logo
دوره 23، شماره 1 - ( 3-1405 )                   جلد 23 شماره 1 صفحات 18-1 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Soltanizadeh H, Mizban M, 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
سلطانی زاده هادی، میزبان مهدی، زهرایی محمد. ارائه یک چارچوب هیبریدی گاوسی-ترنسفورمر برای درونیابی داده‌های گمشده سنسور کینکت. پردازش علائم و داده‌ها. 1405; 23 (1) :1-18

URL: http://jsdp.rcisp.ac.ir/article-1-1460-fa.html

ارائه یک چارچوب هیبریدی گاوسی-ترنسفورمر برای درونیابی داده‌های گمشده سنسور کینکت
هادی سلطانی زاده* ، مهدی میزبان ، محمد زهرایی
دانشگاه سمنان
چکیده:   (8 مشاهده)
تحلیل دقیق راه رفتن انسان نقش حیاتی در تشخیص بیماری‌های عصبی عضلانی و بهبود برنامه‌های توانبخشی ایفا می‌کند. با این حال، داده‌های حاصل از سنسور کینکت اغلب به دلیل محدودیت‌های فنی مانند نویز، 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 چارچوب هیبریدی نوآورانه به نام روش هیبریدی درونیابی با فرآیند گوسی و ترنسفورمر معرفی می‌کند که ترکیبی از فرآیند گاوسی برای مدل‌سازی عدم 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 0.0026 ، بهبود قابل‌توجهی نسبت به روش‌های پایه داشته است. این رویکرد هیبریدی با بهره‌گیری از مکانیزم توجه چندسره و کرنل RBF، توانست وابستگی‌های غیرخطی را با دقت مدل‌سازی کند، در حالی که فیلتر میانگین متحرک نویز را کاهش داد. اگرچه زمان اجرای روش بهینه‌سازی نشده است، 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 سیستم‌های هوشمند مبتنی بر یادگیری عمیق با قابلیت اجرای بلادرنگ هموار می‌سازد.
 
شماره‌ی مقاله: 1
واژه‌های کلیدی: درونیابی داده‌های گمشده، فرآیند گوسی، ترنسفورمر، سنسور کینکت، تحلیل راه رفتن، بازسازی داده‌های حرکتی، مکانیزم توجه چندسره
متن کامل [PDF 1412 kb]   (7 دریافت)    
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
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.