مروری بر استفاده از یادگیری ماشین برای تشخیص الگوهای حرکتی در اختلالات حرکتی انسان

شناسایی خودکار پیشینه حرکت انسان یک استراتژی موثر بـرای ارزیـابی الگوهـای حرکتـی غیـر عـادی اسـت. رویکردهـای یادگیری ماشین عمدتا به دلیل توانایی آنها در کار با ویژگیهای چند بعدی غیرخطی اعمال میشوند. هدف این مقاله مقایسه چندین الگوریتم های یادگیری ماشین برای تشخیص الگوی راه رفتن در اختلالات حرکتی و با استفاده از ویژگیهـای متمـایز استخراج شده از دینامیک حرکت است. علاوه بر این، این کار رویکردهایی را نشان میدهد که عملکـرد شناسـایی راه رفـتن را بهبود می بخشد. در این روش، با استفاده از "شناسایی انسانی"، "الگوهای حرکتی"، و "روشهای انتخاب ویژگـی" اسـتفاده کردیم. نتایج تجزیه و تحلیل نتایج این تحقیق نشان داد که تحلیل مولفه های اصلی هسته و الگوریتم هـای ژنتیـک در کـاهش ویژگیهای ابعادی به دلیل توانایی آنها برای پردازش داده های غیر خطی و همگرا شدن به حالت بهینه جهانی کارآمد هستند . آنالیز تطبیقی عملکرد یادگیری ماشین نشان داد که ماشینهای بردار پشتیبان دارای دقت بالاتر و تعمیم مناسب برای مـوارد جدید هستند. نتیجه گیری شناسایی خودکار با ترکیب روشهای کاهش داده بعدی، تکنیکهای اعتبار سنجی متقابل و نرمـال سازی با svms ممکن است یک ابزار هدف و سریع برای بررسی وضعیت بالینی ارایه دهد. دستورالعملهای آینده شامل کاربرد بلادرنگ این ابزارها برای راهاندازی دستگاه های کمکی در شرایط زندگی آزاد است.