Publication: Konvolusyonel yapay sinir ağları kullanarak ataletsel ölçüm birimi tabanlı hareket analizinde veri çoğaltma
Abstract
Amaç: Hareket analizinde kullanılan ataletsel ölçüm birimleri, üç boyutlu lineer ivmelenme ve açısal hızlarını dolaylı yoldan ölçmektedir. Veri çoğaltma, eldeki sınırlı mevcut verilerin dönüştürülerek yeni verilerin oluşturulması işlemidir. Bu çalışmada, çeşitli veri çoğaltma teknikleri kullanılarak veri çoğaltma işlemi gerçekleştirilmiş ve tekniklerin hareket analizinde uygulanabilirliği araştırılmıştır. Gereç ve yöntem: Çalışmaya, HugaDB veri tabanında bulunan koşma ve yürüme aktivitelerine ait ataletsel ölçüm birimi sinyalleri dâhil edilmiştir. Matlab® kullanılarak dalga bozulumu, ölçeklendirme, rotasyon, permutasyon, genlik çarpıtma, kırpma, ölçeklendirme ve dalga bozulumu, ölçeklendirme ve permutasyon, permutasyon ve kırpma teknikleri veri tabanındaki koşma ve yürüme sinyallerine uygulanmış ve konvolusyonel sinir ağı üzerinden sonuçlar değerlendirilmiştir. Bulgular: Bu çalışma sayesinde, koşma verisine ait 12 ölçüm 1104 ölçüme; yürüme verisine ait 87 ölçüm 8004 ölçüme çoğaltılmıştır. HugaDB veri tabanında koşma ve yürüme aktiviteleri %97,978 (+/ -0,003) doğruluk oranı ile ölçülmüştür. Ölçeklendirme tekniği ile elde edilen türev veri tabanın doğruluk oranının (%98,790), HugaDB veri tabanından (%97,978) daha yüksek olduğu ölçümlenmiştir. En düşük doğruluk oranı dalga bozulumu tekniği (%95,760) uygulanmış türev veri tabanında elde edilmiştir.Sonuç: Konvolusyonel sinir ağı kullanılarak gerçekleştirilen hareket analizde veri tabanını çoğaltmak için ölçeklendirme, kırpma, permutasyon ve dalga bozulumu gibi farklı teknikler bir arada veya ayrı olarak uygulanabilir. Ölçeklendirme ve kırpma teknikleri literatürde belirtilenin aksine daha düşük bir doğruluk oranı sağlamaktadır. Konvolusyonel sinir ağı modelleri kullanılarak veri analizinde veri çoğaltma modelleri amaca ve ihtiyaca uygun olarak denenerek tespit edilmesi önem arz etmektedir.
Objective: Relatively low-cost inertial measurement units are used to measure articular kinematics. The purpose of this study is to develop a database, which size is suitable to apply in convolutional neural networks (CNN) by applying various data augmentation techniques. Material and methods: The signals are the part of HuGaDB database. Wave distortion (jittering), scaling, rotation, permutation, magnitude warping, cropping, scaling and jittering, scaling and permutation, permutation and cropping techniques were applied to running and walking signals by using Matlab® and the results were evaluated over convolutional neural network. Results: In this study, 12 measurements of running data and 87 measurements of walking data were augmented to 1104 and 8004 measurements respectively. The CNN model was measured to be able to detect running and walking activities in the HuGaDB database with an accuracy rate of 97.978% (+/ - 0.003). For scaling technique, the accuracy rate (98.790%) of the derivative database obtained with the CNN model was measured higher than the original database (97.978%). The lowest accuracy rate was obtained in the derivative database where the jittering technique (95.760%) was applied. Conclusion: Different techniques such as scaling, cropping, permutation and jittering can be applied together or separately to reproduce the database in motion analysis. Scaling and cropping techniques were found to have a lower accuracy rate than stated in the literature. It is important to determine data replication models in data analysis using CNN models by testing them in accordance with the purpose and needs.
Objective: Relatively low-cost inertial measurement units are used to measure articular kinematics. The purpose of this study is to develop a database, which size is suitable to apply in convolutional neural networks (CNN) by applying various data augmentation techniques. Material and methods: The signals are the part of HuGaDB database. Wave distortion (jittering), scaling, rotation, permutation, magnitude warping, cropping, scaling and jittering, scaling and permutation, permutation and cropping techniques were applied to running and walking signals by using Matlab® and the results were evaluated over convolutional neural network. Results: In this study, 12 measurements of running data and 87 measurements of walking data were augmented to 1104 and 8004 measurements respectively. The CNN model was measured to be able to detect running and walking activities in the HuGaDB database with an accuracy rate of 97.978% (+/ - 0.003). For scaling technique, the accuracy rate (98.790%) of the derivative database obtained with the CNN model was measured higher than the original database (97.978%). The lowest accuracy rate was obtained in the derivative database where the jittering technique (95.760%) was applied. Conclusion: Different techniques such as scaling, cropping, permutation and jittering can be applied together or separately to reproduce the database in motion analysis. Scaling and cropping techniques were found to have a lower accuracy rate than stated in the literature. It is important to determine data replication models in data analysis using CNN models by testing them in accordance with the purpose and needs.