Human gait is a database that contains information from the subject. During the past decades, there have been many studies to find the characteristics of the subject like gender, identity, and disease through gait analysis. Most of the existing methods for gait analysis have lost much information because they used parameters obtained through only some part of kinematics.
In this paper, a method to extract the features with substantial information from gait data using an autoencoder was proposed, one of machine learning techniques. The autoencoder is learned for movement of each segment of the human body and mapped to a low-dimensional feature parameter while minimizing the loss of information in gait data. The extracted feature parameters were applied for two applications. Gait predictions in five different environments were implemented through feature transfer between feature parameters, and person identification was performed. Finally, the relationship between the extracted feature parameter and the orthopedic anomalous gait feature was implemented as a regression network, and the presence or absence of anomalous gait feature was predicted through gait data.
사람의 걸음 걸이는 대상의 정보가 포함된 데이터베이스다. 지난 수십 년 동안 보행 분석을 통해 성별, 정체성, 질병과 같은 대상의 특성을 찾기 위한 많은 연구가 있었다. 보행 분석에 사용되는 삼차원 보행 데이터는 높은 차원을 가지고 있기 때문에 비용감소를 위해 차원을 축소할 필요가 있다. 기존 보행 분석 방법은 보행에서 일부 기구학적 파라미터를 통해 계산한 매개 변수를 사용하여 차원 축소를 사용했지만 많은 한계점이 존재했다.
본 논문에서는 머신 러닝 기법 중 하나 인 오토인코더를 이용하여 보행 데이터에서 실질적인 정보가 있는 특징을 추출하는 방법을 제안하였다. 오토인코더는 인체 각 부분의 움직임에 대해 학습되고 보행 데이터의 정보 손실을 최소화하면서 저 차원 특징 매개 변수에 매핑하도록 학습되었다. 제안된 보행 차원 축소 네트워크는 두 가지 어플리케이션에 적용되었다. 다섯 가지 보행환경에서의 보행은 저 차원 특징 매개 변수로 매핑 되었으며, 표준환경으로의 보행 예측은 특징 매개 변수 간의 변환을 통해 구현되었고, 보행 예측을 통한 사람 식별이 수행되었다. 마지막으로, 추출된 특징 파라미터와 정형 외과 적 특이 보행 특징과의 관계를 로지스틱 회귀 네트워크로 구현하고 보행 데이터를 통해 특이 보행의 유무를 예측하였다.
