Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Sistem Berbasis Pengetahuan xxx (xxxx) xxx

Daftar isi tersedia di SainsLangsung

Sistem Berbasis Pengetahuan

beranda jurnal: www.elsevier.com/locate/knosys

Menilai aktivitas fisik dan tingkat kebugaran fungsional

menggunakan jaringan saraf convolutional✩
Alejandro Galán-Mercant A,F, Andres Ortiz B,C,*, Enrique Herrera-Viedma C,D,
Maria Teresa Tomas e, Beatriz Fernandes e, Jose A. Moral-Munozo A,F
A Departemen Keperawatan dan Fisioterapi, Universidad de Cádiz, Cádiz, Spanyol
B Departemen Teknik Komunikasi, Universitas Málaga, Málaga, Spanyol
C Institut Penelitian Andalusia dalam Ilmu Data dan Kecerdasan Komputasi (DaSCI), Spanyol

D Departemen Ilmu Komputer dan Kecerdasan Buatan, CITIC-UGR (Pusat Penelitian Teknologi Informasi dan Komunikasi), Universitas Granada, Granada, Spanyol

e Escola Superior de Tecnologia da Saúde de Lisboa (ESTeSL), Instituto Politécnico de Lisboa, Lisboa, Portugal
F Institut Penelitian dan Inovasi dalam Ilmu Biomedis Provinsi Cádiz (INiBICA), Universidad de Cádiz, Cádiz, Spanyol

info artikel abstrak

Sejarah artikel: Orang dewasa yang lebih tua berhubungan dengan penurunan fungsi fisik, sebagai akibat dari degenerasi sistem muskuloskeletal. Dengan demikian, latihan fisik dinyatakan sebagai

Diterima 13 Februari 2019 intervensi yang tepat untuk mencegah masalah kesehatan tersebut. Oleh karena itu, penilaian yang memadai dari aktivitas fisik dan tingkat kebugaran fungsional diperlukan untuk
Diterima dalam bentuk revisi 1 Agustus 2019 merencanakan intervensi individual. Tes luas yang digunakan untuk menilai tingkat kebugaran fungsional adalah tes jalan kaki 6 menit (6MWT). Sebelumnya telah diukur menggunakan
Diterima 11 Agustus 2019
sensor accelerometer. Mengingat latar belakang ini, tujuan utama dari penelitian ini adalah untuk menggunakan pembelajaran mendalam untuk mengekstrak secara otomatis dan untuk
Tersedia online xxxx
memprediksi aktivitas fisik dan tingkat kebugaran fungsional orang dewasa yang lebih tua melalui sinyal akselerasi yang direkam oleh smartphone selama 6MWT. Total ada 17 peserta yang

Kata kunci: direkrut. Pengukuran antropometri (berat badan, tinggi badan, dan indeks massa tubuh), aktivitas fisik, dan tingkat kebugaran fungsional dari masing-masing peserta dicatat. Secara

Aktivitas fisik berurutan, dua metode berbasis deep learning diterapkan untuk menentukan prediksi. Menurut hasil, metode yang diusulkan dapat memprediksi aktivitas fisik dan tingkat kebugaran

kebugaran fungsional fungsional dengan akurasi tinggi, bahkan hanya dengan menggunakan satu siklus. Dengan demikian, pendekatan yang dijelaskan dalam karya ini dapat diimplementasikan dalam sistem
Pembelajaran mendalam
kesehatan bergerak di masa depan untuk mengidentifikasi profil aktivitas fisik orang dewasa yang lebih tua. metode yang diusulkan dapat memprediksi aktivitas fisik dan tingkat kebugaran
Sinyal inersia
fungsional dengan akurasi tinggi, bahkan hanya menggunakan satu siklus. Dengan demikian, pendekatan yang dijelaskan dalam karya ini dapat diimplementasikan dalam sistem kesehatan
Autoencoder Konvolusi Dalam/Jaringan
bergerak di masa depan untuk mengidentifikasi profil aktivitas fisik orang dewasa yang lebih tua. metode yang diusulkan dapat memprediksi aktivitas fisik dan tingkat kebugaran fungsional
Konvolusional sep
dengan akurasi tinggi, bahkan hanya menggunakan satu siklus. Dengan demikian, pendekatan yang dijelaskan dalam karya ini dapat diimplementasikan dalam sistem kesehatan bergerak di

masa depan untuk mengidentifikasi profil aktivitas fisik orang dewasa yang lebih tua.

©2019 Diterbitkan oleh Elsevier BV

1. Perkenalan kehilangan, dan penurunan produksi hormon.5]. Oleh karena itu,

Salah satu kondisi yang paling bermasalah pada populasi orang
dewasa yang lebih tua adalah kerapuhan [1]. Menurut sebuah studi
yang relatif baru [2], prevalensi kerentanan global ditemukan dari 4,9%
menjadi 27,3%, dan prefragility ditetapkan dari 34,6% menjadi 50,9%.
Dalam kerangka ini, logis bahwa kerapuhan telah dianggap sebagai
masalah kesehatan masyarakat sebelumnya [3,4]. Dengan cara itu,
orang dewasa yang lebih tua dikaitkan dengan penurunan fungsi
sistem muskuloskeletal. Ini terkait dengan massa dan kekuatan tulang
✩ Tidak ada penulis yang terkait dengan makalah ini yang mengungkapkan potensi atau
konflik terkait yang mungkin dianggap memiliki konflik yang akan datang dengan karya ini.
Untuk pernyataan pengungkapan penuh, lihathttps://doi.org/10.1016/j.knosys.
20*19.104939.
Penulis korespondensi di: Komunikasi Rekayasa
Universitas Málaga, Málaga, Spanyol.
Alamat email: alejandro.galan@uca.es (A. Galán-Mercant),
aortiz@ic.uma.es (A.Ortiz), viedma@decsai.ugr.es (E. Herrera-Viedma),
teresa.tomas@estesl.ipl.pt (MT Tomas), beatriz.fernandes@estesl.ipl.pt
(B.Fernandes), joseantonio.moral@uca.es (JA Moral-Munoz).
semua perubahan fisiologis ini melibatkan peningkatan risiko
berkembangnya kondisi klinis yang berbeda.6].
Selain itu, program berbasis aktivitas fisik tampaknya menjadi
intervensi yang efektif untuk mencegah kerapuhan [7-9]. Namun
demikian, untuk mengetahui tingkat fungsional lansia, dan selanjutnya
merencanakan intervensi, ada beberapa tes. Salah satu tes yang paling
sering digunakan untuk mengevaluasi kapasitas latihan fungsional
adalah tes berjalan 6 menit (6MWT). Ini dianggap sebagai tes
sederhana, non-invasif, dan dapat direproduksi yang mencerminkan
status kondisi fisik subjek yang diuji melalui pengukuran yang objektif [
10,11]. Dalam pengertian itu, penggunaan akselerometer, seperti
Actigraph, Mini-Mitter atau sistem IM, untuk menilai aktivitas fisik
banyak digunakan dalam literatur penelitian [12]. Oleh karena itu,
revolusi penggunaan aplikasi smartphone memberikan peluang baru
Departemen, untuk aktivitas fisik dan penilaian kebugaran fungsional.
Smartphone menggabungkan sensor yang berbeda yang
memungkinkan mereka untuk melakukan tugas yang berbeda [13,14]. Di
antara sensor ini, mereka dilengkapi dengan akselerometer, yang
menyediakan kuantifikasi aktivitas fisik. Selanjutnya, aplikasi smartphone,

https://doi.org/10.1016/j.knosys.2019.104939
0950-7051/© 2019 Diterbitkan oleh Elsevier BV

Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
2 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx
juga dikenal sebagai aplikasi, membuat penggunaannya lebih sesuai untuk
populasi yang lebih luas, memungkinkan mereka untuk memantau dan
mengelola beberapa kondisi kronis [15]. Oleh karena itu, perangkat ini dapat
memperoleh informasi sensor dan menyimpan serta membagikannya (melalui
WiFi, 3G, LTE, dll.) dengan perangkat jarak jauh lain untuk mengirimkannya ke
tahap pasca-pemrosesan [16].
Klasifikasi data deret waktu seperti sinyal yang dihasilkan oleh
sensor inersia sulit untuk diklasifikasikan dalam a contoh-sebagai- fitur
mode: dimensi tinggi dari ruang fitur bersama dengan jumlah sampel
yang terbatas (seperti yang biasa dalam masalah biomedis)
menghasilkan apa yang disebut kutukan dimensi masalah, membatasi
kemampuan generalisasi model. Dengan cara itu, tahap pasca-
pemrosesan komputasi informasi yang relevan untuk
mengklasifikasikan sinyal inersia dengan mengekstraksi deskriptor
temporal dan spektral statistik mengurangi dimensi ruang fitur,
meningkatkan kemampuan generalisasi model dan mengurangi beban
komputasi. Sementara fitur temporal didasarkan pada statistik yang
dihitung secara langsung melalui sinyal waktu, fitur spektral
memerlukan komputasi Spektrum Daya (PSD) sinyal untuk
mengekstrak informasi (yaitu, daya) di sub-band yang berbeda. Ini
secara tradisional dilakukan oleh Fourier [17] atau Analisis Gelombang [
17-19]. Namun, metode analisis ini menghadirkan beberapa
kelemahan terkait dengan sifat non-stasioner dari sinyal inersia.
Selanjutnya, penggunaan fitur yang dihitung dari sinyal waktu
(seperti mean, varians, atau fitur terkait amplitudo) serta fitur yang
berasal dari spektrum PSD (daya puncak, spektral centroid, kurtosis
spektral, dll.) juga tidak dapat dijelaskan - cukup menarik atau
menangkap pola yang berkaitan dengan diskriminasi kelas. Jadi, kami
berhipotesis bahwa aktivitas fisik dan tingkat fungsional orang dewasa
yang lebih tua dapat diprediksi menggunakan dua metode pelengkap
yang mengekstrak fitur diskriminatif dari sinyal inersia yang direkam
selama 6MWT.
Dalam makalah ini, kami menyajikan dua pendekatan berbeda berdasarkan
arsitektur pembelajaran mendalam. Yang pertama terdiri dari penggunaan
Convolutional Autoencoder (CAE) untuk mengekstrak fitur dari data akselerasi.
Fitur-fitur ini kemudian diklasifikasikan menggunakan mesin vektor dukungan.
Pendekatan kedua yang disajikan dalam makalah ini terdiri dari penggunaan
jaringan saraf convolutional (CNN) yang pertama mengekstrak fitur dari data
akselerasi dan kemudian, menggunakan jaringan mirip perceptron (lapisan yang
terhubung penuh) untuk mengimplementasikan classifier. Dalam hal ini, jaringan
yang sama mengekstrak fitur dan mengklasifikasikannya. Selain itu, kami
membandingkan hasil yang diperoleh dengan menggunakan pendekatan
berbasis pembelajaran mendalam yang disajikan dalam makalah ini, dengan yang
sebelumnya disajikan di [20], yang hanya menggunakan teknik pemrosesan sinyal
(khususnya, Dekomposisi Mode Empiris) untuk menguraikan sinyal akselerasi dan
kemudian menghitung deskriptor statistik waktu dan frekuensi klasik. Deskriptor
ini akhirnya diklasifikasikan menggunakan mesin support vector.
Dengan demikian, kebaruan makalah ini ada dua. Pertama, kami
menggunakan 6MWT untuk mengeksplorasi pola pergerakan manusia
yang terkait dengan kerapuhan. Kedua, kami mengusulkan metode
yang menghindari penggunaan teknik pemrosesan sinyal statistik
klasik atau perhitungan statistik yang telah ditentukan sebelumnya
sebagai fitur untuk menggambarkan sinyal. Sebagai gantinya, kami
mengusulkan dua arsitektur pembelajaran mendalam yang secara
otomatis menghitung fitur tertentu melalui proses pembelajaran.
Dengan cara ini, kami menyajikan dua metode yang dapat dilihat
sebagai pelengkap. Pendekatan CAE menggunakan pembelajaran
tanpa pengawasan untuk menghitung fitur representatif yang pada
akhirnya dapat diklasifikasikan. CNN terdiri dari tahap convolutional
yang mengekstrak fitur dan jaringan klasifikasi. Kedua pendekatan ini
bekerja sama (mengingat analisis statistik),
Sisa makalah ini disusun sebagai berikut. Bagian2 menggambarkan
studi saat ini yang tersedia di mana 6MWT diukur menggunakan
akselerometer. Selanjutnya, Bagian3 menyajikan database
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
digunakan untuk menilai metode yang diusulkan dalam pekerjaan ini
bersama dengan deskripsi metodologi, termasuk proses ekstraksi fitur
dari sinyal inersia asli. Kemudian, hasil yang diperoleh ditunjukkan
pada Bagian4 dan akhirnya, kesimpulan dan pekerjaan masa depan
disajikan di Bagian 5.
2. Pekerjaan terkait
Seperti yang dinyatakan di atas, smartphone menggabungkan beberapa
sensor yang membuatnya cocok untuk mengukur parameter fisik yang berbeda.
Selanjutnya, muncul beberapa perangkat baru yang juga menyertakan teknologi
ini, seperti smartwatch dan smartband. Keandalan dan validitas pelacak
kebugaran (smartbands) yang berbeda untuk mengukur jumlah langkah selama
tes berjalan 2 menit (2MWT) pada orang dewasa yang lebih tua telah dinilai,
melaporkan hasil yang dapat diterima [21]. Meskipun demikian, meskipun
beberapa alat komersial telah muncul, sebuah studi [22] merekomendasikan
untuk mengambil tindakan pencegahan dengan mempertimbangkan data terkait
berjalan kaki yang diperoleh oleh akselerometer iPhone dalam kondisi hidup
bebas; mereka dapat mencapai bias rata-rata 21,5% atau ketidakseimbangan
1340 langkah/hari. Pada catatan lain, mereka menganggap bahwa akselerometer
iPhone cocok dalam kondisi laboratorium, dengan bias rata-rata kurang dari 5%
(dapat diterima untuk pedometer). Oleh karena itu, teknologi yang tersedia bagi
pengguna saat ini perlu dirancang untuk skenario terkontrol.
Dengan cara itu, karya-karya sebelumnya seperti [19,23],
difokuskan pada klasifikasi gerakan manusia, menggunakan teknik
pemrosesan sinyal klasik untuk memproses sinyal inersia sebelumnya
dan mengekstrak deskriptor statistik. Secara khusus, di [19], fitur
spatio-temporal berasal dari analisis wavelet. Karya lain seperti [23-
25] menyajikan teknik untuk menghitung fitur temporal, spektral dan spatio-
temporal untuk menggambarkan sinyal inersia yang bertujuan untuk
memodelkan gaya berjalan. Karya-karya ini bertujuan untuk mengklasifikasikan
sinyal inersia, berfokus pada Pengenalan Aktivitas Manusia (HAR) tetapi tidak
untuk memprediksi label klinis, seperti di [26], yang menggunakan sinyal
ekstremitas bawah untuk mengklasifikasikan hiposmia sehat dan idiopatik.
Klasifikasi semacam ini berguna untuk menentukan gambaran klinis yang
berkaitan dengan status fisik atau lebih khusus lagi, dengan risiko kerapuhan.
Oleh karena itu, beberapa makalah dapat ditemukan dalam literatur
saat ini di mana kondisi fisik diprediksi menggunakan sensor
akselerometer. Drover dkk. [27] menggunakan transformasi Fourier untuk
mengklasifikasikan orang dewasa yang lebih tua menurut risiko jatuh
mereka, menggunakan data akselerasi 6MWT yang diperoleh dari
perangkat komersial. Selanjutnya, Similä et al. [28] juga menggunakan
transformasi Fourier untuk mendeteksi tanda-tanda awal defisit
keseimbangan menggunakan data percepatan yang diperoleh selama Berg
Balance Scale, Time-Up-and-Go, dan tes berjalan 4 meter. Selain itu,
Vervoort dkk. [29] menerapkan analisis Wavelet untuk mengklasifikasikan
populasi menurut efek penuaan, melalui data sensor inersia yang diperoleh
selama uji Time-Up-and-Go. Dengan cara ini, pekerjaan sebelumnya [20]
mengusulkan penggunaan EMD sebagai metode dekomposisi untuk
mendapatkan sinyal waktu pada sub-band frekuensi yang berbeda.
Kemudian, fitur temporal dan spektral diekstraksi dan digunakan untuk
mengklasifikasikan deret waktu. Di luar penggunaan teknik pemrosesan
sinyal klasik, pendekatan pembelajaran mesin merupakan alternatif untuk
mengekstrak fitur representatif atau diskriminatif dari sinyal inersia, tanpa
pengetahuan atau asumsi sebelumnya yang diperlukan untuk mengatasi
masalah dari sudut pandang pemrosesan sinyal klasik (stasioneritas atau
periodisitas). , contohnya). Selain itu, teknik Deep Learning saat ini telah
menunjukkan keberhasilannya dalam berbagai masalah klasifikasi
kompleks [30,31] dan kemampuannya mengekstraksi fitur pada tingkat
abstraksi yang berbeda [32].
Mengenai literatur, metode yang berbeda untuk HAR tersedia. Sebuah
makalah survei untuk penggunaan metode berbasis Deep Learning yang
berbeda untuk HAR disajikan di [33] menggunakan kumpulan data publik;
penggunaan arsitektur yang berbeda seperti Deep Neural Networks, Deep
Belief Networks dan CNNs sedikit ditinjau. Selanjutnya, penggunaan CNN
disajikan dalam [34] untuk dua kelas
 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx 3

masalah HAR. Selain itu, metode untuk klasifikasi HAR 6-kelas disajikan
dalam [35]. Namun demikian, karya-karya sebelumnya menggunakan
teknik pemrosesan sinyal klasik, termasuk multiresolusi dan analisis
wavelet [36] atau model autoregresif [37], menunjukkan kinerja serupa
menggunakan metode komputasi yang lebih ringan. Sebaliknya,
klasifikasi subjek menurut label klinis mengenai aktivitas fisik mereka
memerlukan model yang mampu mengekstraksi fitur diskriminatif dan
mencari tahu pola [20].
Mengingat latar belakang ini, penelitian ini menggunakan metode CAE
untuk mewakili sampel dalam ruang dimensi yang lebih rendah dan
pengklasifikasi CNN untuk secara langsung mengklasifikasikan subjek
mengenai label klinis yang diprediksi melalui pola yang ditemukan dalam
sinyal inersia selama 6MWT. Ini dapat digunakan untuk mengurangi waktu
evaluasi dan meningkatkan kualitas perawatan.

3. Bahan dan metode

3.1. Himpunan data

Dataset yang digunakan dalam penelitian ini untuk menerapkan

CAE dan CNN diperoleh dari sekelompok subjek. Informasi relatif
terhadap ukuran antropometri dan aktivitas fisik dicatat dalam bentuk
sinyal inersia. Sinyal-sinyal ini dapat dilihat sebagai urutan nilai
percepatan yang diambil sampelnya pada laju tertentu (yaitu laju
pengambilan sampel). Dalam hal ini, percepatan dalam tiga sumbu (x,
y, z) diambil sampelnya secara bersamaan. Dalam kasus kami, laju
pengambilan sampel 32 Hz digunakan, yang berarti bahwa 32 nilai
akselerasi disimpan per detik. Ini menghasilkan urutan nilai
Gambar 1. Prosedur pengumpulan data kinematik.
percepatan yang diambil sampelnya secara berkala dan diurutkan
sementara. Ini, secara umum, disebut deret waktu.

(II) Tingkat Aktivitas Fisik: Tingkat aktivitas fisik (PAL) adalah

3.1.1. mata pelajaran
Untuk mendapatkan informasi ke dalam studi cross-sectional ini,
total 17 orang dewasa yang lebih tua (14 wanita dan 3 pria), direkrut
antara Mei dan Juli 2016 dari pusat kesehatan primer di Lisbon
(Portugal). Kriteria Inklusi adalah: lansia yang dapat naik dan turun
dari kursi lima kali tanpa bantuan eksternal-internal, dan lansia yang
dapat menyelesaikan lebih dari 6 menit berjalan secepat mungkin
tanpa bantuan eksternal-internal. Setiap peserta menerima penjelasan
rinci dari penelitian dan memberikan persetujuan tertulis sebelum
partisipasi. Studi ini sesuai dengan prinsip-prinsip Deklarasi Helsinki.
Dewan peninjau institusional menyetujui semua prosedur studi dari
institusi yang berpartisipasi.
dinilai dan subjek diklasifikasikan sebagai tidak aktif/tidak aktif, kurang
aktif atau aktif menurut klasifikasi perilaku fisik [39]. Peserta aktif
dianggap melakukan 30 menit aktivitas sedang setidaknya 5 hari
seminggu dan/atau 20 menit aktivitas berat 3 hari seminggu atau
kombinasi keduanya. Semua subjek diklasifikasikan sebagai profil yang
tidak aktif atau kurang aktif. Dengan demikian, variabel tersebut
dianggap dikotomis. Dari 17 peserta, 64,71% tidak aktif/tidak aktif dan
35,29% kurang aktif.
(AKU AKU AKU) Tingkat Kebugaran Fungsional: Baterai Tes Kebugaran Senior adalah

digunakan untuk menilai tingkat kebugaran fungsional peserta. Tes

3.1.2. Protokol
Empat jenis variabel yang berbeda dicatat dari subyek kami: (I)
pengukuran antropometri, (II) tingkat aktivitas fisik, (III) tingkat
kebugaran fungsional dan (IV) Tes Berjalan 6-Menit. Dengan cara itu,
sinyal inersia hanya diperoleh selama 6MWT.
(SAYA) Pengukuran Antropometri: Prosedur antropometrik-
Dures yang dijelaskan diperoleh mengikuti pedoman The International
Society for the Advancement of Kinanthropometry (ISAK) [38]. Tinggi
dan berat badan dicatat dengan peserta tanpa alas kaki dan pakaian
ringan. Subjek, berdiri dalam posisi anatomis dengan daerah oksipital,
punggung, daerah gluteal dan tumit yang bersentuhan dengan batang
tinggi badan, mengambil lebar yang dalam untuk pengukuran tinggi
badan. Tinggi adalah jarak dari titik puncak ke telapak kaki. Indeks
massa tubuh (BMI) dihitung dengan membagi berat badan dalam
kilogram (kg) dengan tinggi badan dalam meter persegi (m2). Lingkar
betis pada sisi dominan diukur pada titik diameter terlebar betis.
Lingkar lengan atas pada sisi dominan diukur pada lengan atas pada
titik tengah antara akromion dan olekranon.
dilakukan sesuai dengan pedoman dan protokol untuk administrasi [40
]. Kekuatan tungkai bawah diukur dengan tes berdiri kursi 30 detik (30
detik CST); untuk mengukur daya tahan aerobik kami menggunakan
tes jalan kaki 6 menit (6MWT) [10]; dan perkiraan jarak berjalan
dihitung dengan persamaan yang divalidasi [41].
(IV) Tes Berjalan 6 Menit: Data inersia diperoleh selama
6MWT, yang terdiri dari jalan-jalan pendek 30 m berulang dengan
kecepatannya sendiri dengan trek titik ke titik (ditandai dengan
kerucut kecil dengan sinyal peningkatan 5 meter). Dua kursi mungkin
tersedia di batas dua titik untuk beristirahat jika subjek menjadi
bergejala. Meskipun keamanan tes ini tinggi, dianjurkan untuk
dilakukan oleh orang yang berkualifikasi. Dengan cara itu, tujuannya
adalah untuk mendapatkan siklus yang berbeda dalam sinyal inersia,
masing-masing sesuai dengan jalan yang berbeda. IPhone 4
diamankan dengan pas ke subjek uji dengan sabuk fiksasi neoprene di
atas tulang dada dengan layar melihat ke depan untuk mendapatkan
data sinyal (Gambar 1).
Informasi tentang semua karakteristik dan ukuran yang dicatat dari
para peserta ditunjukkan dalam: Tabel 1.

Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
4 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx

Gambar 2. Percepatan yang dihasilkan (a), giroskop x-sumbu tersegmentasi (b) dan percepatan yang dihasilkan tersegmentasi (c).

Tabel 1 pertama-tama dihaluskan dengan penyaringan lolos rendah menggunakan

Karakteristik deskriptif dan klinis subjek (n = 17).
filter orde 5 Butterworth dengan frekuensi potong 16 Hz untuk memenuhi
Berarti SD teorema Nyquist. Ini bertujuan untuk menghilangkan paku dengan konten
Usia (tahun) 83.26 6.56 frekuensi tinggi yang hanya berkontribusi pada fitur akhir sebagai noise.
Berat (kg) 64.53 7.42
Tinggi (m) 1.52 0,07
IMT (kg/m2) 28.03 2.74
6MWT (m) 359.26 107,50
3.2.2. Segmentasi sinyal otomatis
30-s CST (pengulangan) 11.37 4.89 Seperti dijelaskan di atas, data inersia diperoleh selama 6MWT.
Akibatnya, siklus yang berbeda muncul dalam sinyal inersia, masing-masing
sesuai dengan jalan yang berbeda. Protokol sebelumnya [42] digunakan
untuk mengidentifikasi variabel kinematik dari 6MWT. Dalam protokol ini,
3.2. Pra-pemrosesan sinyal percepatan linier diukur sepanjang tiga sumbu ortogonal menggunakan
akselerometer iPhone 4. Aplikasi yang digunakan untuk mendapatkan data
3.2.1. Penyaringan sinyal kinematik adalah xSensor Pro, Crossbow Technology, Inc. Data sampling
Sebagian besar informasi yang berkaitan dengan pergerakan manusia rate diatur ke 32 Hz. Sebuah studi sebelumnya menunjukkan kesalahan
terdapat dalam frekuensi di bawah 20 Hz. Dengan cara ini, sinyal yang dihasilkan internal (standar deviasi dari perbedaan antara

Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx
Gambar 3. Metode keseluruhan, termasuk segmentasi inersia
pengukuran oleh dua pengamat yang berbeda) dari 4.0' untuk iPhone dan
3.4' untuk busur derajat [43]. Dengan cara ini, sinyal uji keseluruhan harus
terlebih dahulu disegmentasi untuk mengekstrak kutipan yang sesuai
dengan setiap perjalanan. Ini telah diatasi dengan mendeteksi periode
aktivitas dix-sumbu sinyal giroskop, yang menunjukkan rotasi tubuh di
sekitar porosnya. Ini menentukan (seperti yang ditunjukkan padaGambar
2(b)) perubahan mendadak dalam akselerasi yang sesuai dengan
perubahan arah gerakan karena orientasi spesifik akselerometer yang
digunakan dalam percobaan. Gambar 1 telah ditambahkan dalam revisi ini
untuk menggambarkan bagaimana perubahan arah terutama
mempengaruhi sinyal x giroskop. Kemudian, ini diperlakukan sebagai
masalah deteksi aktivitas, di mana periode non-aktivitas sesuai dengan
perubahan arah (belok di ujung koridor sesuai dengan tes berjalan 6 menit).
Deteksi aktivitas ini dix-sumbu giroskop ditentukan dengan menghitung
selubungnya, menggunakan besarnya sinyal analitis yang diperoleh dengan
menggunakan transformasi Hilbert. Kemudian, periode aktivitas dideteksi
dengan ambang batas sinyal, sehingga tetap setidaknya jumlah sampel
minimum di atas ambang batas. Ini memberikan metode yang cukup kuat
untuk segmentasi otomatis yang bekerja dengan benar pada semua sampel
yang tersedia di database kami.
Gambar 2.(a) menunjukkan besaran aslinya M dari resultan
percepatan m = √ x2 + kamu2 + z2 lembur. Metode yang dijelaskan
di atas digunakan untuk menyegmentasikan giroskop x-sinyal sumbu, ditunjukkan dalam
2(b) dan kemudian, topeng segmentasi diterapkan ke M sinyal.
Hasilnya ditampilkan dalamGambar 2.(C). Untuk menghomogenkan
panjang segmen, setiap segmen yang diekstraksi dipotong untuk
menyimpan 1200 sampel pusat. Selanjutnya, kumpulan yang berisi
semua segmen disusun serta indeks yang sesuai untuk
mengidentifikasi segmen milik subjek tertentu. Dengan cara ini, setiap
segmen yang diperoleh dari setiap subjek digunakan sebagai input ke
autoencoder. Ini berkaitan dengan tujuan ganda. Karena segmen-
segmen yang termasuk subjek kondisi serupa dianggap mengandung
informasi yang serupa, segmen-segmen ini dapat dikumpulkan dan
diberi label untuk memiliki lebih banyak data yang tersedia untuk
melatih pengklasifikasi, mengurangi efek overfitting dan
meningkatkan kemampuan generalisasi model. Di sisi lain, klasifikasi
dapat dilakukan pada segmen tunggal yang selanjutnya dapat
digabungkan untuk meningkatkan kinerja klasifikasi.
Gambar 3 menunjukkan semua tahapan yang terlibat dalam
metode yang diusulkan. Ini termasuk (1) akuisisi sinyal inersia mentah,
(2) preprocessing, (3) ekstraksi fitur dan (4) klasifikasi dan (5) kombinasi.
Gambar 2. menunjukkan metodologi umum yang diusulkan dalam
pekerjaan ini. Ini terdiri dari empat tahap:
1. Pra-pemrosesan. Setelah sinyal inersia mentah diperoleh menggunakan
IMU, diambil sampelnya pada 32 Hz, sinyal tersebut difilter low-pass,
karena informasi yang terkait dengan pergerakan manusia terkandung
dalam komponen frekuensi rendah. Secara khusus, filter Butterworth
orde 5 15 Hz digunakan.
2. Segmentasi. Seperti yang dijelaskan pada pendahuluan, tes jalan
kaki 6 menit terdiri dari rangkaian jalan kaki sepanjang koridor
30 m. Namun, seluruh rangkaian waktu (berisi semua jalan)
disimpan selama akuisisi sinyal. Langkah pra-pemrosesan ini
memanfaatkan giroskopx-sinyal sumbu untuk mendeteksi
putaran (lihat orientasi IMU di Gambar 1), dan masing-masing
jalan ini disebut segmen. Setiap segmen akan diperlakukan
sebagai sampel.
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
5
sinyal, ekstraksi fitur, klasifikasi dan ensemble.
3. Ekstraksi fitur. Langkah ini bertujuan untuk menghitung deskriptor
dari setiap segmen. Deskriptor ini harus cukup informatif untuk
mewakili sinyal dan akhirnya, untuk mengklasifikasikannya
(informasi diskriminatif). Tidak seperti pendekatan sebelumnya [19,
20,23] yang menggunakan deskriptor statistik yang diketahui
sebelumnya, kami mengusulkan penggunaan arsitektur
pembelajaran mendalam untuk mempelajari fitur. Secara khusus,
dua metode (CAE dan CNN) disajikan, yang masing-masing
menggunakan pembelajaran tanpa pengawasan dan terawasi.
Metode berbasis deep-learning memungkinkan komputasi fitur
yang paling diskriminatif dan spesifik dari data mentah dan
menghindari penggunaan metode dekomposisi sinyal (seperti
analisis Fourier atau Wavelet) yang menggunakan dasar yang telah
ditentukan sebelumnya. Di sisi lain, metode terawasi dan tidak
terawasi yang disajikan di sini dapat digunakan untuk tujuan yang
saling melengkapi. Metode berbasis CAE tanpa pengawasan
difokuskan pada ekstraksi fitur representatif dalam ruang
berdimensi lebih rendah. Fitur-fitur ini dapat digunakan lebih lanjut
untuk klasifikasi atau regresi setelah jaringan dilatih. Metode
supervisi berbasis CNN menghasilkan fitur-fitur khusus selama
proses pembelajaran ketika jaringan dilatih untuk membedakan
antar kelas. Fitur diskriminatif yang dihasilkan mengungkapkan
sampel dan bentuk spesifik dari sinyal asli yang mengaktifkan
neuron pada lapisan yang berbeda untuk kelas tertentu.
4. Klasifikasi dan kombinasi. Fitur yang diekstraksi dari setiap segmen
kemudian digunakan untuk memberi makan pengklasifikasi yang
diawasi. Ini menghasilkan prediksi untuk setiap segmen dari subjek
yang sama. Oleh karena itu, prediksi ini harus digabungkan untuk
menghasilkan hasil yang unik. Hal ini diatasi dengan strategi
pemungutan suara mayoritas, yang rincian matematikanya
disediakan di Bagian3.4.2
3.3. Jaringan saraf konvolusi
Dalam beberapa tahun terakhir, arsitektur pembelajaran
mendalam telah mengalahkan hasil-hasil mutakhir dalam masalah
klasifikasi. Arsitektur saraf yang berbeda, biasanya disusun oleh
sejumlah besar lapisan telah diusulkan untuk tujuan ini. Dengan cara
ini, CNN telah menjadi salah satu model yang paling populer karena
kinerja klasifikasi yang disediakan di bidang analisis citra [44-47]. CNNs
terinspirasi oleh respon convolutional neuron yang kombinasinya di
lapisan yang berbeda memungkinkan untuk mengekstrak fitur dalam
tingkat abstraksi yang meningkat. Prinsip yang sama dapat diterapkan
pada data deret waktu untuk mempelajari ciri-ciri representatif atau
diskriminatif karena sampel lingkungan biasanya terkait dan pola
dapat ditemukan dari hubungan tersebut.
Lapisan konvolusi melakukan operasi konvolusi dari
masukan mereka xSaya-1 dengan satu set K filter wSaya. Dengan cara ini, kth
istilah konvolusi untuk kfilternya adalah
Σ ]
wik * xSaya-1 = n-1[ wik(n · l) xSaya-1(J + l) (1)
aku =0
Di CNN, biasanya untuk mengurangi ukuran peta fitur di lapisan
berikutnya. Efek downsampling ini ditangani oleh apa yang disebut
kolam renang, yang terdiri dari menghitung nilai maksimum atau rata-
rata dalam sebuah jendela (MaxPooling dan MeanPooling, masing-
masing). Dalam kasus kami, pengurangan fitur dilakukan oleh lapisan
MaxPooling.
6 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx

Gambar 4. Arsitektur Autoencoder Deep Convolutional digunakan untuk menghitung sekumpulan fitur yang dikurangi dari sinyal intersial.

3.3.1. Normalisasi batch manifold dengan struktur dan distribusi yang kompleks, biasanya
Normalisasi batch (BN) [48] lapisan bertujuan untuk meningkatkan memerlukan penghitungan fitur yang lebih kompleks sesuai dengan tingkat
stabilitas jaringan. Lapisan ini menstandarisasi output dari abstraksi yang lebih tinggi. Hal ini dapat diatasi dengan membangun
lapisan aktivasi sebelumnya dengan mengurangkan rata-rata batch an= D autoencoder yang mengandung lapisan convolutional, memberikan dua
keuntungan utama. Di satu sisi, lapisan konvolusi memungkinkan kami
{dibagi
kamu1,...,M batch
dengan yang deviasi
standar berisi output aktivasi
batch untuk untuk
setiap MMembiarkan
fitur. sampel. B menghitung fitur dengan mempertimbangkan nilai sinyal lingkungan. Di
Kemudian, rata-rata batch dan varians batch dapat masing-masing sisi lain, penggunaan arsitektur yang dalam menyediakan arena untuk
didefinisikan sebagai menghitung fitur di tingkat abstraksi yang lebih tinggi.
Tidak seperti metode yang dirujuk dalam Bagian 2 di mana satu set fitur
1 Σ 1 Σ
M M

μB = , σ2 =
y Saya B (xSaya - μB)2 (2) temporal atau spektral yang telah ditentukan sebelumnya dihitung, kami
M M mengusulkan penggunaan CAE untuk mempelajari fitur perwakilan secara
=
Saya 1 saya =1

otomatis dari sinyal inersia mentah dengan pembelajaran tanpa

dan S√ μB dalam batch B dapat dinormalisasi menjadi
banyak
pengawasan. Arsitektur CAE spesifik yang digunakan dalam pekerjaan ini
xSaya - ditunjukkan pada:Gambar 4. Input bagian encoder terdiri dari data deret
ˆ =
kamuSaya (3)
σ ε2
B+ waktu dari tiga sumbu percepatan (x, y, z) secara terpisah, dan konvolusi
terpisah juga dilakukan pada lapisan pertama. Hasil dari konvolusi individu
di mana ε adalah konstanta yang ditambahkan ke varians batch untuk stabilitas
kemudian digabungkan untuk memberi makan lapisan encoder berikutnya.
numerik [48].
Setelah setiap operasi konvolusi, fungsi aktivasi yang
ˆ digeser dan diskalakan
Setelah itu, aktivasi yang dinormalisasi kamuSaya
mengimplementasikan perilaku non-linear lapisan dilakukan. Dalam kasus
kami, aktivasi Rectified Linear Unit (ReLU) [49] diterapkan di semua lapisan
sebagai:

ˆ
zsaya = γ kamusaya + β (4) tetapi yang terakhir, di mana aktivasi linier digunakan. ReLU adalah fungsi
aktivasi non-jenuh yang didefinisikan sebagaig(x) = maks(0, x) yang
di mana (, ) adalah dua parameter yang harus dipelajari. menghindari aktivasi negatif
Dengan demikian, BN menambahkan noise ke nilai aktivasi, nilai-nilai. Di c = sebaliknya, aktivasi linier hanyalah fungsi identitas
menghasilkan efek regularisasi yang mengurangi saling g(x)x. Selanjutnya, MaxPooling operasi dengan
ketergantungan lapisan. Akibatnya, BN mengurangi overfitting dan 2 sampel menyaring dan langkah dari 2 sampel, menurunkan sampel
meningkatkan kemampuan generalisasi autoencoder. hasil konvolusi dengan faktor 2. Secara keseluruhan, bagian encoder
terdiri dari empat lapisan konvolusi, dua MaxPoolings menggunakan
3.4. Ekstraksi fitur oleh Deep Convolutional Autoencoder langkah 2 (untuk mengurangi setengah sampel ) serta lapisan
normalisasi batch. Output dari encoder adalahPadat
Autoencoder [30] adalah arsitektur saraf yang bertujuan untuk lapisan untuk menanamkan output dari lapisan konvolusi terakhir dalam dimensi
menghitung representasi kompak (berdimensi rendah) dari tinggi yang lebih sedikit. Tahap decoder dimulai padaPadat lapisan dan menggunakan
- sampel dimensi melalui pembelajaran tanpa pengawasan. Mereka struktur yang terdiri dari lima lapisan konvolusi untuk mengubah kembali ke
biasanya disajikan sebagai struktur simetris yang terdiri dari beberapa ruang aslinya. Pada tahap ini, lapisan upsampling melawan efek lapisan max-
lapisan dengan hambatan di tengahnya. Jadi, sementara bagian pertama, pooling yang digunakan dalam tahap encoder [50].
juga disebut encoder, diumpankan dengan sampel data inputx, Selain itu, Gambar 4 menunjukkan penggunaan eksponensial Berskala
bagian kedua, juga disebut decoder menggunakan output dari Satuan Linier (S{eLU) [51], yang didefinisikan sebagai:
decoder sebagai input. Seluruh arsitektur dilatih dengan
(exp(x) - 1) jika x ≤ 0
meminimalkan kesalahan rekonstruksi antara output dan input. SeLU(x) = λ x (5)
Dengan kata lain, autoencoder mempelajari representasi terbaik dari jika x > 0
sampel data input dalam ruang laten berdimensi rendah. Oleh karena Aktivasi SeLU memiliki keunggulan dibandingkan aktivasi ReLU,
itu, autoencoder dapat dilihat sebagai kombinasi dari (1) fungsi karena sifat self-normalizing-nya yang cenderung menghasilkan
encoding: Rn → RD yang mengompresi sampel data input aktivasi standar. Ini meningkatkan ketahanan proses pembelajaran,
x ke dalam ruang laten z ∈ R D dan (2) fungsi decoding terutama di jaringan yang dalam.
D : R → R yang merekonstruksi sampel asli dari versi mereka
D n
Selain itu, kesalahan kuadrat rata-rata digunakan sebagai fungsi kerugian
terkompresi sambil meminimalkan kesalahan rekonstruksi. untuk meminimalkan kesalahan rekonstruksi, bersama dengan RMSprop
Autoencoder secara tradisional terdiri dari lapisan yang terhubung pengoptimal.
penuh, sama seperti di jaringan perceptron multilayer. Arsitektur ini
Σ
berkinerja cukup baik untuk banyak aplikasi. Namun, aplikasi yang L=1 x )2
(xSaya -~Saya (6)
membutuhkan pemrosesan data n
Saya

Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx
Gambar 5. Penyematan ruang fitur yang diperoleh menggunakan Deep Autoencoder. Distribusi kelas yang berbeda dianggap sesuai dengan pelabelan klinis yang berbeda
kriteria (a) jarak, (b) 30-s CST, (c) PAL.
di mana xSaya adalah Sayasampel dataset dan ~ xSaya apakah itu direkonstruksi?
versi, diperoleh pada output CAE.
Untuk menilai secara visual sifat diskriminatif dari fitur yang diekstraksi,
kami menggunakan algoritma T-SNE [52] untuk mendapatkan tampilan 2D
dari setiap segmen dan distribusi kelas. Dengan demikian,
Gambar 5 menunjukkan representasi 2D dari fitur, diberi label oleh
kriteria klinis yang berbeda: Gambar. 5(a)–5(c)menunjukkan 2D fitur
untuk PAL, 30s-CST dan total jarak yang ditempuh selama 6MWT,
masing-masing.
3.4.1. Kelas fitur (sificati) diaktifkan oleh pengklasifikasi vektor dukungan
Setelah CAE dilatih, Bagian encoder digunakan untuk
pute k fitur F1,...,k dari sinyal inersia. Lalu, ini
fitur diklasifikasikan menggunakan Linear Support Vector Classifier (SVC). Sebuah
classifier linier dapat didefinisikan sebagai
g(fsaya) = W⊤Fsaya + B
Pelatihan classifier terdiri dari menghitung W dan B,
untuk mendefinisikan hyperplane pemisah terbaikSayasebagai F W+ b = 0.
Perhitungan hyperplane dapat dirumuskan dengan cara yang
berbeda. Dalam Support Vector Machines, hyperplane dihitung
dengan memaksimalkan margin ∥ 2
W∥ ke{
hyperplane sebagai
2 +1 = +1
jika akuSaya
maksimal tunduk padaW⊤Fsaya + b =
W ∥W
∥ , 1, jika akusaya = -1
3.4.2. Menggabungkan segmen dalam pengklasifikasi CAE-SVM
Seperti yang dijelaskan di Bagian 3.2.2, autoencoder dilatih menggunakan
segmen tunggal diekstraksi dari sinyal inersia (x, y dan z
sumbu) dari setiap mata pelajaran. Karena segmen yang diekstraksi
dari subjek dengan kondisi serupa (yaitu label klinis yang sama)
diharapkan serupa (yaitu fitur serupa dapat diekstraksi darinya), kami
menggunakan model klasifikasi yang sama. Namun, metode ini sangat
menambah data yang tersedia, mengurangi model
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https://doi.org/10.1016/j.knosys.2019.104939.
7
overfitting. Jika tidak, kombinasi pengklasifikasi biasanya dianggap lebih
akurat dan kuat daripada individu – juga disebutlemah – pengklasifikasi [53,
54]. Oleh karena itu, hasil klasifikasi berdasarkan segmen tunggal dari suatu
subjek digabungkan menggunakan strategi pemungutan suara mayoritas
yang bertujuan untuk meningkatkan kinerja klasifikasi.
bentuk dan stabilitas. MembiarkanHaik, {k = 1, . . . ,K} jadilah prediksi
hanya berdasarkan k - th segmen dan CJ, = 0, 1 label yang ditetapkan
untuk J - th kelas. Prediksi ini dapat digabungkan dengan
menghitung jumlah segmen n yang memprediksi kelas J [55]:
NJ = #{k|o = kCj} k = {1, . . . ,K} (9)
dan prediksi gabungan HAI dapat dihitung sebagai:
O = argmax nJ (10)
J
(7) 3.5. Klasifikasi menggunakan jaringan saraf convolutional self-
normalizing
Di Bagian ini, kami menunjukkan penggunaan CNN yang ditunjukkan pada Gambar 6
untuk mengklasifikasikan sinyal inersia. Metode keseluruhannya sama seperti
yang ditunjukkan padaGambar 3, tetapi dalam kasus ini, ekstraksi fitur dan
klasifikasi dilakukan oleh CNN tunggal, tanpa menggunakan pengklasifikasi
vektor pendukung.
(8) Arsitektur di Gambar 6 menggunakan hyperparameter serupa
daripada yang ada dalam kasus autoencoder (Gambar 4, ditentukan
dengan eksperimen. Jadi, konvolusi menggunakan kernel 10× 1 titik
data dan langkah 1 titik digunakan dalam semua kasus. Selain itu,
lapisan MaxPooling mengurangi ukuran data pada lapisan berikutnya
dengan faktor 2. Selain itu, lapisan padat yang menyusun tahap
terhubung penuh berisi 256, 256 dan 2 unit. Yang terakhir, sesuai
dengan jumlah kelas. Fungsi aktivasi SeLU digunakan dalam semua
kasus, tetapi pada lapisan terakhir yang menggunakansoftmax
pengaktifan. Akhirnya, AlphaDropout (p = 0,5) digunakan untuk
mengatur jaringan untuk meningkatkan kemampuan generalisasi.
8 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx
Gambar 6. Arsitektur Jaringan Konvolusi yang digunakan dalam Bagian ini.
3.5.1. Menggabungkan segmen dalam pengklasifikasi CNN
Dalam kasus pengklasifikasi berbasis CNN, dua neuron keluaran
hadir di lapisan terakhir. Karena fungsi softmax mengaktifkan lapisan
ini, prediksi diwakili oleh dua nilai (aktivasi setiap neuron keluaran)
yang sesuai dengan probabilitas sampel untuk menjadi bagian dari
kelas tertentu. Memang, strategi pemungutan suara mayoritas
digunakan untuk menggabungkan prediksi yang diperoleh untuk
semua segmen dari suatu subjek.
Skor kombinasi prediksi yang berbeda berkorelasi
menanggapi semua segmen dari suatu subjek dilakukan sebagai
ΣK0 ΣK1
S= SSaya
0
- SJ1 Saya = J
saya =1 j=1
di mana K0 dan K1 adalah jumlah segmen yang diklasifikasikan sebagai kelas 0
dan kelas 1, dan S0 Saya dan S0Saya adalah skor yang diperoleh untuk
segmen yang sesuai dengan kelas 0, dan kelas 1, masing-masing.
4. Hasil dan diskusi
Pada Bagian ini, kami menyajikan hasil yang diperoleh dengan
menggunakan arsitektur yang dijelaskan pada Bagian sebelumnya,
yaitu arsitektur CAE dan CNN Deep Learning, serta perbandingan
dengan metode berbasis EMD yang diusulkan di [20]. Semua
implementasi telah dikembangkan dengan Python, dan dalam kasus
arsitektur pembelajaran mendalam, kami menggunakan Tensorflow [
56] dan Keras [57] bersama dengan Antarmuka Pemrograman Aplikasi
python. Kinerja klasifikasi dievaluasi melalui area di bawah Receiver
Operating Curve (ROC), yang memberikan ukuran trade-off antara
sensitivitas dan spesifisitas. Selain itu, kurva ROC juga dihitung. Semua
eksperimen dilakukan dengan validasi silang, khususnya validasi silang
leave-one-out. Validasi silang sangat penting dalam eksperimen
klasifikasi untuk mencegah double-dipping. Jadi, dalam pekerjaan ini,
kinerja metode yang diusulkan telah dinilai oleh Leave-One-Out untuk
menentukan kemampuan generalisasinya, dengan sangat berhati-hati
agar tidak menggunakan data uji di salah satu langkah pelatihan
sebelumnya. Validasi silang adalah metode umum untuk
memperkirakan kesalahan generalisasi. Perlu dicatat bahwa
sayangnya, tidak ada cara untuk menentukan arsitektur jaringan yang
optimal. Hal ini membutuhkan banyak simulasi untuk menentukan
arsitektur yang optimal (struktur, jenis lapisan dan hyperparameter).
Ini telah dilakukan dengan membagi data pelatihan menjadi subset
kereta dan validasi: jaringan dilatih dengan subset kereta sedangkan
metrik kinerja untuk menyetel hyperparameter ditentukan oleh subset
validasi (lihatGambar 7).
Gambar 8 menunjukkan kinerja klasifikasi dalam hal Area Under
the Curve (AUC) dan ketergantungannya pada dimensi ruang
embedding. Selain itu, gambar ini menunjukkan metode berbasis
ensemble mengungguli hasil klasifikasi menggunakan segmen tunggal
dan dapat digunakan untuk menentukan yang optimal.
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
(xxx) xxx
Meja 2
Hasil klasifikasi.
Kriteria EMD CAE CNN
acc Sens Spec AUC Acc Sens Spec AUC Acc Sens Spec AUC
Jarak 1.00 1.00 1.00 1.00 0.94 0,96 0,95 1,00 0,99 0,98 0,99 1,00
30S - CST 0,52 0,57 0,50 0,51 0,70 0,75 0,66 0,68 0,70 0,76 0,75 0,77
SAHABAT 0,70 0,57 0,80 0,74 0,73 0.75 0.69 0.70 0.88 0,90 0,83 0,80
dimensi penyematan. Oleh karena itu, dimensi penyisipan 25 telah
dipilih untuk klasifikasi menggunakan jarak yang ditempuh selama
6MWT dan CST 30 detik, sedangkan hasil terbaik untuk PAL diperoleh
untuk dimensi 20.
Seperti yang ditunjukkan pada Meja 2 pengklasifikasi berdasarkan
CNN berkinerja lebih baik daripada pendekatan CAE-SVM. Namun, fitur
yang diperoleh CAE lebih mudah untuk diinterpretasikan dan
membuka jalan untuk mengukur perbedaan kuantitatif antar subjek.
Selanjutnya, proyeksi pada ruang dimensi rendah (yaitu 2D atau 3D)
dari sinyal inersia memungkinkan untuk mengukur evolusi variabel
klinis yang berbeda sebagai hasil dari program intervensi.
4.0.1 Menjelajahi fitur CNN
Menjelajahi wawasan jaringan setelah dilatih dapat memberikan
informasi mengenai sampel yang sedang dipertimbangkan jaringan
untuk mengekstrak fitur diskriminatif. Dengan demikian, alat yang
diarahkan untuk mengungkapkan bagian-bagian dari sinyal yang
menjadi fokus jaringan, mematahkan pandangan kotak hitam dari
(11) arsitektur Deep learning yang biasanya dianggap sebagai
pengklasifikasi akurasi tinggi. Menganalisis aktivasi jaringan pada
input tertentu adalah cara untuk mengambil langkah di luar hasil
klasifikasi. Salah satu cara biasa untuk mengungkapkan fitur yang
dihitung selama tahap pelatihan terdiri dari menjelajahi aktivasi yang
dihasilkan oleh input milik kelas tertentu di berbagai bagian jaringan.
Prosedur yang paling sering di CNN adalah menganalisis fitur mentah
pada lapisan input yang mengaktifkan neuron tertentu pada lapisan
output, yang membantu untuk memahami informasi yang digunakan
jaringan untuk mengklasifikasikan sampel (yaitu untuk mendeteksi
perbedaan antara subjek dari kelas yang berbeda). Hal ini diatasi di sini
dengan menghitungarti-penting peta [58]. Peta saliency adalah
representasi dari perubahan output jaringan mengenai perubahan
kecil pada input, mampu menyoroti wilayah gambar yang memainkan
peran lebih penting dalam output. Dalam CNN klasik untuk klasifikasi,
saliency diperoleh dengan menghitung gradien kategori output untuk
input. Selain itu, Peta Aktivasi Kelas (CAM) [59], juga bertujuan untuk
melokalisasi wilayah khusus kelas dalam sinyal input yang berisi
informasi diskriminatif yang relevan. Alih-alih menggunakan gradien
mengenai output seperti pada peta saliency, CAM memproyeksikan
kembali bobot lapisan output ke peta fitur konvolusi.
Gambar. 9(a)–9(c)menunjukkan CAM rata-rata menurut kriteria
klinis yang sesuai untuk subjek yang tidak berisiko. Pada waktu
bersamaan,Gambar. 9(d)–9(f)menunjukkan CAM rata-rata untuk subjek
berisiko. Perlu dicatat bahwa segmen di tengah 6MWT digunakan
untuk menghasilkan aktivasi. Peta-peta ini, mengetahui kepentingan
relatif dari bagian-bagian yang berbeda dari suatu segmen, telah
dihitung dengan menyusun gambar 2D yang berisi nilai-nilai CAM yang
sesuai dengan setiap sampel sinyal. Kemudian, percepatan yang
dihasilkan tumpang tindih.
Peta CAM bertujuan untuk menunjukkan bagian-bagian sinyal di mana
jaringan saraf mengekstraksi fitur untuk kelas tertentu. Dengan demikian, peta
CAM ditampilkan dalamGambar 9 menggambarkan sampel yang digunakan
untuk klasifikasi oleh jaringan saraf. Seperti yang ditunjukkan pada gambar ini,
sampel waktu yang berbeda digunakan untuk klasifikasi tergantung pada label
yang diprediksi, yang menunjukkan bahwa informasi yang terkait dengan status
klinis yang ditentukan oleh label berbeda ada pada waktu yang berbeda.
Selanjutnya, kepentingan relatif ditunjukkan dengan menggunakan warna yang
berbeda sesuai dengan bilah warna yang ditunjukkan pada gambar ini.
 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx 9

Gambar 7. Area di bawah kurva ROC diperoleh menurut kriteria pelabelan klinis yang berbeda (a) jarak yang ditempuh selama 6MWT, (b) 30-d CST, (c) PAL untuk segmen tunggal dan oleh ansambel
suara mayoritas.

Gambar 8. Perbandingan kurva ROC yang diperoleh dengan metode klasifikasi yang berbeda sesuai dengan kriteria pelabelan klinis yang berbeda (a) PAL, (b) CST 30 detik, (c) jarak yang ditempuh
selama 6MWT, untuk segmen tunggal dan oleh ansambel suara mayoritas.

Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
10 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx
Gambar 9. Rerata Peta Aktivasi Kelas diperoleh untuk (a, d) jarak yang ditempuh selama 6MWT, (b, e) 30-s CST, (c, f) PAL untuk non-risiko (a, b, c) dan risiko (d, e, f) mata pelajaran. Colorbar
menunjukkan kepentingan relatif dari berbagai wilayah dalam skala yang dinormalisasi [0,1].
5. Kesimpulan dan arah masa depan
Dalam karya ini, kami menyajikan dua metode untuk memprediksi
aktivitas fisik dan tingkat kebugaran fungsional melalui data inersia
yang diperoleh melalui metode sederhana berdasarkan smartphone
selama 6MWT. Keandalan metode pengukuran berdasarkan
penggunaan sensor inersia iPhone 4 cukup andal, sesuai dengan
standar deviasi perbedaan antara pengukuran oleh dua pengamat
yang berbeda. Standar deviasi ini terbukti sangat mirip ketika
pengukuran dilakukan oleh iPhone 4 dan menggunakan busur derajat.
Penggunaan iPhone untuk melakukan pengukuran inersia telah
divalidasi di [42] dan di Galán-Mercant et al. Di sisi lain, protokol untuk
mengidentifikasi variabel kinematik diskriminatif pada tes berjalan 6
menit, menggunakan sensor inersia iPhone 4 divalidasi di [43].
Dalam karya sebelumnya, fitur temporal, spektral atau spatio-temporal
diekstraksi dari sinyal IMU, menggunakan metode berdasarkan analisis
Fourier, atau Analisis Wavelet. Namun, asumsi stasioneritas atau
periodisitas klasik yang diperlukan untuk validitas metode ini tidak selalu
terpenuhi. Sebagai alternatif untuk menghindari asumsi tersebut, metode
EMD digunakan dalam [20] untuk menguraikan sinyal akselerasi menjadi
komponen terbatas pita (fungsi mode intrinsik) untuk selanjutnya
mengekstrak deskriptor waktu dan frekuensi statistik. Namun demikian,
perhitungan fitur statistik yang diketahui secara apriori masih diperlukan.
Dalam makalah ini, kami mengusulkan metode ekstraksi fitur tanpa
pengawasan berdasarkan CAE yang menghindari asumsi klasik Analisis
Fourier atau Wavelet, yaitu, stasioneritas sinyal atau penggunaan fungsi
dasar yang telah ditentukan sebelumnya. Tidak seperti metode dekomposisi
ini, CAE mempelajari representasi terbaik dari input dalam ruang dimensi
yang lebih rendah dengan memanfaatkan minimalisasi kesalahan
rekonstruksi. Kemampuan diskriminatif dari fitur yang diekstraksi telah
dinilai menggunakan pengklasifikasi vektor dukungan. Selain itu, model
Deep Learning kedua juga berdasarkan CNN digunakan untuk secara
langsung melakukan klasifikasi mata pelajaran menurut kriteria klinis yang
berbeda. Kedua metode ini saling melengkapi. Metode CAE mengekstrak
fitur yang
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
memungkinkan mewakili sampel dalam ruang dimensi yang lebih rendah,
dan dapat digunakan tidak hanya untuk klasifikasi tetapi untuk regresi,
mampu menilai evolusi variabel klinis seperti PAL ketika subjek berada di
bawah beberapa intervensi klinis. Dalam pekerjaan di masa depan, kami
berencana untuk membahas ukuran kuantitatif variabel klinis melalui jarak
antara sampel di ruang embedding. Selain itu, pengklasifikasi CNN
bertujuan untuk secara langsung mengklasifikasikan subjek yang
berhubungan dengan prediksi label klinis yang menggunakan pola yang
ditemukan dalam sinyal intersial.
Metode yang diusulkan mengungguli pendekatan sebelumnya
berdasarkan fitur yang diekstraksi menggunakan metode pemrosesan
sinyal klasik, dan di masa depan, arsitektur serupa dapat digunakan untuk
memprediksi label klinis lainnya. Dengan cara itu, penerapan metode
prediksi semacam ini mengandaikan kemajuan penting untuk penilaian dan
pemantauan klinis di masa depan. Aksesibilitas yang mudah ke
smartphone, membuat pendekatan yang diusulkan dapat diperluas ke
praktik klinis, mengurangi waktu evaluasi dan meningkatkan kualitas
perawatan. Ini dapat diimplementasikan dalam sistem m-health untuk
mengidentifikasi profil pasien secara otomatis, mempermudah pengelolaan
e-health dan juga mengurangi biaya layanan kesehatan.
Ucapan Terima Kasih
Pekerjaan ini sebagian didukung oleh MINECO/FEDER di bawah
proyek TEC2015-64718-R, PSI2015-65848-R dan PGC2018-098813- B-
C32; dan Program Kemitraan Strategis Pendidikan Tinggi Erasmus+
(Aksi Kunci 203) [Nomor Hibah: 2018-1- PL01-KA203-051055].
Selanjutnya, hibah mobilitas EST2018-090 didukung oleh University of
Cádiz. Kami berterima kasih atas dukungan NVIDIA Corporation
dengan sumbangan salah satu GPU yang digunakan untuk penelitian
ini.
Referensi
[1] A. Clegg, J. Young, S. Iliffe, MO Rikkert, K. Rockwood, Kerapuhan pada orang tua, Lancet 381
(9868) (2013) 752-762.
 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk
[2] J. Choi, A. Ahn, S. Kim, CW Won, Prevalensi global kelemahan fisik menurut kriteria
gorengan pada lansia yang tinggal di komunitas dengan survei berbasis populasi
nasional, J. Am. Med. Asosiasi Direksi 16 (7) (2015) 548–550.
[3] M. Cesari, M. Prince, JA Thiyagarajan, IA De Carvalho, R. Bernabei, P. Chan, LM Gutierrez-
Robledo, J.-P. Michel, JE Morley, P. Ong, dkk., Frailty: prioritas kesehatan masyarakat yang
muncul, J. Am. Med. Asosiasi Direksi 17 (3)
(2016) 188–192.
[4] EM Curtis, RJ Moon, NC Harvey, C. Cooper, Dampak fraktur kerapuhan dan pendekatan
terhadap penilaian risiko osteoporosis di seluruh dunia, Bone 104 (2017) 29–38.
[5] W. Hong, Q. Cheng, X. Zhu, H. Zhu, H. Li, X. Zhang, S. Zheng, Y. Du, W. Tang, S. Xue, et al.,
Prevalensi sarkopenia dan hubungannya dengan situs fraktur kerapuhan pada pria dan
wanita tua Cina, PLoS ONE 10 (9)
(2015) e0138102.
[6] AJ Cruz-Jentoft, E. Kiesswetter, M. Drey, CC Sieber, Nutrisi, kelemahan, dan sarkopenia,
Penuaan Clin. Eks. Res. 29 (1) (2017) 43–48.
[7] V. Bullo, S. Gobbo, B. Vendramin, F. Duregon, L. Cugusi, A. Di Blasio,
DS Bocalini, M. Zaccaria, M. Bergamin, A. Ermolao, Nordic walking Dapat dimasukkan
dalam resep latihan untuk meningkatkan kapasitas aerobik, kekuatan, dan kualitas hidup
untuk lansia: Tinjauan sistematis dan meta-analisis, Rejuvenation Res . 21 (2) (2018)
141-161.
[8] S. Karinkanta, P. Kannus, K. Uusi-Rasi, A. Heinonen, H. Sievänen, Gabungan latihan
resistensi dan lompat keseimbangan mengurangi cedera jatuh dan patah tulang pada
wanita yang lebih tua: studi tindak lanjut 5 tahun, Age Aging 44 (5 ) (2015) 784–789.
[9] YT Lagerros, E. Hantikainen, K. Michaëlsson, W. Ye, H.-O. Adami, R. Bellocco, Aktivitas fisik
dan risiko patah tulang pinggul pada orang tua: studi kohort prospektif, Eur. J. Epidemi.
32 (11) (2017) 983–991.
[10] Komite ATS tentang Standar Kecakapan untuk Laboratorium Fungsi Paru Klinis, pernyataan
ATS: pedoman untuk tes jalan enam menit, Am.
J. Pernafasan. Kritis. Perawatan Med. 166 (2002) 111–117.
[11] CA Lima, AdFD de Andrade, SL Campos, DC Brandão, IP Mourato,
MCA de Britto, Tes berjalan enam menit sebagai penentu kapasitas fungsional anak-anak
dan remaja dengan cystic fibrosis: Tinjauan sistematis, Respir. Med. 137 (2018) 83–88.
[12] AH Montoye, RW Moore, HR Bowles, R. Korycinski, KA Pfeiffer, Pelaporan metode
akselerometer dalam studi intervensi aktivitas fisik: tinjauan sistematis dan rekomendasi
untuk penulis, Br. J.Olahraga Med. 52
(23) (2018) 1507–1516.
[13] O. Banos, JA Moral-Munoz, I. Diaz-Reyes, M. Arroyo-Morales, M. Damas,
E. Herrera-Viedma, CS Hong, S. Lee, H. Pomares, I. Rojas, C. Villalonga, MDurance: Sistem
kesehatan seluler baru untuk mendukung penilaian daya tahan tubuh, Sensor 15 (6)
(2015) 13159-13183.
[14] BD Gaikwad, KA Bobade, PL Jadhav, KB Deokate, Deteksi perubahan status mobilitas
manusia menggunakan smartphone berdasarkan sensor akselerometer, Int. J. Eng. Sci.
Hitung. 6 (4) (2016) 4569–4571.
[15] A. Salazar, H. de Sola, I. Failde, JA Moral-Munoz, Mengukur kualitas aplikasi seluler untuk
manajemen nyeri: pencarian dan evaluasi sistematis menggunakan skala peringkat
aplikasi seluler, JMIR mHealth uHealth 6 (10) (2018 ) e10718.
[16] JA Moral-Munoz, B. Esteban-Moreno, E. Herrera-Viedma, MJ Cobo, IJ Pérez, Aplikasi
smartphone untuk melakukan penilaian keseimbangan tubuh: tinjauan standar, J. Med.
Sistem 42 (7) (2018) 119.
[17] JK Aggarwal, MS Ryoo, Analisis aktivitas manusia: Sebuah tinjauan, ACM Comput. bertahan
43 (3) (2011) 16:1–16:43.
[18] FS Ayachi, HP Nguyen, C. Lavigne-Pelletier, E. Goubault, P. Boissy, C. Duval, algoritma
berbasis Wavelet untuk deteksi otomatis aktivitas kehidupan sehari-hari orang dewasa
yang lebih tua yang ditangkap oleh beberapa unit pengukuran inersia (IMU), Physiol .
Meas. 37 (3) (2016) 442.
[19] T. Lockhart, R. Songra, J. Zhang, X. Wu, deteksi peristiwa postural otomatis berbasis Wavelet
dan klasifikasi aktivitas dengan IMU tunggal, Biomed. Sci. alat musik. 49 (2013) 224–233.
[20] A. Galán-Mercant, J. Moral-Muñoz, A. Ortiz, E. Herrera-Viedma, MT Tomás, Memprediksi
aktivitas fisik dan tingkat kebugaran fungsional melalui sinyal inersia dan fitur berbasis
EMD pada orang dewasa yang lebih tua, dalam: H. Fujita, E. Herrera- Viedma (Eds.), Tren
Baru dalam Metodologi, Alat dan Teknik Perangkat Lunak Cerdas, IOP Press Ebooks,
2018, hlm. 954–966.
[21] E. Burton, KD Hill, NT Lautenschlager, C. Thøgersen-Ntoumani, G. Lewin,
E. Boyle, E. Howie, Keandalan dan validitas dua perangkat pelacak kebugaran di
laboratorium dan lingkungan rumah untuk orang tua yang tinggal di komunitas, BMC
Geriatrics 18 (1) (2018) 103.
[22] MJ Duncan, K. Wunderlich, Y. Zhao, G. Faulkner, Jalan ini: bukti validitas penghitungan
langkah aplikasi kesehatan iphone di laboratorium dan kondisi hidup bebas, J. Sports Sci.
36 (15) (2018) 1695–1704.
[23] M. Yang, H. Zheng, H. Wang, S. Mcclean, D. Newell, Igait: Sistem analisis kiprah berbasis
akselerometer interaktif, Comput. Metode Program Biomed. 108 (2) (2012) 715–723.
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
Al. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx 11
[24] M. Bertoli, A. Cereatti, D. Trojaniello, L. Avanzino, E. Pelosin, S. Del Din, L. Rochester, P. Ginis,
EM Bekkers, A. Mirelman, dkk., Estimasi parameter spatiotemporal kiprah dari unit
pengukuran magneto-inersia: validasi multicenter di antara Parkinson, orang dewasa
yang lebih tua dengan gangguan kognitif ringan dan sehat, Biomed. Ind. Daring 17 (1)
(2018) 58.
[25] D. Trojaniello, A. Ravaschio, JM Hausdorff, A. Cereatti, Penilaian komparatif dari metode
yang berbeda untuk estimasi parameter temporal kiprah menggunakan sensor inersia
tunggal: aplikasi untuk lansia, pasca stroke, penyakit Parkinson dan subjek penyakit
Huntington, Postur Gaya 42 (3) (2015) 310–316.
[26] E. Rovini, C. Maremmani, A. Moschetti, D. Esposito, F. Cavallo, Penilaian pra-klinis motorik
komparatif pada penyakit Parkinson menggunakan pendekatan pembelajaran mesin
yang diawasi, Ann. Bioma. Ind. 46 (12) (2018) 2057–2068.
[27] D. Drover, J. Howcroft, J. Kofman, E. Lemaire, klasifikasi Faller pada orang dewasa yang lebih
tua menggunakan sensor yang dapat dipakai berdasarkan fitur berbasis akselerometer
belokan dan berjalan lurus, Sensor 17 (6) (2017) 1321.
[28] H. Similä, M. Immonen, M. Ermes, penilaian berbasis akselerometri dan deteksi tanda-tanda
awal defisit keseimbangan, Comput. Biol. Med. 85 (2017) 25–32.
[29] D. Vervoort, N. Vuillerme, N. Kosse, T. Hortobágyi, CJC Lamoth, Analisis multivariat dan
klasifikasi data sensor inersia untuk mengidentifikasi efek penuaan pada uji timed-up-and-
go, dalam: K. Chen ( Ed.), PLoS ONE 11 (6)
(2016) e0155984.
[30] Y. Bengio, Mempelajari arsitektur mendalam untuk AI, Ditemukan. Tren Mach. Mempelajari.
2 (1) (2009) 1–127.
[31] Q. Zhang, LT Yang, Z. Chen, P. Li, Sebuah survei tentang pembelajaran mendalam untuk data besar,
Inf. Fusion 42 (2018) 146–157.
[32] A. Ortiz, J. Munilla, JM Górriz, J. Ramírez, Ensemble arsitektur pembelajaran mendalam untuk
Diagnosis awal penyakit Alzheimer, Int. J. Sistem Saraf. 26 (07) (2016) 1650025.
[33] J. Wang, Y. Chen, S. Hao, X. Peng, L. Hu, Pembelajaran mendalam untuk pengenalan aktivitas
berbasis sensor: Survei, Pengenalan Pola. Lett. (2018).
[34] H. Cho, SM Yoon, Pengenalan aktivitas manusia CNN 1D berbasis Divide dan taklukkan
menggunakan penajaman data uji, Sensor 18 (4) (2018).
[35] M. Zeng, LT Nguyen, B. Yu, OJ Mengshoel, J. Zhu, P. Wu, J. Zhang, Jaringan saraf
convolutional untuk pengenalan aktivitas manusia menggunakan sensor seluler, dalam:
Konferensi Internasional ke-6 tentang Komputasi Seluler , Aplikasi dan Layanan, 2014,
hlm. 197–205.
[36] DK Vishwakarma, P. Rawat, R. Kapoor, Pengenalan aktivitas manusia menggunakan
transformasi wavelet gabor dan transformasi ridgelet, Procedia Comput. Sci. 57 (2015)
630–636, Konferensi Internasional ke-3 tentang Tren Terkini dalam Komputasi 2015
(ICRTC-2015).
[37] Z. He, Pengenalan aktivitas dari sinyal akselerometer berdasarkan model Wavelet-AR,
dalam: Konferensi Internasional IEEE 2010 tentang Kemajuan dalam Informatika dan
Komputasi, vol. 1, 2010, hlm. 499–502.
[38] W. Ross, M. Hebbelinck, R. Faulkner, dalam: Charles C. Thomas, terminologi Kinantropometri
dan landmark penilaian kebugaran fisik. prinsip, praktik dan aplikasi Springfield, Illinois,
1978, hlm. 44–50.
[39] American College of Sports Medicine, Manual Penilaian Kebugaran Fisik Terkait Kesehatan
ACSM, Lippincott Williams & Wilkins, 2013.
[40] RE Rikli, CJ Jones, Manual Tes Kebugaran Senior, Kinetika Manusia, 2013.
[41] T. Troosters, R. Gosselink, M. Decramer, Enam menit berjalan kaki pada subyek lansia yang
sehat, Eur. bernafas. J. 14 (2) (1999) 270–274.
[42] A. Galán-Mercant, AI Cuesta-Vargas, Perbedaan dalam akselerometri batang tubuh antara
orang tua yang lemah dan tidak lemah dalam tugas fungsional, BMC Res. Catatan 7 (1)
(2014) 100.
[43] A. Galán-Mercant, FJ Barón-López, MT Labajos-Manzanares, AI Cuesta- Vargas, Keandalan
dan validitas terkait kriteria dengan ponsel cerdas yang digunakan dalam uji batas waktu,
Biomed. Ind. Daring 13 (1) (2014) 156.
[44] P. Baldi, Autoencoder, pembelajaran tanpa pengawasan dan arsitektur dalam, dalam:
Prosiding Konferensi Internasional 2011 Lokakarya Pembelajaran Tanpa Pengawasan dan
Transfer, UTLW'11, JMLR.org, vol. 27, 2011, hlm. 37–50.
[45] A. Krizhevsky, I. Sutskever, GE Hinton, klasifikasi Imagenet dengan jaringan saraf konvolusi
dalam, dalam: Prosiding Konferensi Internasional ke-25 tentang Sistem Pemrosesan
Informasi Saraf - Vol. 1, NIPS'12, Curran Associates Inc., AS, 2012, hlm. 1097–1105.
[46] S. Sabour, N. Frosst, GE Hinton, Perutean dinamis antar kapsul, dalam: NIPS, 2017.
[47] A. Ortiz, FJM Murcia, J. Munilla, JM Górriz, J. Ramírez, Label dibantu peringkat mendalam
untuk diagnosis otomatis sindrom parkinsonian, Neurocomputing (2018).
[48] S. Ioffe, C. Szegedy, Normalisasi batch: Mempercepat pelatihan jaringan dalam dengan
mengurangi pergeseran kovariat internal, dalam: Prosiding Konferensi Internasional
ke-32 tentang Konferensi Internasional tentang Pembelajaran Mesin
- Jil. 37, ICML'15, JMLR.org, 2015, hlm. 448–456.
[49] Y. LeCun, Y. Bengio, G. Hinton, Pembelajaran mendalam, Alam 521 (7553) (2015).
[50] I. Goodfellow, Y. Bengio, A. Courville, Pembelajaran Mendalam, MIT Press, 2016,
http://www.deeplearningbook.org.
12 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk
[51] G. Klampauer, T. Unterthiner, A. Mayr, S. Hochreiter, Jaringan saraf normalisasi diri, dalam: I.
Guyon, UV Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, R. Garnett (Eds.),
Kemajuan dalam Sistem Pemrosesan Informasi Saraf, Vol. 30, Curran Associates, Inc.,
2017, hlm. 971–980.
[52] L. van der Maaten, G. Hinton, Memvisualisasikan data menggunakan t-SNE, J. Mach.
Mempelajari. Res. 9 (2008) 2579–2605.
[53] J. Kittler, M. Hatef, RPW Duin, J. Matas, Tentang menggabungkan pengklasifikasi, IEEE Trans.
Pola Anal. Mach. Intel. 20 (3) (1998) 226–239.
[54] M. Liu, D. Zhang, D. Shen, Ensemble jarang klasifikasi penyakit Alzheimer, NeuroImage 60
(2) (2012) 1106-1116.
[55] H.-C. Kim, S.Pang, H.-M. Je, D. Kim, SY Bang, Membangun ansambel mesin vektor
pendukung, Pengenalan Pola. 36 (2003) 2757–2767.
Silakan kutip artikel ini sebagai: A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma et al., Menilai aktivitas fisik dan tingkat kebugaran fungsional menggunakan jaringan saraf convolutional, Sistem Berbasis
Pengetahuan (2019) 104939, https:// doi.org/10.1016/j.knosys.2019.104939.
Al. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx
[56] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, GS Corrado,
A. Davis, J. Dean, M. Devin, S. Ghemawat, I. Goodfellow, A. Harp, G. Irving,
M. Isard, Y. Jia, R. Jozefowicz, L. Kaiser, M. Kudlur, J. Levenberg, D. Mané,
R. Monga, S. Moore, D. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K.
Talwar, P. Tucker, V. Vanhoucke, V. Vasudevan, F. Viégas, O. Vinyals, P. Warden, M.
Wattenberg, M. Wicke, Y. Yu, X. Zheng, Tensorflow: Machine learning skala besar pada
sistem heterogen, 2015, Perangkat lunak tersedia dari tensorflow.org http://
tensorflow.org/.
[57] F. Chollet, dkk., 2015, Keras, https://github.com/fchollet/keras,
[58] K. Simonyan, A. Vedaldi, A. Zisserman, Jauh di dalam jaringan konvolusi: Visualisasi model
klasifikasi gambar dan peta saliency, 2013, pracetak arXiv arXiv:1312.6034.
[59] B. Zhou, A. Khosla, A. Lapedriza, A. Oliva, A. Torralba, Mempelajari fitur mendalam untuk
lokalisasi diskriminatif, dalam: Konferensi IEEE 2016 tentang Visi Komputer dan
Pengenalan Pola (CVPR), 2016, hlm 2921–2929.