***************«بسم الله الرحمن الرحیم» نشریه علمی «پردازش علائم و داده‌ها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوری‌های پیشرفته ***************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 23، شماره 1 - ( 3-1405 )
جلد 23 شماره 1 صفحات 18-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mizban Goush M, Soltanizadeh H, Zahraei M. A Hybrid Gaussian-Transformer Framework for Interpolation of Missing Data in Kinect Sensor. JSDP 2026; 23 (1) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1460-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1460-fa.html
میزبان گوش مهدی، سلطانی زاده هادی، زهرایی محمد. ارائۀ یک چهارچوب هیبریدی گاوسی-ترنسفورمر برای درون‌یابی داده‌های گمشدۀ حس‌گر کینکت. پردازش علائم و داده‌ها. 1405; 23 (1) :1-18
دانشیار گروه مهندسی برق دانشگاه سمنان، سمنان، ایران
چکیده: (700 مشاهده)
تحلیل دقیق راه‌رفتن انسان نقش حیاتی در تشخیص بیماری‌های عصبی عضلانی و بهبود برنامه‌های توا‌ن‌بخشی ایفا می‌کند؛ بااین‌حال، داده‌های حاصل از حس‌گر کینکت بیشتر به‌دلیل محدودیت‌های فنی مانند نوفه، موانع محیطی و حرکات سریع، با نقاط گمشده مواجه می‌شوند. روش‌های سنتی درون‌یابی در مواجهه با داده‌های چندبعدی و غیرخطی عملکرد ضعیفی دارند. این پژوهش یک چهارچوب هیبریدی نوآورانه به‌نام روش هیبریدی درون‌یابی با فرایند گاوسی و ترنسفورمر معرفی می‌کند که ترکیبی از فرایند گاوسی برای مدل‌سازی نبود قطعیت و ترنسفورمر برای شناسایی وابستگی‌های مکانی-زمانی پیچیده است. خروجی‌های این دو مدل با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات بهینه‌سازی شده و با ترکیب وزن‌دار ادغام می‌شوند. برای ارزیابی، داده‌های حرکتی ۵۳ شرکت‌کننده با شبیه‌سازی نقاط گمشده مورد تحلیل قرار گرفتند؛ نتایج نشان داد که روش پیشنهادی با میانگین خطای 10-3×6/2، بهبود قابل‌توجهی نسبت به روش‌های پایه داشته است. این رویکرد هیبریدی با بهره‌گیری از سازوکار توجه چندسره و کرنل RBF، توانست وابستگی‌های غیرخطی را با دقت مدل‌سازی کند؛ در حالی‌که پالایه میانگین متحرک نوفه را کاهش داد؛ اگرچه زمان اجرای روش بهینه‌سازی نشده‌است؛ اما دقت بی‌سابقه آن، گامی کلیدی در جهت تحلیل دقیق‌تر حرکات انسان در کاربردهای پزشکی و ورزشی محسوب می‌شود. این مطالعه راه را برای توسعه سامانه‌های هوشمند مبتنی‌بر یادگیری عمیق با قابلیت اجرای بلادرنگ هموار می‌سازد.
شماره‌ی مقاله: 1
واژه‌های کلیدی: درون‌یابی داده‌های گمشده، فرایند گاوسی، ترنسفورمر، تحلیل راه‌رفتن، بازسازی داده‌های حرکتی
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1403/12/5 | پذیرش: 1404/11/19 | انتشار: 1405/3/31 | انتشار الکترونیک: 1405/3/31
دریافت: 1403/12/5 | پذیرش: 1404/11/19 | انتشار: 1405/3/31 | انتشار الکترونیک: 1405/3/31
فهرست منابع
1. J. C. Arellano-González, H. I. Medellín-Castillo, J. J. Cervantes-Sánchez, and A. Vidal-Lesso, "A practical review of the biomechanical parameters commonly used in the assessment of human gait," Revista mexicana de ingeniería biomédica, vol. 42, no. 3, 2021.
2. S. S. S. Fathima, K. Jyotsna, T. Srinivasulu, K. Archana, and S. Ravichand, "Walking pattern analysis using GAIT cycles and silhouettes for clinical applications," Measurement: Sensors, vol. 30, p. 100893, 2023. [DOI:10.1016/j.measen.2023.100893]
3. S. Chen, J. Lach, B. Lo, and G.-Z. Yang, "Toward pervasive gait analysis with wearable sensors: A systematic review," IEEE journal of biomedical and health informatics, vol. 20, no. 6, pp. 1521-1537, 2016. [DOI:10.1109/JBHI.2016.2608720]
4. A. Dakkak and A. Husain, "Recovering missing depth information from Microsoft's Kinect," in Proc. Embedded Vis. Alliance, 2012, pp. 1-9.
5. دانشپور نگین، میرابوالقاسمی سیده فاطمه، «پرکردن داده‌های گمشده در داده‌های سری زمانی چندمتغیره»، پردازش علائم و داده‌ها، 19 (2)، 39-60، 1401.
5. N. Daneshpour and S. F. Mirabolghasemi, "Missing Data Imputation in Multivariate Time Series Data," Signal and Data Processing, 19 (2). 39-60, 2022. [DOI:10.52547/jsdp.19.2.39]
6. S. J. Howarth and J. P. Callaghan, "Quantitative assessment of the accuracy for three interpolation techniques in kinematic analysis of human movement," Computer methods in biomechanics and biomedical engineering, vol. 13, no. 6, pp. 847-855, 2010. [DOI:10.1080/10255841003664701]
7. C. K. Williams and C. E. Rasmussen, Gaussian processes for machine learning (no. 3). MIT press Cambridge, MA, 2006.
8. V. Ashish, "Attention is all you need," Advances in neural information processing systems, vol. 30, p. I, 2017.
9. P. W. Smith, "A practical guide to splines (Carl de Boor)," SIAM Review, vol. 22, no. 4, p. 520, 1980. [DOI:10.1137/1022106]
10. A. Yorozu, T. Moriguchi, and M. Takahashi, "Improved leg tracking considering gait phase and spline-based interpolation during turning motion in walk tests," Sensors, vol. 15, no. 9, pp. 22451-22472, 2015. [DOI:10.3390/s150922451]
11. T. Mukai and S. Kuriyama, "Geostatistical motion interpolation," in ACM SIGGRAPH 2005 Papers, 2005, pp. 1062-1070. [DOI:10.1145/1186822.1073313]
12. S. Roberts, M. Osborne, M. Ebden, S. Reece, N. Gibson, and S. Aigrain, "Gaussian processes for time-series modelling," Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 371, no. 1984, p. 20110550, 2013. [DOI:10.1098/rsta.2011.0550]
13. A. Vaswani, "Attention is all you need," Advances in Neural Information Processing Systems, 2017.
14. A. J. Slagell, K. Lakkaraju, and K. Luo, "FLAIM: A Multi-level Anonymization Framework for Computer and Network Logs," in LISA, 2006, vol. 6, pp. 3-8.
15. Y. Wang et al., "A unified hybrid transformer for joint MRI sequences super-resolution and missing data imputation," Physics in Medicine & Biology, vol. 68, no. 13, p. 135006, 2023. [DOI:10.1088/1361-6560/acdc80]
16. T. Wang, Y. Hu, Q. Fang, B. He, X. Gong, and P. Wang, "DK-Former: A Hybrid Structure of Deep Kernel Gaussian Process Transformer Network for Enhanced Traffic Sign Recognition," IEEE Transactions on Intelligent Transportation Systems, 2024. [DOI:10.1109/TITS.2024.3436911]
17. L. M. Bui, T. T. Huu, D. Dinh, T. M. Nguyen, and T. N. Hoang, "Revisiting kernel attention with correlated gaussian process representation," arXiv preprint arXiv:2502.20525, 2025.
18. C. Pheatt and J. Ballester, "Using the Xbox Kinect Sensor for positional data acquisition," 2011. [DOI:10.1119/1.4748853]
19. Z. Zhang, "Microsoft kinect sensor and its effect," IEEE multimedia, vol. 19, no. 2, pp. 4-10, 2012. [DOI:10.1109/MMUL.2012.24]
20. K. Ryselis, T. Petkus, T. Blažauskas, R. Maskeliūnas, and R. Damaševičius, "Multiple Kinect based system to monitor and analyze key performance indicators of physical training," Human-Centric Computing and Information Sciences, vol. 10, pp. 1-22, 2020. [DOI:10.1186/s13673-020-00256-4]
21. C. Zerpa, C. Lees, P. Patel, E. Pryzsucha, and P. Patel, "The use of microsoft Kinect for human movement analysis," International journal of sports science, vol. 5, no. 4, pp. 120-127, 2015.
22. L. Yeung, K. C. Cheng, C. Fong, W. C. Lee, and K.-Y. Tong, "Evaluation of the Microsoft Kinect as a clinical assessment tool of body sway," Gait & posture, vol. 40, no. 4, pp. 532-538, 2014. [DOI:10.1016/j.gaitpost.2014.06.012]
23. B. Bonnechere et al., "Validity and reliability of the Kinect within functional assessment activities: comparison with standard stereophotogrammetry," Gait & posture, vol. 39, no. 1, pp. 593-598, 2014. [DOI:10.1016/j.gaitpost.2013.09.018]
24. D. V. Griffiths and I. M. Smith, Numerical methods for engineers. Chapman and Hall/CRC, 2006. [DOI:10.1201/9781420010244]
25. B. Alhajahmad and M. Atas, "Boosting Predictive Power: Random Forest and Gradient Boosted Trees in Ensemble Learning," in Proceeding Book of 2nd International Conference on Contemporary Academic Research ICCAR, 2023.
26. نمیرانیان، فریبا، لطیف، علی محمد، «ارائة رویکردی نوین در بخش‌بندی تصاویر دیجیتال به‌وسیلة الگوریتم ژنتیک و جنگل تصادفی»، پردازش علائم و داده‌ها، 20 (4)، ش 58، 35-44، 1402.
26. F. Namiranian and A. Latif, "A New Approach for Digital Image Segmentation with Genetic Algorithm and Random Forest," Signal and Data Processing, No. 58, 20 )4(, pp. 35-44, 2024. [DOI:10.61186/jsdp.20.4.35]
27. T. Zhu, "Analysis on the applicability of the random forest," in Journal of Physics: Conference Series, 2020, vol. 1607, no. 1: IOP Publishing, p. 012123. [DOI:10.1088/1742-6596/1607/1/012123]
28. B. Talekar and S. Agrawal, "A detailed review on decision tree and random forest," Biosci. Biotechnol. Res. Commun, vol. 13, no. 14, pp. 245-248, 2020. [DOI:10.21786/bbrc/13.14/57]
29. H. Zaynidinov, "ALGORITHM AND SOFTWARE TOOLS FOR IMPROVING INTERPOLATION ACCURACY BASED ON CUBIC SPLINE," 2022, No. 5 (135/1), vol. 135, no. 117, pp. 5-8, 2023. [DOI:10.59251/2181-1296.v5.1351.1130]
30. M. Zhu and H. Shi, "A novel support vector machine algorithm for missing data," in Proceedings of the 2nd International Conference on Innovation in Artificial Intelligence, 2018, pp. 48-53. [DOI:10.1145/3194206.3194214]
31. G. Tutz and S. Ramzan, "Improved methods for the imputation of missing data by nearest neighbor methods," Computational Statistics & Data Analysis, vol. 90, pp. 84-99, 2015. [DOI:10.1016/j.csda.2015.04.009]
32. E. R. Hruschka, E. R. Hruschka Jr, and N. F. Ebecken, "Evaluating a nearest-neighbor method to substitute continuous missing values," in Australasian Joint Conference on Artificial Intelligence, 2003: Springer, pp. 723-734. [DOI:10.1007/978-3-540-24581-0_62]
33. M. El-Bakry, F. Ali, A. El-Kilany, and S. Mazen, "Fuzzy based techniques for handling missing values," International Journal of Advanced Computer Science and Applications, vol. 12, no. 3, 2021. [DOI:10.14569/IJACSA.2021.0120306]
34. K. Muludi, R. Setianingsih, R. Sholehurrohman, and A. Junaidi, "Exploiting nearest neighbor data and fuzzy membership function to address missing values in classification," PeerJ Computer Science, vol. 10, p. e1968, 2024. [DOI:10.7717/peerj-cs.1968]
35. D. W. Wong, "Interpolation: Inverse‐distance weighting," International encyclopedia of geography: People, the earth, environment and technology: People, the earth, environment and technology, pp. 1-7, 2016. [DOI:10.1002/9781118786352.wbieg0066]
36. D. Kalota and M. F. Khan, "Comparing Performance of Inverse Distance Weighting and Modified Shepard Interpolation Models with Different Sampling Arrangements: A Case Study," in Re-envisioning Advances in Remote Sensing: CRC Press, 2022, pp. 239-249. [DOI:10.1201/9781003224624-18]
37. W. H. L. Pinaya, S. Vieira, R. Garcia-Dias, and A. Mechelli, "Autoencoders," in Machine learning: Elsevier, 2020, pp. 193-208. [DOI:10.1016/B978-0-12-815739-8.00011-0]
38. Y. Sun, J. Li, Y. Xu, T. Zhang, and X. Wang, "Deep learning versus conventional methods for missing data imputation: A review and comparative study," Expert Systems with Applications, vol. 227, p. 120201, 2023. [DOI:10.1016/j.eswa.2023.120201]
39. H. Zhou et al., "Informer: Beyond efficient transformer for long sequence time-series forecasting," in Proceedings of the AAAI conference on artificial intelligence, 2021, vol. 35, no. 12, pp. 11106-11115. [DOI:10.1609/aaai.v35i12.17325]
40. B. Lim, S. Ö. Arık, N. Loeff, and T. Pfister, "Temporal fusion transformers for interpretable multi-horizon time series forecasting," International journal of forecasting, vol. 37, no. 4, pp. 1748-1764, 2021. [DOI:10.1016/j.ijforecast.2021.03.012]
41. Y. Zhang and J. Yan, "Crossformer: Transformer utilizing cross-dimension dependency for multivariate time series forecasting," in The eleventh international conference on learning representations, 2023.
42. R. Poli, J. Kennedy, and T. Blackwell, "Particle swarm optimization: An overview," Swarm intelligence, vol. 1, no. 1, pp. 33-57, 2007. [DOI:10.1007/s11721-007-0002-0]
43. Y. Zhang, S. Wang, and G. Ji, "A comprehensive survey on particle swarm optimization algorithm and its applications," Mathematical problems in engineering, vol. 2015, no. 1, p. 931256, 2015. [DOI:10.1155/2015/931256]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |