Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi

GÜMÜŞÇÜ, Abdülkadir

Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi

Abdülkadir GÜMÜŞÇÜ (Harran Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği, Şanlıurfa, Türkiye)

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

1 0

Yıl: 2019 Cilt: 31 Sayı: 2 Sayfa Aralığı: 463 - 471 Metin Dili: Türkçe İndeks Tarihi: 26-01-2021

Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi

Öz:

Yürüme, canlıların bilinen en eski aktivitelerinden biridir. Konum değiştirmek amacı ile insanların kas ve kemiksistemlerinin koordineli bir şekilde hareket etmesine yürüme denir. Yürüme biyometrik bir ölçüt olarak kabul edilmektedir. Buyüzden yürüyüş analizi ile kişi tanıma, yaş belirleme, cinsiyet belirleme, nörolojik ve ortopedik hastalık tespiti gibi çalışmalaryapılabilmektedir. Bu çalışmada da giyilebilir yürüyüş analizi sensörü ile kişilerin sınıflandırılmasında sarmal modelli öznitelikseçme yöntemleri kullanılarak daha başarılı sınıflandırma başarı parametrelerinin elde edilmesi amaçlanmıştır. 7’si bayan 9’ubay olmak üzere toplam 16 farklı gönüllü kişinin yürüyüş parametreleri hesaplanarak yürüyüş veri seti oluşturulmuştur. Hergönüllüden 3 kez yürümeleri istenmiş olup toplam 48 yürüyüş ele alınmıştır. Kişi sınıflandırma başarı parametreleri k-en yakınkomşuluk yöntemi kullanılarak hesaplanmış olup birini dışarıda bırak çapraz doğrulama yöntemi ile doğrulanmıştır.Sınıflandırma sonuçları ele alındığında 0,979 doğruluk oranı elde edilmiştir. Sonuçlar sınıflandırma başarı parametreleri vesınıflandırma işlem süresi bakımından incelenmiş olup elde edilen sonuçlar çalışmanın sınıflandırma başarı parametreleri vesınıflandırma işlem süresi bakımından ciddi oranda iyileştirmeler sağladığı gözlemlenmiştir.

Anahtar Kelime:

Improvement of Wearable Gait Analysis Sensor based Human Classification using Feature Selection Algorithms

Öz:

Gait is one of the oldest known activity. It is called gait in the coordinated manner of muscle and bone systems of people with the purpose of changing position. Gait is considered a biometric criterion. Therefore, studies such as human identification, age determination, gender identification, detection of neurological and orthopedic diseases can be done by gait analysis. In this study, it is aimed to obtain more successful classification success parameters by using wrapper model feature selection methods in the human classification with wearable gait analysis sensor. Gait data set was created by calculating the gait parameters of a total of 16 different volunteers including 7 female and 9 male. For each volunteer, 3 different gait parameters were calculated and a total of 48 gait were discussed. Human classification success parameters were calculated by using k-nearest neighborhood method and the results was verified by leave one out cross-validation method. When the classification results are considered, 0.979 accuracy rate was obtained. The results were examined in terms of the classification success parameters and the processing time, the results obtained showed significant improvements in the classification success parameters and the classification process time.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] Yager N, Amin A. Fingerprint classification: a review. Pattern Analysis and Applications 2004; 7(1): 77-93.
[2] Hong L, Wan YF, Jain A. Fingerprint image enhancement: Algorithm and performance evaluation. Ieee Transactions on Pattern Analysis and Machine Intelligence 1998; 20(8): 777-789.
[3] Ma L, Tan TN, Wang YH, Zhang DX. Efficient iris recognition by characterizing key local variations. Ieee Transactions on Image Processing 2004; 133(6): 739-750.
[4] Wildes RP. Iris recognition: An emerging biometric technology. Proceedings of the ieee 1997; 85(9): 1348-1363.
[5] Lee JC. A novel biometric system based on palm vein image. Pattern Recognition Letters 2012; 33(12): 1520-1528.
[6] Wang HG, Yau WY, Suwandy A, Sung E. Person recognition by fusing palmprint and palm vein images based on "Laplacianpalm" representation. Pattern Recognition 2008; 41(5): 1514-1527.
[7] Zhou YB, Kumar A. Human Identification Using Palm-Vein Images. Ieee Transactions on Information Forensics and Security 2011; 6(4): 1259-1274.
[8] Oatis C. Kinesiology: The mechanics and pathomechanics of human movement. Second edition. 2013.
[9] Arivazhagan S, Induja P. Gait Recognition-Based Human Identification and Gender Classification. Proceedings of International Conference on Computer Vision and Image Processing; 2017; pp. 533-544.
[10] Gümüşçü A. Wearable Sensor based Gait Recognition for Human Identification. in International Conference on Multidisciplinary, Science, Engineering and Technology; 25 -27 October 2018; Dubai, United Arab Emirates. pp. 31-33.
[11] Ahmed MH, Sabir AT. Human Gender Classification based on Gait Features using Kinect Sensor. 3rd Ieee International Conference on Cybernetics (Cybconf); 2017; pp. 243-247.
[12] Borras R, Lapedriza A, Igual L. Depth Information in Human Gait Analysis: An Experimental Study on Gender Recognition. Image Analysis and Recognition. 2012; 7325: 98-105.
[13] Lu JW, Wang G, Moulin P. Human Identity and Gender Recognition From Gait Sequences With Arbitrary Walking Directions. Ieee Transactions on Information Forensics and Security 2014; 9(1): 51-61.
[14] Lu JW, Tan YP. Gait-Based Human Age Estimation. Ieee Transactions on Information Forensics and Security 2010; 5(4): 761-770.
[15] Bulut F, Amasyalı MF. Locally adaptive k parameter selection for nearest neighbor classifier: one nearest cluster. Pattern Analysis and Applications 2017; 20(2): 415 - 425.
[16] Schena M, Shalon D, Davis R, Brown P. Quantitative Monitoring of Gene Expression Patterns With a Complementary DNA Microarray. 1995, pp. 467-70.
[17] Yvan Saeys II, Larrañaga P. A review of feature selection techniques in bioinformatics. Bioinformatics 2007; (23)19: 2507-2517.
[18] Çelik C, Bilge HŞ. Ağırlıklandırılmış Koşullu Karşılıklı Bilgi İle Öznitelik Seçimi. Journal of the Faculty of Engineering and Architecture of Gazi University 2015; 30(4).
[19] Gumuscu A, Karadag K, Tenekeci M, Aydilek I. Genetic algorithm based feature selection on diagnosis of Parkinson disease via vocal analysis. 2017 25th Signal Processing and Communications Applications Conference (SIU). 2017. [20] Quinlan JR. C4.5: programs for machine learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc, 1993.
[21] Abdulhay E, Arunkumar N, Narasimhan K, Vellaiappan E, Venkatraman V. Gait and tremor investigation using machine learning techniques for the diagnosis of Parkinson disease. Future Generation Computer Systems. 2018;83:366- 373.
[22] Aich S, Choi K, Pradhan P, Park J, Kim H. A Performance Comparison Based on Machine Learning Approaches to Distinguish Parkinson’s Disease from Alzheimer Disease Using Spatiotemporal Gait signals. Advanced Science Letters. 2018;24(3):2058-2062.
[23] Amboni M, Cozzolino A, Longo K, Picillo M, Barone P. Freezing of gait and executive functions in patients with Parkinson's disease. Movement Disorders. 2008;23(3):395-400.
[24] Boutaayamou M, Demonceau M, Bruls O, Verly JG, Garraux G. Analysis of temporal gait features extracted from accelerometer-based signals during ambulatory walking in Parkinson's disease. Movement Disorders. 2016;31.
[25] Liang Wang, Tieniu Tan, Huazhong Ning, Weiming Hu. Silhouette analysis-based gait recognition for human identification. IEEE Trans Pattern Anal Mach Intell. 2003;25(12):1505-1518.
[26] Zhang D, Wang YH. Gender Recognition Based on Fusion of Face and Multi-view Gait. in Advances in Biometrics vol. 5558, Tistarelli M, Nixon MS. Lecture Notes in Computer Science, 2009, pp. 1010-1018.
[27] Christensen J, LaStayo P, Marcus R et al. Visual knee-kinetic biofeedback technique normalizes gait abnormalities during high-demand mobility after total knee arthroplasty. Knee. 2018;25(1):73-82.
[28] McNair P, Boocock M, Dominick N, Kelly R, Farrington B, Young S. A Comparison of Walking Gait Following Mechanical and Kinematic Alignment in Total Knee Joint Replacement. J Arthroplasty. 2018;33(2):560-564.
[29] Aharonson V, Schlesinger I, McDonald A, Dubowsky S, Korczyn A. A Practical Measurement of Parkinson's Patients Gait Using Simple Walker-Based Motion Sensing and Data Analysis. J Med Device. 2018;12(1):011012.
[30] Haji Ghassemi N, Hannink J, Martindale C et al. Segmentation of Gait Sequences in Sensor-Based Movement Analysis: A Comparison of Methods in Parkinson’s Disease. Sensors. 2018;18(2):145.
[31] Kidziński Ł, Delp S, Schwartz M. Automatic real-time gait event detection in children using deep neural networks. PLoS ONE. 2019;14(1):e0211466.
[32] Mileti I, Germanotta M, Di Sipio E et al. Measuring Gait Quality in Parkinson’s Disease through Real-Time Gait Phase Recognition. Sensors. 2018;18(3):919.
[33] Samà A, Rodríguez-Martín D, Pérez-López C et al. Determining the optimal features in freezing of gait detection through a single waist accelerometer in home environments. Pattern Recognit Lett. 2018;105:135-143.
[34] Ziegier J, Gattringer H, Mueller A. Classification of Gait Phases Based on Bilateral EMG Data Using Support Vector Machines. 2018 7th IEEE International Conference on Biomedical Robotics and Biomechatronics (Biorob). 2018.
[35] Rocha AP et al. Parkinson's Disease Assessment Based on Gait Analysis Using an Innovative RGB-D Camera System. in 2014 36th Annual International Conference of the Ieee Engineering in Medicine and Biology Society, IEEE Engineering in Medicine and Biology Society Conference Proceedings. 2014; pp. 3126-3129.
[36] Meurisse G, Dierick F, Schepens B, Bastien G. Determination of the vertical ground reaction forces acting upon individual limbs during healthy and clinical gait. Gait Posture. 2016;43:245-250.
[37] Kluge F, Hannink J, Pasluosta C et al. Pre-operative sensor-based gait parameters predict functional outcome after total knee arthroplasty. Gait Posture. 2018;66:194-200
[38] Raccagni C, Gaßner H, Eschlboeck S et al. Sensor-based gait analysis in atypical parkinsonian disorders. Brain Behav. 2018;8(6):e00977.
[39] Sithi Shameem Fathima SMH, Wahida Banu RSD. Abnormal walk identification for systems using gait patterns. 2016, pp. 112-117.
[40] Souza AM, Stemmer M. Extraction and Classification of Human Body Parameters for Gait Analysis. 2018.
[41] Nieto-Hidalgo M, Ferrández-Pastor F, Valdivieso-Sarabia R, Mora-Pascual J, García-Chamizo J. A vision based proposal for classification of normal and abnormal gait using RGB camera. J Biomed Inform. 2016;63:82-89.
[42] Mariani B. Assessment of Foot Signature Using Wearable Sensors for Clinical Gait Analysis and Real-Time Activity Recognition. EPFL.
[43] Brégou Bourgeois A, Mariani B, Aminian K, Zambelli P, Newman C. Spatio-temporal gait analysis in children with cerebral palsy using, foot-worn inertial sensors. Gait Posture. 2014;39(1):436-442. doi:10.1016/j.gaitpost.2013.08.029
[44] Holland J. Genetic Algorithms. Sci Am. 1992;267(1):66-72.
[45] Gümüşçü A, Tenekeci M, Bilgili A. Estimation of wheat planting date using machine learning algorithms based on available climate data. Sustainable Computing: Informatics and Systems. 2019. doi:10.1016/j.suscom.2019.01.010
[46] Gümüşçü A, Tenekeci M, Tabanlıoğlu A. The shortest path detection for unmanned aerial vehicles via genetic algorithm on aerial imaging of agricultural lands. International Advanced Researches and Engineering Journal. 2018;2(3): 315- 319.
[47] Jeon H, Lee W, Park H et al. Automatic Classification of Tremor Severity in Parkinson’s Disease Using a Wearable Device. Sensors. 2017;17(9):2067. doi:10.3390/s17092067
[48] Bulut F. A new clinical decision support system with instance based ensemble classifiers. Journal Of The Faculty Of Engineering And Architecture Of Gazi University 2017;32(1):65-76.
[49] Bulut F. Çok Katmanlı Algılayıcılar İle Doğru Meslek Tercihi. Anadolu Üniversitesi Bilim Ve Teknoloji Dergisi AUygulamalı Bilimler ve Mühendislik 2016;17(1):97-109.

APA	GÜMÜŞÇÜ A (2019). Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. , 463 - 471.
Chicago	GÜMÜŞÇÜ Abdülkadir Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. (2019): 463 - 471.
MLA	GÜMÜŞÇÜ Abdülkadir Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. , 2019, ss.463 - 471.
AMA	GÜMÜŞÇÜ A Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. . 2019; 463 - 471.
Vancouver	GÜMÜŞÇÜ A Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. . 2019; 463 - 471.
IEEE	GÜMÜŞÇÜ A "Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi." , ss.463 - 471, 2019.
ISNAD	GÜMÜŞÇÜ, Abdülkadir. "Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi". (2019), 463-471.

APA	GÜMÜŞÇÜ A (2019). Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31(2), 463 - 471.
Chicago	GÜMÜŞÇÜ Abdülkadir Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31, no.2 (2019): 463 - 471.
MLA	GÜMÜŞÇÜ Abdülkadir Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, vol.31, no.2, 2019, ss.463 - 471.
AMA	GÜMÜŞÇÜ A Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 31(2): 463 - 471.
Vancouver	GÜMÜŞÇÜ A Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 31(2): 463 - 471.
IEEE	GÜMÜŞÇÜ A "Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi." Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31, ss.463 - 471, 2019.
ISNAD	GÜMÜŞÇÜ, Abdülkadir. "Giyilebilir Yürüyüş Analiz Sensörü ile Kişi Sınıflandırmasının Öznitelik Seçme Algoritmaları ile İyileştirilmesi". Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31/2 (2019), 463-471.