Signal and Data Processing

fa ارائۀ یک چهارچوب هیبریدی گاوسی-ترنسفورمر برای درون‌یابی داده‌های گمشدۀ حس‌گر کینکت A Hybrid Gaussian-Transformer Framework for Interpolation of Missing Data in Kinect Sensor مقالات پردازش داده‌های رقمی Paper پژوهشي Research 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.   Accurate gait analysis plays a pivotal role in diagnosing neuromuscular disorders, such as Parkinson’s disease and stroke, and enhancing rehabilitation programs. The Kinect sensor, as a cost-effective and accessible tool, captures three-dimensional motion data but often faces challenges with missing data points due to environmental noise, physical obstructions, or rapid movements. Traditional interpolation methods, such as linear, spline, or random forest, exhibit poor performance in handling multidimensional and nonlinear data, failing to model complex spatiotemporal dependencies. This study introduces an innovative hybrid framework named HIM (Hybrid Interpolation Method), which integrates Gaussian Process (GP) for uncertainty modeling with a Transformer model for capturing long-term dependencies, optimizing outputs using the Particle Swarm Optimization (PSO) algorithm. Leveraging multi-head attention mechanisms and RBF kernels, this approach significantly enhances data reconstruction accuracy, offering an effective solution for medical and sports applications. Motion data were collected from 53 healthy participants using the Kinect v2 sensor. Participants walked on a treadmill at a speed of 0.75 m/s, with three-dimensional knee coordinates recorded. To simulate missing data, 1 to 5 points were randomly removed. The HIM method involves data normalization using Z-score to mitigate scaling effects, initial estimation of missing values with GP and RBF kernels for uncertainty modeling, refinement of estimates using a Transformer model equipped with multi-head attention (8 heads) and feedforward layers to capture spatiotemporal dependencies, optimization of weights via PSO (50 particles, 100 iterations) for weighted output integration, and data smoothing with a moving average filter (window size 5) followed by performance evaluation using Root Mean Square Error (RMSE). HIM was compared against seven other algorithms (random forest, cubic spline, support vector machine, K-nearest neighbors, Gaussian fuzzy, inverse distance weighting, and autoencoder), implemented in Python on an Intel Core i7 system. Results demonstrated that HIM achieved the best performance with an average RMSE of 2.6×10⁻³, showing significant improvement over baseline methods. For instance, random forest exhibited poor performance with an average RMSE of 2.2581, while faster methods like inverse distance weighting and Gaussian fuzzy offered higher computational efficiency. Statistical analysis (t-test) confirmed HIM’s significant superiority over other methods. The GP component dominated the final combination (weights close to 1), underscoring its critical role in uncertainty modeling. Although HIM’s execution time (16.2 to 16.5 seconds) was higher than simpler methods, its unprecedented accuracy stands out. The HIM framework, by synergistically combining GP and Transformer, marks a significant advancement in Kinect motion data analysis, strengthening applications in medical rehabilitation monitoring and sports injury prevention. It aligns with prior studies like DK-Former and CGPT, highlighting the superiority of hybrid approaches. The primary limitation is its relatively high execution time, necessitating optimization for real-time applications. Future work includes compressing the Transformer model using knowledge distillation, evaluating performance on real patient data, and integrating with real-time intelligent systems. This research paves the way for developing deep learning-based systems for biometric data processing.   درون‌یابی داده‌های گمشده, فرایند گاوسی, ترنسفورمر, تحلیل راه‌رفتن, بازسازی داده‌های حرکتی Missing Data Interpolation, Gaussian Process, Transformer, Kinect Sensor, Gait Analysis, Motion Data Reconstruction, Multi-Head Attention Mechanism. 1 18 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2312-2&slc_lang=fa&sid=1 Mahdi Mizban Goush مهدی میزبان گوش mahdimizban@semnan.ac.ir No Ph.D. Candidate, Department of Biomedical Engineering, Semnan University, Semnan, Iran دانشجوی دکترای گروه مهندسی پزشکی دانشگاه سمنان، سمنان، ایران Hadi Soltanizadeh هادی سلطانی زاده h_soltanizadeh@semnan.ac.ir Yes Associate Professor, Department of Electrical Engineering, Semnan University, Semnan, Iran دانشیار گروه مهندسی برق دانشگاه سمنان، سمنان، ایران Mohammad Zahraei محمد زهرایی mhdzahrayee@yahoo.com No M.D. Graduate, Shahid Beheshti University of Medical Sciences, Tehran, Iran دانش‌آموختۀ پزشکی دانشگاه شهید بهشتی، تهران، ایران