, yeni yürüyüşlere, yeni sensörlere ve yeni sensör konumlarına iyi genelleme yapar.
kaynak:
https://www.mdpi.com/1424-8220/17/12/2735/pdf
https://www.diva-portal.org/smash/get/diva2:1344101/FULLTEXT01.pdf
yazar: Özlem Güvenç Ağaoğlu
Diğer gönderilerimize göz at
[wpcin-random-posts]
İlk Yorumu Siz Yapın