เมื่อเร็ว ๆ นี้กับการพัฒนาของทฤษฎีก

เมื่อเร็ว ๆ นี้กับการพัฒนาของทฤษฎีการเรียนรู้เครื่องที่หลากหลายของการเรียนรู้ที่แปลกใหม่และขั้นตอนวิธีการจัดหมวดหมู่ที่มีประสิทธิภาพที่ดีขึ้นได้รับมากขึ้นและแพร่หลายในการจดจำรูปแบบการเดินเพื่อประเมินการเปลี่ยนแปลงของมนุษย์ฟังก์ชั่นการเดิน ยกตัวอย่างเช่นเครือข่ายประสาทเทียม (ANN) ขึ้นอยู่กับขั้นตอนวิธีการเรียนรู้เครื่องได้รับการว่าจ้างสำหรับการรับรู้โดยอัตโนมัติรูปแบบการเดินการเปลี่ยนแปลงการใช้ที่แตกต่างกันของข้อมูลการเดิน[1,2] Holzreiter และ Kohle ใช้ANN ในการระบุการเดินปกติและพยาธิวิทยาโดยใช้จลนศาสตร์ข้อมูล[1] กากและบาร์ตันใช้ ANN ในการแยกแยะรูปแบบการเดินที่แตกต่างกันตามลักษณะการเดินที่สกัดจากสะโพกและหัวเข่ามาตรการร่วมกันมุม ที่เรารู้ว่าการเดินในขั้นตอนวิธีการจัดหมวดหมู่ผลการดำเนินงานการจัดหมวดหมู่ส่วนใหญ่ขึ้นอยู่กับคุณสมบัติการเดินสกัดหรือเลือกจากเริ่มต้นตัวแปรเดิน, ที่อยู่, ก่อนการประมวลผลสำหรับตัวแปรการเดินเริ่มต้นขั้นตอนแรกที่สำคัญสำหรับการปรับปรุงการจัดหมวดหมู่ประสิทธิภาพ[3,4 ]
ที่เรารู้ว่าวิธีการแบบดั้งเดิมของการเลือกของการเดินคุณสมบัติที่เป็นพารามิเตอร์ที่ไม่ต่อเนื่องบางส่วนได้รับเลือกจากรูปคลื่นชั่วคราวเป็นคุณสมบัติการเดินการเดินสำหรับการกำหนดรูปแบบ ตัวอย่างเช่นค่าระฆังและค่านิยมที่แตกต่างกันเกิดขึ้นของเหตุการณ์ที่เกิดขึ้นในระหว่างการเดินรอบเดินได้รับการคัดเลือกเป็นคุณสมบัติการเดิน ในความเป็นจริงการเดินของมนุษย์เป็นลักษณะที่ซับซ้อนการเปลี่ยนแปลงที่มีทั้งที่ไม่ stationarity และไม่เป็นเชิงเส้นและข้อมูลทั้งหมดที่เกี่ยวกับการเปลี่ยนแปลงลักษณะของการเดินการทำงานอยู่ในการทำงานร่วมกันภายในระหว่างการเดินตัวแปร มันเป็นสิ่งจำเป็นว่าคุณสมบัติการเดินได้จากเทคนิคการดึงการเดินต้องรักษาทั้งเวลาและความถี่ของข้อมูลการเดิน แต่น่าเสียดายที่คุณสมบัติการเดินที่ได้รับโดยวิธีการแบบเดิมไม่สามารถให้ความสำคัญข้อมูลลักษณะที่เกี่ยวข้องกับการตรวจสอบของการเปลี่ยนแปลงของฟังก์ชั่นการเดิน นี้กระตุ้นให้แอพลิเคชันของเทคนิคการวิเคราะห์ขั้นสูงในข้อมูลการเดินสำหรับการจับภาพของเวลาความถี่ข้อมูลเกี่ยวกับการเปลี่ยนแปลงฟังก์ชั่นการเดินของมนุษย์[3,4]
เป็นที่รู้จักกันดีว่าการวิเคราะห์เวฟ [5] เป็นที่มีประสิทธิภาพเทคนิคที่สามารถให้ทั้งผีและเวลาข้อมูลพร้อมกันได้รับการประสบความสำเร็จนำไปใช้ในการประมวลผลสัญญาณชีวการแพทย์ในการสกัดคุณลักษณะ[5,6] ในการศึกษาครั้งนี้เพื่อประโยชน์ของการปรับปรุงลักษณะทั่วไปประสิทธิภาพลักษณนามANN เดินตามเราจ่าหน้านวนิยายรูปแบบของรูปแบบที่ชาญฉลาดสำหรับการรับรู้โดยอัตโนมัติของการเดินรูปแบบ เทคนิคการแปลงเวฟเล็ตถูกนำมาใช้ครั้งแรกในการดึงคุณสมบัติที่ดีบางส่วนจากความสัมพันธ์อย่างมาก timedependent ตัวแปรเดินแล้วคุณสมบัติการเดินสกัดที่ใช้ในการเริ่มต้นการฝึกอบรมชุดของแอน เพื่อประเมินรูปแบบที่นำเสนอได้อย่างมีประสิทธิภาพข้อมูลการเดินจลนศาสตร์ของ 24 หนุ่มสาวและผู้สูงอายุ 24 คนได้มาและวิเคราะห์. นอกจากนี้เราเมื่อเทียบกับการนำเสนอรูปแบบที่มีรูปแบบการจัดหมวดหมู่ตามการเลือกแบบดั้งเดิมของการเดินคุณสมบัติ
กระดาษนี้จะมีการจัดระเบียบดังต่อไปนี้มาตราครั้งที่สองที่มีการจัดขั้นตอนการประมวลผลข้อมูลการเดินโดยใช้การนำเสนอรูปแบบของเรา. การสนทนาและข้อสรุปจะได้รับในมาตรา

ผลลัพธ์ (อังกฤษ) 1:

Recently, with the development of a wide range of machine learning theory of learning and classification algorithm with better performance has been more and more widely recognized in the form of a walk to evaluate the changes of human walking functions. For example, the artificial nervous network (ANN) based on a machine learning algorithm employed for automatic pattern recognition to easily change to different usage of ' [1, 2] and Kohle use ANN Holzreiter. In specifying the norm and pathology easily using chonnasat data [1] Sewage & ANN Barton used to identify the format easily with different characteristics, taking a knee, hip, and extract the collaboration angle measures. We know that to walk in the steps of how to organize the performance category, categories mainly depends on the arrival of the extracted properties or choose from the default variable, that is, before the arrival of the processing for the arrival of the initial variables, the first step for improving classification performance [3, 4].ที่เรารู้ว่าวิธีการแบบดั้งเดิมของการเลือกของการเดินคุณสมบัติที่เป็นพารามิเตอร์ที่ไม่ต่อเนื่องบางส่วนได้รับเลือกจากรูปคลื่นชั่วคราวเป็นคุณสมบัติการเดินการเดินสำหรับการกำหนดรูปแบบ ตัวอย่างเช่นค่าระฆังและค่านิยมที่แตกต่างกันเกิดขึ้นของเหตุการณ์ที่เกิดขึ้นในระหว่างการเดินรอบเดินได้รับการคัดเลือกเป็นคุณสมบัติการเดิน ในความเป็นจริงการเดินของมนุษย์เป็นลักษณะที่ซับซ้อนการเปลี่ยนแปลงที่มีทั้งที่ไม่ stationarity และไม่เป็นเชิงเส้นและข้อมูลทั้งหมดที่เกี่ยวกับการเปลี่ยนแปลงลักษณะของการเดินการทำงานอยู่ในการทำงานร่วมกันภายในระหว่างการเดินตัวแปร มันเป็นสิ่งจำเป็นว่าคุณสมบัติการเดินได้จากเทคนิคการดึงการเดินต้องรักษาทั้งเวลาและความถี่ของข้อมูลการเดิน แต่น่าเสียดายที่คุณสมบัติการเดินที่ได้รับโดยวิธีการแบบเดิมไม่สามารถให้ความสำคัญข้อมูลลักษณะที่เกี่ยวข้องกับการตรวจสอบของการเปลี่ยนแปลงของฟังก์ชั่นการเดิน นี้กระตุ้นให้แอพลิเคชันของเทคนิคการวิเคราะห์ขั้นสูงในข้อมูลการเดินสำหรับการจับภาพของเวลาความถี่ข้อมูลเกี่ยวกับการเปลี่ยนแปลงฟังก์ชั่นการเดินของมนุษย์[3,4]เป็นที่รู้จักกันดีว่าการวิเคราะห์เวฟ [5] เป็นที่มีประสิทธิภาพเทคนิคที่สามารถให้ทั้งผีและเวลาข้อมูลพร้อมกันได้รับการประสบความสำเร็จนำไปใช้ในการประมวลผลสัญญาณชีวการแพทย์ในการสกัดคุณลักษณะ[5,6] ในการศึกษาครั้งนี้เพื่อประโยชน์ของการปรับปรุงลักษณะทั่วไปประสิทธิภาพลักษณนามANN เดินตามเราจ่าหน้านวนิยายรูปแบบของรูปแบบที่ชาญฉลาดสำหรับการรับรู้โดยอัตโนมัติของการเดินรูปแบบ เทคนิคการแปลงเวฟเล็ตถูกนำมาใช้ครั้งแรกในการดึงคุณสมบัติที่ดีบางส่วนจากความสัมพันธ์อย่างมาก timedependent ตัวแปรเดินแล้วคุณสมบัติการเดินสกัดที่ใช้ในการเริ่มต้นการฝึกอบรมชุดของแอน เพื่อประเมินรูปแบบที่นำเสนอได้อย่างมีประสิทธิภาพข้อมูลการเดินจลนศาสตร์ของ 24 หนุ่มสาวและผู้สูงอายุ 24 คนได้มาและวิเคราะห์. นอกจากนี้เราเมื่อเทียบกับการนำเสนอรูปแบบที่มีรูปแบบการจัดหมวดหมู่ตามการเลือกแบบดั้งเดิมของการเดินคุณสมบัติกระดาษนี้จะมีการจัดระเบียบดังต่อไปนี้มาตราครั้งที่สองที่มีการจัดขั้นตอนการประมวลผลข้อมูลการเดินโดยใช้การนำเสนอรูปแบบของเรา. การสนทนาและข้อสรุปจะได้รับในมาตรา

ผลลัพธ์ (อังกฤษ) 2:

Recently, with the development of machine learning theory to a wide range of innovative learning and classification algorithms with better performance has been more and more prevalent in the modern pattern recognition. to assess the dynamics of human gait function. For example, artificial neural network (ANN) based on machine learning algorithms have been employed for automatic recognition gait pattern changes using different walks of data [1,2. ] Holzreiter and Kohle used ANN to identify walking normal and pathological using kinetic data [1] pulp and Barton used ANN to distinguish gait patterns that vary according to the nature of the walk is extracted from the hip and knee. measures joint angles We know that walking algorithm classification performance classification mainly based on the property walk extract or choose from the default variable walk, that is, before processing for variable walking. Starting the first step for improving the classification performance [3,4. ]
we know that the traditional method of selection of the corridor features some of the parameters have been selected waveforms from a temporary property to walk the walk for the model. For example, the bell and the different values ​​of incident happened during a walk around the property has been selected for the walk. In fact, the passage of the complex nature of the changes that are either non-stationarity and non-linearity and all the information about the manner of walking, working in collaboration on the move using a variable. It is essential that techniques to extract features from walking to treat both the time and frequency of walking. Unfortunately, the property had been walking by traditional methods can not provide important information relevant to the detection of the characteristic changes of the functions of walking. This encourages the application of advanced data analysis techniques to go for the capture of time-frequency information about the function of the human gait [3,4]
It is well known that analysis. Wave [5] is a powerful technique that can provide both spectral and time, simultaneous data has been successfully applied in biomedical signal processing, feature extraction [5,6] in this study. For the sake of improving the generalization performance classifier ANN. We addressed the following novel form of pattern-wise for the automatic recognition of the walking pattern. The wavelet transform is used first to extract some good properties of strongly correlated. timedependent Then walk the walk features a variable used to start a training set of Ann. To assess the pattern present data efficiently walking kinetics of 24 young and 24 elderly people were coming and analysis. In addition, we compared the proposed model of a pattern classification based on the traditional choice of walking the property
This paper is organized as follows: section II presents the processing steps. Data to walk using our proposed model. Discussion and conclusions are given in Section.

ผลลัพธ์ (อังกฤษ) 3:

Recently.With the development of the theory of this wide variety of machine learning and exotic step how to categorize with better performance has been more and more widely used in pattern recognition to walk to assess changeFunction of human walking.For example, an artificial neural network (ANN) based on machine learning algorithm has been employed for automatic recognition model walking changes using different kinds of data, [1 walk2] Holzreiter Kohle ANN and used to identify normal gait and pathology using kinetics data [] of 1 and ANN Barton used to distinguish walking pattern according to different gait characteristics extracted from the hip and knee joint angle measureAddress, before processing for the variable walking step start first important for การปรับปรุงการ classification efficiency, [3 4]
.As we know, the traditional methods of choosing the parameters of gait features that are ไม่ต่ due to some chosen from the wave shape as a temporary features walking walking for formulation model.In fact, human walking is characterized by complex changes that are both not stationarity.It is essential that features walking from techniques to pull walking to maintain both time and frequency of the data.This encourages the application of advanced analysis techniques in data capture of walking for time frequency information about the changes of human walking, [3 function4]
is well known that the 5 wave [] is a powerful technique that can provide both the ghost and time information at the same time have been successfully used in biomedical signal processing, feature extraction, in [56] in this study for the sake of the improvement of the general performance of classifiers, ANN Following we addressed novel form of a wise for automatic recognition of walking patterns.Timedependent. The walk walking extract features used to start the training set of ANN. To evaluate the proposed model effectively information of young and elderly gait kinetics 24 24 people acquired and analyzed.We also compared with a proposed formed a pattern classification based on the traditional selection of walking property
.This paper is organized as follows: Section II presents the processing data using the proposed model. Our walk. Discussion and conclusion are given in section
.