com
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
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.
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 digunakan untuk menilai metode yang diusulkan dalam pekerjaan ini
populasi yang lebih luas, memungkinkan mereka untuk memantau dan bersama dengan deskripsi metodologi, termasuk proses ekstraksi fitur
mengelola beberapa kondisi kronis [15]. Oleh karena itu, perangkat ini dapat dari sinyal inersia asli. Kemudian, hasil yang diperoleh ditunjukkan
memperoleh informasi sensor dan menyimpan serta membagikannya (melalui pada Bagian4 dan akhirnya, kesimpulan dan pekerjaan masa depan
WiFi, 3G, LTE, dll.) dengan perangkat jarak jauh lain untuk mengirimkannya ke disajikan di Bagian 5.
tahap pasca-pemrosesan [16].
Klasifikasi data deret waktu seperti sinyal yang dihasilkan oleh 2. Pekerjaan terkait
sensor inersia sulit untuk diklasifikasikan dalam a contoh-sebagai- fitur
mode: dimensi tinggi dari ruang fitur bersama dengan jumlah sampel Seperti yang dinyatakan di atas, smartphone menggabungkan beberapa
yang terbatas (seperti yang biasa dalam masalah biomedis) sensor yang membuatnya cocok untuk mengukur parameter fisik yang berbeda.
menghasilkan apa yang disebut kutukan dimensi masalah, membatasi Selanjutnya, muncul beberapa perangkat baru yang juga menyertakan teknologi
kemampuan generalisasi model. Dengan cara itu, tahap pasca- ini, seperti smartwatch dan smartband. Keandalan dan validitas pelacak
pemrosesan komputasi informasi yang relevan untuk kebugaran (smartbands) yang berbeda untuk mengukur jumlah langkah selama
mengklasifikasikan sinyal inersia dengan mengekstraksi deskriptor tes berjalan 2 menit (2MWT) pada orang dewasa yang lebih tua telah dinilai,
temporal dan spektral statistik mengurangi dimensi ruang fitur, melaporkan hasil yang dapat diterima [21]. Meskipun demikian, meskipun
meningkatkan kemampuan generalisasi model dan mengurangi beban beberapa alat komersial telah muncul, sebuah studi [22] merekomendasikan
komputasi. Sementara fitur temporal didasarkan pada statistik yang untuk mengambil tindakan pencegahan dengan mempertimbangkan data terkait
dihitung secara langsung melalui sinyal waktu, fitur spektral berjalan kaki yang diperoleh oleh akselerometer iPhone dalam kondisi hidup
memerlukan komputasi Spektrum Daya (PSD) sinyal untuk bebas; mereka dapat mencapai bias rata-rata 21,5% atau ketidakseimbangan
mengekstrak informasi (yaitu, daya) di sub-band yang berbeda. Ini 1340 langkah/hari. Pada catatan lain, mereka menganggap bahwa akselerometer
secara tradisional dilakukan oleh Fourier [17] atau Analisis Gelombang [ iPhone cocok dalam kondisi laboratorium, dengan bias rata-rata kurang dari 5%
17-19]. Namun, metode analisis ini menghadirkan beberapa (dapat diterima untuk pedometer). Oleh karena itu, teknologi yang tersedia bagi
kelemahan terkait dengan sifat non-stasioner dari sinyal inersia. pengguna saat ini perlu dirancang untuk skenario terkontrol.
Selanjutnya, penggunaan fitur yang dihitung dari sinyal waktu Dengan cara itu, karya-karya sebelumnya seperti [19,23],
(seperti mean, varians, atau fitur terkait amplitudo) serta fitur yang difokuskan pada klasifikasi gerakan manusia, menggunakan teknik
berasal dari spektrum PSD (daya puncak, spektral centroid, kurtosis pemrosesan sinyal klasik untuk memproses sinyal inersia sebelumnya
spektral, dll.) juga tidak dapat dijelaskan - cukup menarik atau dan mengekstrak deskriptor statistik. Secara khusus, di [19], fitur
menangkap pola yang berkaitan dengan diskriminasi kelas. Jadi, kami spatio-temporal berasal dari analisis wavelet. Karya lain seperti [23-
berhipotesis bahwa aktivitas fisik dan tingkat fungsional orang dewasa 25] menyajikan teknik untuk menghitung fitur temporal, spektral dan spatio-
yang lebih tua dapat diprediksi menggunakan dua metode pelengkap temporal untuk menggambarkan sinyal inersia yang bertujuan untuk
yang mengekstrak fitur diskriminatif dari sinyal inersia yang direkam memodelkan gaya berjalan. Karya-karya ini bertujuan untuk mengklasifikasikan
selama 6MWT. sinyal inersia, berfokus pada Pengenalan Aktivitas Manusia (HAR) tetapi tidak
Dalam makalah ini, kami menyajikan dua pendekatan berbeda berdasarkan untuk memprediksi label klinis, seperti di [26], yang menggunakan sinyal
arsitektur pembelajaran mendalam. Yang pertama terdiri dari penggunaan ekstremitas bawah untuk mengklasifikasikan hiposmia sehat dan idiopatik.
Convolutional Autoencoder (CAE) untuk mengekstrak fitur dari data akselerasi. Klasifikasi semacam ini berguna untuk menentukan gambaran klinis yang
Fitur-fitur ini kemudian diklasifikasikan menggunakan mesin vektor dukungan. berkaitan dengan status fisik atau lebih khusus lagi, dengan risiko kerapuhan.
Pendekatan kedua yang disajikan dalam makalah ini terdiri dari penggunaan Oleh karena itu, beberapa makalah dapat ditemukan dalam literatur
jaringan saraf convolutional (CNN) yang pertama mengekstrak fitur dari data saat ini di mana kondisi fisik diprediksi menggunakan sensor
akselerasi dan kemudian, menggunakan jaringan mirip perceptron (lapisan yang akselerometer. Drover dkk. [27] menggunakan transformasi Fourier untuk
terhubung penuh) untuk mengimplementasikan classifier. Dalam hal ini, jaringan mengklasifikasikan orang dewasa yang lebih tua menurut risiko jatuh
yang sama mengekstrak fitur dan mengklasifikasikannya. Selain itu, kami mereka, menggunakan data akselerasi 6MWT yang diperoleh dari
membandingkan hasil yang diperoleh dengan menggunakan pendekatan perangkat komersial. Selanjutnya, Similä et al. [28] juga menggunakan
berbasis pembelajaran mendalam yang disajikan dalam makalah ini, dengan yang transformasi Fourier untuk mendeteksi tanda-tanda awal defisit
sebelumnya disajikan di [20], yang hanya menggunakan teknik pemrosesan sinyal keseimbangan menggunakan data percepatan yang diperoleh selama Berg
(khususnya, Dekomposisi Mode Empiris) untuk menguraikan sinyal akselerasi dan Balance Scale, Time-Up-and-Go, dan tes berjalan 4 meter. Selain itu,
kemudian menghitung deskriptor statistik waktu dan frekuensi klasik. Deskriptor Vervoort dkk. [29] menerapkan analisis Wavelet untuk mengklasifikasikan
ini akhirnya diklasifikasikan menggunakan mesin support vector. populasi menurut efek penuaan, melalui data sensor inersia yang diperoleh
selama uji Time-Up-and-Go. Dengan cara ini, pekerjaan sebelumnya [20]
Dengan demikian, kebaruan makalah ini ada dua. Pertama, kami mengusulkan penggunaan EMD sebagai metode dekomposisi untuk
menggunakan 6MWT untuk mengeksplorasi pola pergerakan manusia mendapatkan sinyal waktu pada sub-band frekuensi yang berbeda.
yang terkait dengan kerapuhan. Kedua, kami mengusulkan metode Kemudian, fitur temporal dan spektral diekstraksi dan digunakan untuk
yang menghindari penggunaan teknik pemrosesan sinyal statistik mengklasifikasikan deret waktu. Di luar penggunaan teknik pemrosesan
klasik atau perhitungan statistik yang telah ditentukan sebelumnya sinyal klasik, pendekatan pembelajaran mesin merupakan alternatif untuk
sebagai fitur untuk menggambarkan sinyal. Sebagai gantinya, kami mengekstrak fitur representatif atau diskriminatif dari sinyal inersia, tanpa
mengusulkan dua arsitektur pembelajaran mendalam yang secara pengetahuan atau asumsi sebelumnya yang diperlukan untuk mengatasi
otomatis menghitung fitur tertentu melalui proses pembelajaran. masalah dari sudut pandang pemrosesan sinyal klasik (stasioneritas atau
Dengan cara ini, kami menyajikan dua metode yang dapat dilihat periodisitas). , contohnya). Selain itu, teknik Deep Learning saat ini telah
sebagai pelengkap. Pendekatan CAE menggunakan pembelajaran menunjukkan keberhasilannya dalam berbagai masalah klasifikasi
tanpa pengawasan untuk menghitung fitur representatif yang pada kompleks [30,31] dan kemampuannya mengekstraksi fitur pada tingkat
akhirnya dapat diklasifikasikan. CNN terdiri dari tahap convolutional abstraksi yang berbeda [32].
yang mengekstrak fitur dan jaringan klasifikasi. Kedua pendekatan ini Mengenai literatur, metode yang berbeda untuk HAR tersedia. Sebuah
bekerja sama (mengingat analisis statistik), makalah survei untuk penggunaan metode berbasis Deep Learning yang
berbeda untuk HAR disajikan di [33] menggunakan kumpulan data publik;
Sisa makalah ini disusun sebagai berikut. Bagian2 menggambarkan penggunaan arsitektur yang berbeda seperti Deep Neural Networks, Deep
studi saat ini yang tersedia di mana 6MWT diukur menggunakan Belief Networks dan CNNs sedikit ditinjau. Selanjutnya, penggunaan CNN
akselerometer. Selanjutnya, Bagian3 menyajikan database disajikan dalam [34] untuk dua kelas
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 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.
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).
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 5
Gambar 3. Metode keseluruhan, termasuk segmentasi inersia sinyal, ekstraksi fitur, klasifikasi dan ensemble.
pengukuran oleh dua pengamat yang berbeda) dari 4.0' untuk iPhone dan 3. Ekstraksi fitur. Langkah ini bertujuan untuk menghitung deskriptor
3.4' untuk busur derajat [43]. Dengan cara ini, sinyal uji keseluruhan harus dari setiap segmen. Deskriptor ini harus cukup informatif untuk
terlebih dahulu disegmentasi untuk mengekstrak kutipan yang sesuai mewakili sinyal dan akhirnya, untuk mengklasifikasikannya
dengan setiap perjalanan. Ini telah diatasi dengan mendeteksi periode (informasi diskriminatif). Tidak seperti pendekatan sebelumnya [19,
aktivitas dix-sumbu sinyal giroskop, yang menunjukkan rotasi tubuh di 20,23] yang menggunakan deskriptor statistik yang diketahui
sekitar porosnya. Ini menentukan (seperti yang ditunjukkan padaGambar sebelumnya, kami mengusulkan penggunaan arsitektur
2(b)) perubahan mendadak dalam akselerasi yang sesuai dengan pembelajaran mendalam untuk mempelajari fitur. Secara khusus,
perubahan arah gerakan karena orientasi spesifik akselerometer yang dua metode (CAE dan CNN) disajikan, yang masing-masing
digunakan dalam percobaan. Gambar 1 telah ditambahkan dalam revisi ini menggunakan pembelajaran tanpa pengawasan dan terawasi.
untuk menggambarkan bagaimana perubahan arah terutama Metode berbasis deep-learning memungkinkan komputasi fitur
mempengaruhi sinyal x giroskop. Kemudian, ini diperlakukan sebagai yang paling diskriminatif dan spesifik dari data mentah dan
masalah deteksi aktivitas, di mana periode non-aktivitas sesuai dengan menghindari penggunaan metode dekomposisi sinyal (seperti
perubahan arah (belok di ujung koridor sesuai dengan tes berjalan 6 menit). analisis Fourier atau Wavelet) yang menggunakan dasar yang telah
Deteksi aktivitas ini dix-sumbu giroskop ditentukan dengan menghitung ditentukan sebelumnya. Di sisi lain, metode terawasi dan tidak
selubungnya, menggunakan besarnya sinyal analitis yang diperoleh dengan terawasi yang disajikan di sini dapat digunakan untuk tujuan yang
menggunakan transformasi Hilbert. Kemudian, periode aktivitas dideteksi saling melengkapi. Metode berbasis CAE tanpa pengawasan
dengan ambang batas sinyal, sehingga tetap setidaknya jumlah sampel difokuskan pada ekstraksi fitur representatif dalam ruang
minimum di atas ambang batas. Ini memberikan metode yang cukup kuat berdimensi lebih rendah. Fitur-fitur ini dapat digunakan lebih lanjut
untuk segmentasi otomatis yang bekerja dengan benar pada semua sampel untuk klasifikasi atau regresi setelah jaringan dilatih. Metode
yang tersedia di database kami. supervisi berbasis CNN menghasilkan fitur-fitur khusus selama
proses pembelajaran ketika jaringan dilatih untuk membedakan
Gambar 2.(a) menunjukkan besaran aslinya M dari resultan antar kelas. Fitur diskriminatif yang dihasilkan mengungkapkan
sampel dan bentuk spesifik dari sinyal asli yang mengaktifkan
percepatan m = √ x2 + kamu2 + z2 lembur. Metode yang dijelaskan
neuron pada lapisan yang berbeda untuk kelas tertentu.
di atas digunakan untuk menyegmentasikan giroskop x-sinyal sumbu, ditunjukkan dalam
4. Klasifikasi dan kombinasi. Fitur yang diekstraksi dari setiap segmen
2(b) dan kemudian, topeng segmentasi diterapkan ke M sinyal.
kemudian digunakan untuk memberi makan pengklasifikasi yang
Hasilnya ditampilkan dalamGambar 2.(C). Untuk menghomogenkan
diawasi. Ini menghasilkan prediksi untuk setiap segmen dari subjek
panjang segmen, setiap segmen yang diekstraksi dipotong untuk
yang sama. Oleh karena itu, prediksi ini harus digabungkan untuk
menyimpan 1200 sampel pusat. Selanjutnya, kumpulan yang berisi
menghasilkan hasil yang unik. Hal ini diatasi dengan strategi
semua segmen disusun serta indeks yang sesuai untuk
pemungutan suara mayoritas, yang rincian matematikanya
mengidentifikasi segmen milik subjek tertentu. Dengan cara ini, setiap
disediakan di Bagian3.4.2
segmen yang diperoleh dari setiap subjek digunakan sebagai input ke
autoencoder. Ini berkaitan dengan tujuan ganda. Karena segmen-
3.3. Jaringan saraf konvolusi
segmen yang termasuk subjek kondisi serupa dianggap mengandung
informasi yang serupa, segmen-segmen ini dapat dikumpulkan dan Dalam beberapa tahun terakhir, arsitektur pembelajaran
diberi label untuk memiliki lebih banyak data yang tersedia untuk mendalam telah mengalahkan hasil-hasil mutakhir dalam masalah
melatih pengklasifikasi, mengurangi efek overfitting dan klasifikasi. Arsitektur saraf yang berbeda, biasanya disusun oleh
meningkatkan kemampuan generalisasi model. Di sisi lain, klasifikasi sejumlah besar lapisan telah diusulkan untuk tujuan ini. Dengan cara
dapat dilakukan pada segmen tunggal yang selanjutnya dapat ini, CNN telah menjadi salah satu model yang paling populer karena
digabungkan untuk meningkatkan kinerja klasifikasi. kinerja klasifikasi yang disediakan di bidang analisis citra [44-47]. CNNs
Gambar 3 menunjukkan semua tahapan yang terlibat dalam terinspirasi oleh respon convolutional neuron yang kombinasinya di
metode yang diusulkan. Ini termasuk (1) akuisisi sinyal inersia mentah, lapisan yang berbeda memungkinkan untuk mengekstrak fitur dalam
(2) preprocessing, (3) ekstraksi fitur dan (4) klasifikasi dan (5) kombinasi. tingkat abstraksi yang meningkat. Prinsip yang sama dapat diterapkan
Gambar 2. menunjukkan metodologi umum yang diusulkan dalam pada data deret waktu untuk mempelajari ciri-ciri representatif atau
pekerjaan ini. Ini terdiri dari empat tahap: diskriminatif karena sampel lingkungan biasanya terkait dan pola
dapat ditemukan dari hubungan tersebut.
1. Pra-pemrosesan. Setelah sinyal inersia mentah diperoleh menggunakan
Lapisan konvolusi melakukan operasi konvolusi dari
IMU, diambil sampelnya pada 32 Hz, sinyal tersebut difilter low-pass,
masukan mereka xSaya-1 dengan satu set K filter wSaya. Dengan cara ini, kth
karena informasi yang terkait dengan pergerakan manusia terkandung
istilah konvolusi untuk kfilternya adalah
dalam komponen frekuensi rendah. Secara khusus, filter Butterworth
orde 5 15 Hz digunakan. Σ ]
2. Segmentasi. Seperti yang dijelaskan pada pendahuluan, tes jalan wik * xSaya-1 = n-1[ wik(n · l) xSaya-1(J + l) (1)
kaki 6 menit terdiri dari rangkaian jalan kaki sepanjang koridor aku =0
30 m. Namun, seluruh rangkaian waktu (berisi semua jalan) Di CNN, biasanya untuk mengurangi ukuran peta fitur di lapisan
disimpan selama akuisisi sinyal. Langkah pra-pemrosesan ini berikutnya. Efek downsampling ini ditangani oleh apa yang disebut
memanfaatkan giroskopx-sinyal sumbu untuk mendeteksi kolam renang, yang terdiri dari menghitung nilai maksimum atau rata-
putaran (lihat orientasi IMU di Gambar 1), dan masing-masing rata dalam sebuah jendela (MaxPooling dan MeanPooling, masing-
jalan ini disebut segmen. Setiap segmen akan diperlakukan masing). Dalam kasus kami, pengurangan fitur dilakukan oleh lapisan
sebagai sampel. MaxPooling.
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.
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
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 7
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? overfitting. Jika tidak, kombinasi pengklasifikasi biasanya dianggap lebih
versi, diperoleh pada output CAE. akurat dan kuat daripada individu – juga disebutlemah – pengklasifikasi [53,
Untuk menilai secara visual sifat diskriminatif dari fitur yang diekstraksi, 54]. Oleh karena itu, hasil klasifikasi berdasarkan segmen tunggal dari suatu
kami menggunakan algoritma T-SNE [52] untuk mendapatkan tampilan 2D subjek digabungkan menggunakan strategi pemungutan suara mayoritas
dari setiap segmen dan distribusi kelas. Dengan demikian, yang bertujuan untuk meningkatkan kinerja klasifikasi.
Gambar 5 menunjukkan representasi 2D dari fitur, diberi label oleh bentuk dan stabilitas. MembiarkanHaik, {k = 1, . . . ,K} jadilah prediksi
kriteria klinis yang berbeda: Gambar. 5(a)–5(c)menunjukkan 2D fitur hanya berdasarkan k - th segmen dan CJ, = 0, 1 label yang ditetapkan
untuk PAL, 30s-CST dan total jarak yang ditempuh selama 6MWT, untuk J - th kelas. Prediksi ini dapat digabungkan dengan
masing-masing. menghitung jumlah segmen n yang memprediksi kelas J [55]:
3.4.1. Kelas fitur (sificati) diaktifkan oleh pengklasifikasi vektor dukungan NJ = #{k|o = kCj} k = {1, . . . ,K} (9)
Setelah CAE dilatih, Bagian encoder digunakan untuk
pute k fitur F1,...,k dari sinyal inersia. Lalu, ini dan prediksi gabungan HAI dapat dihitung sebagai:
fitur diklasifikasikan menggunakan Linear Support Vector Classifier (SVC). Sebuah O = argmax nJ (10)
classifier linier dapat didefinisikan sebagai J
g(fsaya) = W⊤Fsaya + B (7) 3.5. Klasifikasi menggunakan jaringan saraf convolutional self-
normalizing
Pelatihan classifier terdiri dari menghitung W dan B,
untuk mendefinisikan hyperplane pemisah terbaikSayasebagai F W+ b = 0.
Di Bagian ini, kami menunjukkan penggunaan CNN yang ditunjukkan pada Gambar 6
Perhitungan hyperplane dapat dirumuskan dengan cara yang
untuk mengklasifikasikan sinyal inersia. Metode keseluruhannya sama seperti
berbeda. Dalam Support Vector Machines, hyperplane dihitung
yang ditunjukkan padaGambar 3, tetapi dalam kasus ini, ekstraksi fitur dan
dengan memaksimalkan margin ∥ 2
W∥ ke{
hyperplane sebagai
klasifikasi dilakukan oleh CNN tunggal, tanpa menggunakan pengklasifikasi
vektor pendukung.
2 +1 = +1
jika akuSaya
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.
8 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk. / Sistem Berbasis Pengetahuan xxx (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
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 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 memungkinkan mewakili sampel dalam ruang dimensi yang lebih rendah,
dan dapat digunakan tidak hanya untuk klasifikasi tetapi untuk regresi,
Dalam karya ini, kami menyajikan dua metode untuk memprediksi mampu menilai evolusi variabel klinis seperti PAL ketika subjek berada di
aktivitas fisik dan tingkat kebugaran fungsional melalui data inersia bawah beberapa intervensi klinis. Dalam pekerjaan di masa depan, kami
yang diperoleh melalui metode sederhana berdasarkan smartphone berencana untuk membahas ukuran kuantitatif variabel klinis melalui jarak
selama 6MWT. Keandalan metode pengukuran berdasarkan antara sampel di ruang embedding. Selain itu, pengklasifikasi CNN
penggunaan sensor inersia iPhone 4 cukup andal, sesuai dengan bertujuan untuk secara langsung mengklasifikasikan subjek yang
standar deviasi perbedaan antara pengukuran oleh dua pengamat berhubungan dengan prediksi label klinis yang menggunakan pola yang
yang berbeda. Standar deviasi ini terbukti sangat mirip ketika ditemukan dalam sinyal intersial.
pengukuran dilakukan oleh iPhone 4 dan menggunakan busur derajat. Metode yang diusulkan mengungguli pendekatan sebelumnya
Penggunaan iPhone untuk melakukan pengukuran inersia telah berdasarkan fitur yang diekstraksi menggunakan metode pemrosesan
divalidasi di [42] dan di Galán-Mercant et al. Di sisi lain, protokol untuk sinyal klasik, dan di masa depan, arsitektur serupa dapat digunakan untuk
mengidentifikasi variabel kinematik diskriminatif pada tes berjalan 6 memprediksi label klinis lainnya. Dengan cara itu, penerapan metode
menit, menggunakan sensor inersia iPhone 4 divalidasi di [43]. prediksi semacam ini mengandaikan kemajuan penting untuk penilaian dan
pemantauan klinis di masa depan. Aksesibilitas yang mudah ke
Dalam karya sebelumnya, fitur temporal, spektral atau spatio-temporal smartphone, membuat pendekatan yang diusulkan dapat diperluas ke
diekstraksi dari sinyal IMU, menggunakan metode berdasarkan analisis praktik klinis, mengurangi waktu evaluasi dan meningkatkan kualitas
Fourier, atau Analisis Wavelet. Namun, asumsi stasioneritas atau perawatan. Ini dapat diimplementasikan dalam sistem m-health untuk
periodisitas klasik yang diperlukan untuk validitas metode ini tidak selalu mengidentifikasi profil pasien secara otomatis, mempermudah pengelolaan
terpenuhi. Sebagai alternatif untuk menghindari asumsi tersebut, metode e-health dan juga mengurangi biaya layanan kesehatan.
EMD digunakan dalam [20] untuk menguraikan sinyal akselerasi menjadi
komponen terbatas pita (fungsi mode intrinsik) untuk selanjutnya Ucapan Terima Kasih
mengekstrak deskriptor waktu dan frekuensi statistik. Namun demikian,
perhitungan fitur statistik yang diketahui secara apriori masih diperlukan. Pekerjaan ini sebagian didukung oleh MINECO/FEDER di bawah
Dalam makalah ini, kami mengusulkan metode ekstraksi fitur tanpa proyek TEC2015-64718-R, PSI2015-65848-R dan PGC2018-098813- B-
pengawasan berdasarkan CAE yang menghindari asumsi klasik Analisis C32; dan Program Kemitraan Strategis Pendidikan Tinggi Erasmus+
Fourier atau Wavelet, yaitu, stasioneritas sinyal atau penggunaan fungsi (Aksi Kunci 203) [Nomor Hibah: 2018-1- PL01-KA203-051055].
dasar yang telah ditentukan sebelumnya. Tidak seperti metode dekomposisi Selanjutnya, hibah mobilitas EST2018-090 didukung oleh University of
ini, CAE mempelajari representasi terbaik dari input dalam ruang dimensi Cádiz. Kami berterima kasih atas dukungan NVIDIA Corporation
yang lebih rendah dengan memanfaatkan minimalisasi kesalahan dengan sumbangan salah satu GPU yang digunakan untuk penelitian
rekonstruksi. Kemampuan diskriminatif dari fitur yang diekstraksi telah
ini.
dinilai menggunakan pengklasifikasi vektor dukungan. Selain itu, model
Deep Learning kedua juga berdasarkan CNN digunakan untuk secara Referensi
langsung melakukan klasifikasi mata pelajaran menurut kriteria klinis yang
berbeda. Kedua metode ini saling melengkapi. Metode CAE mengekstrak [1] A. Clegg, J. Young, S. Iliffe, MO Rikkert, K. Rockwood, Kerapuhan pada orang tua, Lancet 381
fitur yang (9868) (2013) 752-762.
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 Al. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx 11
[2] J. Choi, A. Ahn, S. Kim, CW Won, Prevalensi global kelemahan fisik menurut kriteria [24] M. Bertoli, A. Cereatti, D. Trojaniello, L. Avanzino, E. Pelosin, S. Del Din, L. Rochester, P. Ginis,
gorengan pada lansia yang tinggal di komunitas dengan survei berbasis populasi EM Bekkers, A. Mirelman, dkk., Estimasi parameter spatiotemporal kiprah dari unit
nasional, J. Am. Med. Asosiasi Direksi 16 (7) (2015) 548–550. pengukuran magneto-inersia: validasi multicenter di antara Parkinson, orang dewasa
yang lebih tua dengan gangguan kognitif ringan dan sehat, Biomed. Ind. Daring 17 (1)
[3] M. Cesari, M. Prince, JA Thiyagarajan, IA De Carvalho, R. Bernabei, P. Chan, LM Gutierrez- (2018) 58.
Robledo, J.-P. Michel, JE Morley, P. Ong, dkk., Frailty: prioritas kesehatan masyarakat yang [25] D. Trojaniello, A. Ravaschio, JM Hausdorff, A. Cereatti, Penilaian komparatif dari metode
muncul, J. Am. Med. Asosiasi Direksi 17 (3) yang berbeda untuk estimasi parameter temporal kiprah menggunakan sensor inersia
(2016) 188–192. tunggal: aplikasi untuk lansia, pasca stroke, penyakit Parkinson dan subjek penyakit
[4] EM Curtis, RJ Moon, NC Harvey, C. Cooper, Dampak fraktur kerapuhan dan pendekatan Huntington, Postur Gaya 42 (3) (2015) 310–316.
terhadap penilaian risiko osteoporosis di seluruh dunia, Bone 104 (2017) 29–38.
[26] E. Rovini, C. Maremmani, A. Moschetti, D. Esposito, F. Cavallo, Penilaian pra-klinis motorik
[5] W. Hong, Q. Cheng, X. Zhu, H. Zhu, H. Li, X. Zhang, S. Zheng, Y. Du, W. Tang, S. Xue, et al., komparatif pada penyakit Parkinson menggunakan pendekatan pembelajaran mesin
Prevalensi sarkopenia dan hubungannya dengan situs fraktur kerapuhan pada pria dan yang diawasi, Ann. Bioma. Ind. 46 (12) (2018) 2057–2068.
wanita tua Cina, PLoS ONE 10 (9)
(2015) e0138102. [27] D. Drover, J. Howcroft, J. Kofman, E. Lemaire, klasifikasi Faller pada orang dewasa yang lebih
[6] AJ Cruz-Jentoft, E. Kiesswetter, M. Drey, CC Sieber, Nutrisi, kelemahan, dan sarkopenia, tua menggunakan sensor yang dapat dipakai berdasarkan fitur berbasis akselerometer
Penuaan Clin. Eks. Res. 29 (1) (2017) 43–48. belokan dan berjalan lurus, Sensor 17 (6) (2017) 1321.
[28] H. Similä, M. Immonen, M. Ermes, penilaian berbasis akselerometri dan deteksi tanda-tanda
[7] V. Bullo, S. Gobbo, B. Vendramin, F. Duregon, L. Cugusi, A. Di Blasio,
awal defisit keseimbangan, Comput. Biol. Med. 85 (2017) 25–32.
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) [29] D. Vervoort, N. Vuillerme, N. Kosse, T. Hortobágyi, CJC Lamoth, Analisis multivariat dan
141-161. klasifikasi data sensor inersia untuk mengidentifikasi efek penuaan pada uji timed-up-and-
go, dalam: K. Chen ( Ed.), PLoS ONE 11 (6)
[8] S. Karinkanta, P. Kannus, K. Uusi-Rasi, A. Heinonen, H. Sievänen, Gabungan latihan
(2016) e0155984.
resistensi dan lompat keseimbangan mengurangi cedera jatuh dan patah tulang pada
[30] Y. Bengio, Mempelajari arsitektur mendalam untuk AI, Ditemukan. Tren Mach. Mempelajari.
wanita yang lebih tua: studi tindak lanjut 5 tahun, Age Aging 44 (5 ) (2015) 784–789.
2 (1) (2009) 1–127.
[31] Q. Zhang, LT Yang, Z. Chen, P. Li, Sebuah survei tentang pembelajaran mendalam untuk data besar,
[9] YT Lagerros, E. Hantikainen, K. Michaëlsson, W. Ye, H.-O. Adami, R. Bellocco, Aktivitas fisik
Inf. Fusion 42 (2018) 146–157.
dan risiko patah tulang pinggul pada orang tua: studi kohort prospektif, Eur. J. Epidemi.
[32] A. Ortiz, J. Munilla, JM Górriz, J. Ramírez, Ensemble arsitektur pembelajaran mendalam untuk
32 (11) (2017) 983–991.
Diagnosis awal penyakit Alzheimer, Int. J. Sistem Saraf. 26 (07) (2016) 1650025.
[10] Komite ATS tentang Standar Kecakapan untuk Laboratorium Fungsi Paru Klinis, pernyataan
ATS: pedoman untuk tes jalan enam menit, Am.
[33] J. Wang, Y. Chen, S. Hao, X. Peng, L. Hu, Pembelajaran mendalam untuk pengenalan aktivitas
J. Pernafasan. Kritis. Perawatan Med. 166 (2002) 111–117.
berbasis sensor: Survei, Pengenalan Pola. Lett. (2018).
[11] CA Lima, AdFD de Andrade, SL Campos, DC Brandão, IP Mourato,
[34] H. Cho, SM Yoon, Pengenalan aktivitas manusia CNN 1D berbasis Divide dan taklukkan
MCA de Britto, Tes berjalan enam menit sebagai penentu kapasitas fungsional anak-anak
menggunakan penajaman data uji, Sensor 18 (4) (2018).
dan remaja dengan cystic fibrosis: Tinjauan sistematis, Respir. Med. 137 (2018) 83–88.
[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:
[12] AH Montoye, RW Moore, HR Bowles, R. Korycinski, KA Pfeiffer, Pelaporan metode
Konferensi Internasional ke-6 tentang Komputasi Seluler , Aplikasi dan Layanan, 2014,
akselerometer dalam studi intervensi aktivitas fisik: tinjauan sistematis dan rekomendasi
hlm. 197–205.
untuk penulis, Br. J.Olahraga Med. 52
[36] DK Vishwakarma, P. Rawat, R. Kapoor, Pengenalan aktivitas manusia menggunakan
(23) (2018) 1507–1516.
transformasi wavelet gabor dan transformasi ridgelet, Procedia Comput. Sci. 57 (2015)
[13] O. Banos, JA Moral-Munoz, I. Diaz-Reyes, M. Arroyo-Morales, M. Damas,
630–636, Konferensi Internasional ke-3 tentang Tren Terkini dalam Komputasi 2015
E. Herrera-Viedma, CS Hong, S. Lee, H. Pomares, I. Rojas, C. Villalonga, MDurance: Sistem
(ICRTC-2015).
kesehatan seluler baru untuk mendukung penilaian daya tahan tubuh, Sensor 15 (6)
[37] Z. He, Pengenalan aktivitas dari sinyal akselerometer berdasarkan model Wavelet-AR,
(2015) 13159-13183.
dalam: Konferensi Internasional IEEE 2010 tentang Kemajuan dalam Informatika dan
[14] BD Gaikwad, KA Bobade, PL Jadhav, KB Deokate, Deteksi perubahan status mobilitas
Komputasi, vol. 1, 2010, hlm. 499–502.
manusia menggunakan smartphone berdasarkan sensor akselerometer, Int. J. Eng. Sci.
[38] W. Ross, M. Hebbelinck, R. Faulkner, dalam: Charles C. Thomas, terminologi Kinantropometri
Hitung. 6 (4) (2016) 4569–4571.
dan landmark penilaian kebugaran fisik. prinsip, praktik dan aplikasi Springfield, Illinois,
[15] A. Salazar, H. de Sola, I. Failde, JA Moral-Munoz, Mengukur kualitas aplikasi seluler untuk 1978, hlm. 44–50.
manajemen nyeri: pencarian dan evaluasi sistematis menggunakan skala peringkat [39] American College of Sports Medicine, Manual Penilaian Kebugaran Fisik Terkait Kesehatan
aplikasi seluler, JMIR mHealth uHealth 6 (10) (2018 ) e10718. ACSM, Lippincott Williams & Wilkins, 2013.
[40] RE Rikli, CJ Jones, Manual Tes Kebugaran Senior, Kinetika Manusia, 2013.
[16] JA Moral-Munoz, B. Esteban-Moreno, E. Herrera-Viedma, MJ Cobo, IJ Pérez, Aplikasi [41] T. Troosters, R. Gosselink, M. Decramer, Enam menit berjalan kaki pada subyek lansia yang
smartphone untuk melakukan penilaian keseimbangan tubuh: tinjauan standar, J. Med. sehat, Eur. bernafas. J. 14 (2) (1999) 270–274.
Sistem 42 (7) (2018) 119.
[42] A. Galán-Mercant, AI Cuesta-Vargas, Perbedaan dalam akselerometri batang tubuh antara
[17] JK Aggarwal, MS Ryoo, Analisis aktivitas manusia: Sebuah tinjauan, ACM Comput. bertahan orang tua yang lemah dan tidak lemah dalam tugas fungsional, BMC Res. Catatan 7 (1)
43 (3) (2011) 16:1–16:43. (2014) 100.
[18] FS Ayachi, HP Nguyen, C. Lavigne-Pelletier, E. Goubault, P. Boissy, C. Duval, algoritma [43] A. Galán-Mercant, FJ Barón-López, MT Labajos-Manzanares, AI Cuesta- Vargas, Keandalan
berbasis Wavelet untuk deteksi otomatis aktivitas kehidupan sehari-hari orang dewasa dan validitas terkait kriteria dengan ponsel cerdas yang digunakan dalam uji batas waktu,
yang lebih tua yang ditangkap oleh beberapa unit pengukuran inersia (IMU), Physiol . Biomed. Ind. Daring 13 (1) (2014) 156.
Meas. 37 (3) (2016) 442. [44] P. Baldi, Autoencoder, pembelajaran tanpa pengawasan dan arsitektur dalam, dalam:
[19] T. Lockhart, R. Songra, J. Zhang, X. Wu, deteksi peristiwa postural otomatis berbasis Wavelet Prosiding Konferensi Internasional 2011 Lokakarya Pembelajaran Tanpa Pengawasan dan
dan klasifikasi aktivitas dengan IMU tunggal, Biomed. Sci. alat musik. 49 (2013) 224–233. Transfer, UTLW'11, JMLR.org, vol. 27, 2011, hlm. 37–50.
[45] A. Krizhevsky, I. Sutskever, GE Hinton, klasifikasi Imagenet dengan jaringan saraf konvolusi
[20] A. Galán-Mercant, J. Moral-Muñoz, A. Ortiz, E. Herrera-Viedma, MT Tomás, Memprediksi dalam, dalam: Prosiding Konferensi Internasional ke-25 tentang Sistem Pemrosesan
aktivitas fisik dan tingkat kebugaran fungsional melalui sinyal inersia dan fitur berbasis Informasi Saraf - Vol. 1, NIPS'12, Curran Associates Inc., AS, 2012, hlm. 1097–1105.
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, [46] S. Sabour, N. Frosst, GE Hinton, Perutean dinamis antar kapsul, dalam: NIPS, 2017.
2018, hlm. 954–966.
[21] E. Burton, KD Hill, NT Lautenschlager, C. Thøgersen-Ntoumani, G. Lewin, [47] A. Ortiz, FJM Murcia, J. Munilla, JM Górriz, J. Ramírez, Label dibantu peringkat mendalam
E. Boyle, E. Howie, Keandalan dan validitas dua perangkat pelacak kebugaran di untuk diagnosis otomatis sindrom parkinsonian, Neurocomputing (2018).
laboratorium dan lingkungan rumah untuk orang tua yang tinggal di komunitas, BMC
Geriatrics 18 (1) (2018) 103. [48] S. Ioffe, C. Szegedy, Normalisasi batch: Mempercepat pelatihan jaringan dalam dengan
[22] MJ Duncan, K. Wunderlich, Y. Zhao, G. Faulkner, Jalan ini: bukti validitas penghitungan mengurangi pergeseran kovariat internal, dalam: Prosiding Konferensi Internasional
langkah aplikasi kesehatan iphone di laboratorium dan kondisi hidup bebas, J. Sports Sci. ke-32 tentang Konferensi Internasional tentang Pembelajaran Mesin
36 (15) (2018) 1695–1704. - Jil. 37, ICML'15, JMLR.org, 2015, hlm. 448–456.
[23] M. Yang, H. Zheng, H. Wang, S. Mcclean, D. Newell, Igait: Sistem analisis kiprah berbasis [49] Y. LeCun, Y. Bengio, G. Hinton, Pembelajaran mendalam, Alam 521 (7553) (2015).
akselerometer interaktif, Comput. Metode Program Biomed. 108 (2) (2012) 715–723. [50] I. Goodfellow, Y. Bengio, A. Courville, Pembelajaran Mendalam, MIT Press, 2016,
http://www.deeplearningbook.org.
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.
12 A. Galán-Mercant, A. Ortiz, E. Herrera-Viedma dkk Al. / Sistem Berbasis Pengetahuan xxx (xxxx) xxx
[51] G. Klampauer, T. Unterthiner, A. Mayr, S. Hochreiter, Jaringan saraf normalisasi diri, dalam: I. [56] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, GS Corrado,
Guyon, UV Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, R. Garnett (Eds.), A. Davis, J. Dean, M. Devin, S. Ghemawat, I. Goodfellow, A. Harp, G. Irving,
Kemajuan dalam Sistem Pemrosesan Informasi Saraf, Vol. 30, Curran Associates, Inc., M. Isard, Y. Jia, R. Jozefowicz, L. Kaiser, M. Kudlur, J. Levenberg, D. Mané,
2017, hlm. 971–980. R. Monga, S. Moore, D. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K.
[52] L. van der Maaten, G. Hinton, Memvisualisasikan data menggunakan t-SNE, J. Mach. Talwar, P. Tucker, V. Vanhoucke, V. Vasudevan, F. Viégas, O. Vinyals, P. Warden, M.
Mempelajari. Res. 9 (2008) 2579–2605. Wattenberg, M. Wicke, Y. Yu, X. Zheng, Tensorflow: Machine learning skala besar pada
[53] J. Kittler, M. Hatef, RPW Duin, J. Matas, Tentang menggabungkan pengklasifikasi, IEEE Trans. sistem heterogen, 2015, Perangkat lunak tersedia dari tensorflow.org http://
Pola Anal. Mach. Intel. 20 (3) (1998) 226–239. tensorflow.org/.
[54] M. Liu, D. Zhang, D. Shen, Ensemble jarang klasifikasi penyakit Alzheimer, NeuroImage 60 [57] F. Chollet, dkk., 2015, Keras, https://github.com/fchollet/keras,
(2) (2012) 1106-1116. [58] K. Simonyan, A. Vedaldi, A. Zisserman, Jauh di dalam jaringan konvolusi: Visualisasi model
[55] H.-C. Kim, S.Pang, H.-M. Je, D. Kim, SY Bang, Membangun ansambel mesin vektor klasifikasi gambar dan peta saliency, 2013, pracetak arXiv arXiv:1312.6034.
pendukung, Pengenalan Pola. 36 (2003) 2757–2767.
[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.
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.