Yürüyüş analizi, insan bacak hareketinin en yaygın biçimleri olan yürüne veya koşma modellerinin çeşitli yönlerinin analizidir. Görsel, vestibüler, propriyoseptif, kas-iskelet sistemi, kardiyopulmoner, sinir sistemleri vb. Dahil olmak üzere birden fazla vücut sistemi düzgün ve uyumlu bir şekilde çalıştığında normal yürüyüş elde edilir. Herhangi bir sistemin yaralanması veya hastalığı, eklem ve kaslarda semptomlar ve işlev bozukluğu ile anormal yürüyüşe neden olabilir. Bu nedenle yürüme performansının, bireylerin genel sağlık ve fonksiyonel durumunun bir göstergesi ve öngörücüsü olduğu düşünülmektedir.
Yürüme analizi, birçok tıbbi, klinik ve sağlık hizmeti uygulaması için aktif bir araştırma alanıdır. Yürüyüş analizinin geçerliliği ve güvenilirliği, büyük ölçüde kullanılan ölçüm araçlarına bağlıdır. Genel olarak, yüksek kaliteli yürüyüş analizi, gerçek lokomosyon modelinin doğru, ayrıntılı ve kapsamlı uzay-zamansal karakterizasyonunu gerektirir.
Kural Tabanlı Yürüyüş Algılama
Kural tabanlı yürüyül algılama sistemlerinde önce ivmeölçer ve jiroskopun ham ölçümleri karşılaştırılır, ardından kural tabanlı bir yöntem kullanılarak yürüyüş olayları belirlenir. Son olarak yanlış tespit edilen yürüyüş aşamaları tartışılır ve ortadan kaldırılır.
Ham Atalet Ölçümleri
Literatürde yürüyüş tespiti için farklı yöntemler sunulmuştur. Bir anlamda yürüme aşamaları, zamanın ve eylemsizlik ölçümlerinin bir fonksiyonudur. Sırasıyla ivmeölçer ve jiroskop tarafından ölçülen her iki ayağın spesifik kuvvetleri ve açısal hızları ile birlikte temel yürüyüş olayları ve bunların sınırlandırılmış yürüme aşamaları dahil olmak üzere bir ham ölçümler segmenti gösterilmektedir.
Yürüme tespiti , basit ve uygulaması kolay olan ham ölçümlerden veya büyüklüğünden kök ortalama kareden ve hareketli ortalamadan kurala dayalı bir yöntem kullanılarak gerçekleştirilebilir. Ve sonuçlar tipik yürüme için açısal hızın hızlanmadan daha güvenilir olduğunu göstermektedir. Açısal hızlar, özellikle sagital düzlemde Z ekseni etrafındaki açısal hız olmak üzere yürüyüş tespiti için spesifik kuvvetlerden daha belirgin özellikler sağlar. Ayak hareketinin özgüllüğü nedeniyle, bu fenomen için en az iki olası açıklama vardır:
• Açısal hızların büyük önyargıları olmasına rağmen, SNR’leri (sinyal-gürültü oranı) belirli kuvvetlerinkinden daha yüksektir.
• Spesifik kuvvetler, ilk hizalama hatası, yerçekimi bozukluğu ve ivmeölçer sapmasının entegre etkileriyle bozulur.
Önceden Tanımlanmış Kurallarla Yürüyüş Tespiti
Eylemsizlik verilerinden yürüme tespiti kuralları, Vicon sistemi tarafından sağlanan temel gerçeğe göre önceden tanımlanabilir. Genel olarak, algılama sürecine üç tür kural dahil edilebilir, bun kurallar;
• Tepe algılama,
• Düz bölge algılama
• Sıfır geçiş algılama
Duruş aşamasını ele alalım, örneğin, ayağın her yürüyüş döngüsünde duruş aşamasına sallanması ve ardından tekrar sallanana kadar sıfır hız sergilemesi yürüme veya koşma hareketinin doğasıdır. Bu bilgiler, birbirini izleyen duruş aşamalarını belirlemek için düz bölge algılama yöntemiyle etkin bir şekilde kullanılabilir. Dikkatli kural tasarımı ve parametre seçimi ile kurala dayalı yöntemler ilgili tüm olayları uzun bir eylemsiz veri dizisinden tanımlayabilir.
20 m uzunluğunda düz bir yürüyüş için, algılama sonuçları farklı hesaplanabilir. Bununla birlikte ölçümler, özellikle HS ve TO olayları meydana geldiğinde, açısal hızların büyüklüğünde veya kısa vadeli istatistiklerinde anlık dalgalanmalara neden olabilen ve bu nedenle yanlış yürüyüş tespitleriyle sonuçlanabilen bazı ani artışlarla karakterize edilir. Bazı araştırmalarda, ölçüm dalgalanmalarının gereksiz etkisinden kaçınmak için, yani yürüyüş aşamalarının yanlış beyan edilmesi, kesintiye uğratılması veya eksik olması için ham algılama sonuçlarına bir zaman sezgisel yöntemi uygulanır.
Bu, yanlış yürüyüş aşamaları genellikle kısa sürdüğünden, eşikten daha kısa süreli yürüyüş aşamalarını filtrelemek için bir zaman süresi eşiği eklenerek elde edilir. Bununla birlikte, tüm eşikler elle ayarlandığından, türetildikleri yürüyüş verileri için iyi çalışabilir, ancak her bir deneğin bireysel yürüyüşü için geçerli olmayabilir.
Yanlış Yürüyüş Aşamalarının Ortadan Kaldırılması
Her bireyin kendine özgü bir yürüyüş modeli olduğundan, her aşamada harcanan yürüyüş döngüsü yüzdesi literatür kaynakları arasında biraz farklılık gösterir. Literatür araştırmasında, yanlış yürüyüş aşamalarını ortadan kaldırmak için bir zaman süresi eşiğinin nasıl seçileceği, ancak deneysel kanıtlara dayalı olarak nadiren açıkça tartışılmaktadır. Bu nedenle, yürüyüş tespiti için daha sağlam bir yöntem sağlamak için uyarlanabilir bir zaman eşiği gereklidir. Önceki çalışmalarda yapıldığı gibi, doğru ve yanlış yürüyüş aşamalarını zaman sürelerine göre otomatik olarak ayırt etmek eşzamanlı olarak zaman eşiği parametresini vermek için bir kümeleme tekniği kullanılabilir.
Bu senaryoda, küme sayısı bilindiği için, basitlikleri ve verimlilikleri nedeniyle k-ortalama veya k-medyan yöntemleri kullanılabilir. Potansiyel yürüyüş aşamalarının ikili sınıflandırma olarak ele alınır. Bunlar;
• Duruş aşamalarının kümelenmesi
• Salınım aşamalarının kümelenmesi.
Yürüyüş tespiti için birbiriyle ilişkili ve hedeflerine ulaşmak için birlikte çalışan birden fazla parametre vardır. Benimsenen kümeleme tekniği, eşiklerden birini (yani yürüme aşamalarının zaman eşiği) otomatik olarak ayarlamaya ve diğer eşiklerin seçimini daha da kolaylaştırmaya çalışmaktadır. Ancak yine de dikkatli parametre ayarına ihtiyaç vardır. Genel olarak, kurala dayalı yöntemler, dikkatli sensör hizalamasına ve insan yürüyüşünün doğal değişkenliği nedeniyle kırılgan veya uygulanması zor olan bir dizi eşik değerine dayanır.
Dahası, eşikler genellikle elle ayarlanır ve yürüyüş değişikliklerine bakılmaksızın tüm süreçte sabitlenir ve kural tasarlama ve eşik ayarlama sürecinin kendisi sinir bozucu ve zaman alıcıdır. Ayrıca kuruluma yeni sensörler eklenirse veya sensörler yeni konumlara takılırsa, yeni tespit kuralları ve ilişkili eşikler gereklidir. Bu nedenle, uyarlanabilir bir algılama yöntemine açık bir ihtiyaç vardır.
Makine Öğrenimine Dayalı Yürüyüş Algılama
Yukarıda bahsedildiği gibi, yürüyüş tespiti aslında bir patern tanıma problemidir. Gizli Markov modelleri (HMM’ler) örüntü tanıma için yaygın olarak kullanılmaktadır. Hemiplejisi olan ve olmayan çocuklarda yürüyüş tespiti için HMM tabanlı bir yöntem geliştirilmiş ve yürüme olayları gizli durumlar olarak belirlenmiştir. Yürüyüş fazının tespiti ve yürüme-koşu aktiviteleri arasındaki ayrım için HMM’ye dayalı bir sınıflandırıcı uygulanır.
Serebral palsili çocukların yürüyüş aşamalarını saptamak için HMM uygulanmıştır. Bununla birlikte, HMM’ler yüksek boyutlu yürüyüş verileri için daha az uygundur. Genetik algoritmalara (GA’lar) dayanan bir özellik seçimi ve model parametrelendirme sistemi ile zamansal yürüyüş parametrelerini tahmin etmek için bir HMM benimsenmiştir. Beş katmanlı ileri beslemeli sinir ağı (FNN) tarafından sağlanan gözlemlerle yürüyüş aşamalarını saptamak için bir HMM sunulmuştur.
Genel olarak, bu hibrit yöntemler, yüksek boyutlu verilerle uğraşırken saf HMM’lerden daha iyi performansa sahiptir. Mevcut yöntemlerden esinlenerek, önceki çalışmalarda insan yürüyüşünü sol-sağ HMM ile modelleyerek ve ham ölçümlerle başa çıkmak için üç katmanlı bir sinir ağı (NN) kullanarak uyarlanabilir bir hibrit yöntem sunulmuştur.
HMM Tabanlı Yürüyüş Modeli
HMM, durumların doğrudan gözlemlenemediği ayrık ve stokastik Markov sürecini temsil etmek için kullanılan istatistiksel bir modeldir. Üç tipte olabilir;
(a) Ergodik,
(b) Sol-sağ
(c) Paralel sol-sağ
Her seferinde, HMM sadece tek bir durumdadır. Yürüyüş tespiti için yürüyüş olayları veya bunların sınırlandırılmış aşamaları HMM’nin gizli durumlarıdır. Sıralı yürüyüş olayları dizisi ile normal ayak hareketinin periyodik doğası nedeniyle, her durum yalnızca kendisine veya “doğru” duruma geçebilir. Böylece, her yürüyüş fazı bir sol-sağ model kullanılarak HMM’de benzersiz bir durumla temsil edilebilir , burada aijdurum geçiş olasılığıdır. Bu süreç, bir dizi gizli durum ve bir dizi karşılık gelen gözlem sağlar. Her HMM durumu, mevcut yürüyüş olayıyla başlayan ve bir sonraki olaya kadar süren bir yürüyüş aşamasına karşılık gelir.
NN- / HMM tabanlı hibrit yürüyüş modeli
Sıralı gözlemler dizisi ve eğitimli bir HMM verildiğinde, Viterbi algoritması en olası gizli durum dizisini tahmin edebilir. Bununla birlikte, HMM’ler üretken modellerdir, oysa ayrımcı modellerin daha iyi sınıflandırma sonuçları elde etmesi beklenir. Makine öğrenimi tekniklerine dayalı ayrımcı modeller, HMM’lere karşı umut verici alternatifler olarak algılanmaktadır. Genellikle, destek vektör makinesi (SVM), k-en yakın komşu (k-NN) ve sinir ağı (NN) gibi herhangi bir makine öğrenme yöntemi yürüyüş tespiti için kullanılabilir. NN’lerin verimlilik, doğruluk ve hesaplama karmaşıklığı arasında en iyi dengeyi sağlayabildiği bulunmuştur.
NN’ler, doğrusal olmayan girdi kombinasyonlarını otomatik olarak öğrenebilir ve üç katmanlı bir ağ, herhangi bir çok değişkenli polinom fonksiyonuna yaklaşabilir. Bununla birlikte, saf NN’ler, izolasyonda proses girdileriyle sınırlandırılmıştır. Yürüyüş tespiti için hem NN hem de HMM yöntemlerinden yararlanmak için sezgisel bir yol, onları hibrit bir şekilde bir araya getirmektir. NN önce jiroskop ölçümlerini işleyebilir ve sınıflandırmalarıyla HMM için gözlemler sağlayabilir. Her NN girişi, kayan pencere yaklaşımı kullanılarak oluşturulur ve bu nedenle yüksek boyutlu olabilir. HMM, insan yürüyüşünün ardışık özelliğini modelleyebilir ve bağlamsal bilgi sağlayarak NN’yi tamamlayabilir.
Hibrit algılama yönteminin eğitim ve test prosedürlerinin çerçevesini gösterir. NN- / HMM tabanlı hibrit yöntem eğitim için hesaplama açısından karmaşık olsa da, çalışma zamanında hesaplama açısından etkilidir. Dikkatli bir sensör hizalaması veya parametre ayarı gerektirmez ve yeni konulara, yeni yürüyüşlere, yeni sensörlere ve yeni sensör konumlarına iyi genelleşir.
Kaynakça:
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