Signal and Data Processing

fa ارائه یک چارچوب هیبریدی گاوسی-ترنسفورمر برای درونیابی داده‌های گمشده سنسور کینکت A Hybrid Gaussian-Transformer Framework for Interpolation of Missing Data in Kinect Sensor مقالات پردازش داده‌های رقمی Paper پژوهشي Research 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.   Accurate gait analysis plays a crucial role in diagnosing neuromuscular disorders and improving rehabilitation programs. However, motion capture sensors like Kinect often suffer from missing data due to technical limitations such as environmental noise, physical obstructions, and rapid movements. Traditional interpolation methods struggle with the complexity of multidimensional and nonlinear motion data, leading to suboptimal performance. This study introduces an innovative hybrid interpolation framework that combines Gaussian Process (GP) for uncertainty modeling with a Transformer model for capturing complex spatiotemporal dependencies. The outputs of these models are optimized using Particle Swarm Optimization (PSO) and fused through weighted integration to enhance accuracy. The proposed method was evaluated on motion data from 53 participants, with missing points artificially simulated for assessment. Results indicate that the hybrid method achieved a mean error of 0.0026, demonstrating a significant improvement over conventional approaches such as inverse distance weighting and random forests. Key innovations of this framework include the use of multi-head attention mechanisms in the Transformer model for long-range dependency modeling, advanced RBF kernels in GP for balancing smoothness and adaptability, and intelligent optimization techniques for noise reduction and stability enhancement. While computational efficiency requires further refinement, the proposed method marks a substantial advancement in precise motion data analysis for medical, sports, and rehabilitation applications. This research paves the way for integrating deep learning with statistical methods in biometric data processing, facilitating the development of real-time intelligent motion analysis systems.   درونیابی داده‌های گمشده, فرآیند گوسی, ترنسفورمر, سنسور کینکت, تحلیل راه رفتن, بازسازی داده‌های حرکتی, مکانیزم توجه چندسره Missing Data Interpolation, Gaussian Process, Transformer, Kinect Sensor, Gait Analysis, Motion Data Reconstruction, multi-head attention mechanisms 1 18 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2312-2&slc_lang=fa&sid=1 Hadi Soltanizadeh هادی سلطانی زاده h_soltanizadeh@semnan.ac.ir 100319475328460014259 100319475328460014259 Yes Semnan University دانشگاه سمنان Mahdi Mizban مهدی میزبان mahdimizban@semnan.ac.ir 100319475328460014260 100319475328460014260 No Semnan university دانشگاه سمنان Mohammad Zahraei محمد زهرایی mhdzahrayee@yahoo.com 100319475328460014261 100319475328460014261 No Shahid Beheshti University دانشگاه شهید بهشتی