LSTM tabanlı Derin Sinir Ağı ile Ayak Taban Basınç Verilerinden VKİ Durumlarının Sınıflandırılması

Yıl 2019, , 1392 - 1398, 24.12.2019

Ahmet Ali Süzen , Ziya Yıldız , Tuğrul Yılmaz

https://doi.org/10.17798/bitlisfen.540273

Cited By: 2

Öz

Obezite vücut yağ miktarının
artması ile çeşitli sorunlara yol açan ve tedavi edilebilen bir hastalıktır.
Artan vücut ağırlığı, kas iskelet sistemi üzerinde bozukluklara yol
açabilmektedir. Ayak, vücut ağırlığının yere aktarılmasında görevli bir
yapıdır. Obezitenin ayağın anatomik yapısını, taban temas yüzey alanını ve
basınç değişimlerini etkilendiği görülmüştür.

Bu çalışmada Long Short-Term
Memory (LSTM) tabanlı derin sinir ağı (DSA) ile bireylerin ölçülen ayak tabanı
basınç değerleri ile vücut kitle indeksi (VKİ) durumları sınıflandıran bir
model geliştirilmiştir. Öncelikle bireyin ayak
tabanı ait 12 farklı bölgeye ait basınç değerleri baropodometre ile
ölçülmüştür. Ölçüm sonucunda sinir ağının veri setinde kullanılacak 13 farklı
giriş parametresi elde edilmiştir. Bunun yanında her bireyin VKİ verisi
hesaplanarak, bu verilere ait 4 gruptan birine yerleştirilmiştir. Böylelikle
modelin öğrenmesi için gerekli veriseti oluşturulmuştur. Derin sinir ağında
veriseti %80 eğitim %20 test olarak bölümlenmiştir. Ağın hiper parametrelerin
belirlenmesinden sonra eğitim ve test işlemleri gerçekleştirilmiştir. Eğitilen
modelin test sonucunda %93.2 doğruluk elde edilmiştir.

Sonuç olarak önerilen sınıflandırma modeli ile bireyin VKİ’sine göre
belirlenmiş obezite durumunu, ayak basınç verilerinin sınıflandırılması ile
doğrulanmış olmaktadır. Ayrıca LSTM tabanlı derin sinir ağlarının,
sınıflandırma işlemlerinde yüksek başarı performansı verdiği gözlemlenmiştir.

Anahtar Kelimeler

Baropodometre, Derin Sinir Ağı, LSTM, Sınıflandırma, VKİ

Kaynakça

• [1] Ozansoy, F., “Türki̇ye Plei̇stosen Fosi̇l İnsan Ayak İzleri”, Ankara Üniversitesi, 1969.
• [2] Uygur, Ş., F., “Ayak Deformite ve Ortezleri”, Ankara, Volkan Matbaacılık, 113-127, 1992.
• [3] Franco, A. H., “Pes Cavus and Pes Planus”. Analyses and treatment. Physical Therapy, 67(5): 688–694, 1987.
• [4] Ergün, A. Erten, F., “Öğrencilerde Vücut Kitle İndeksi ve Bel Çevresi Değerlerinin İncelenmesi”. Ankara Üniversitesi Tıp Fakültesi Mecmuası, 57(2), 57–61, 2004.
• [5] İslamoğlu, Y., Koplay, M., Sunay, S., & Açıkel, M., “Obezite ve Metabolik Sendrom”, Tıp Araştırma Dergisi, 6(3): 168–174, 2008.
• [6] Çukur, A. ; Arıtı, E. İ., “Obezite Vergilerinin Obezite ile Mücadelede Yeri: Türkiye İçin Bir Değerlendirme”. Sayıştay Dergisi, 106s, 2017.
• [7] Rosário, J. L. P., “A Review of the utilization of baropodometry in postural assessment”. Journal of Bodywork and Movement Therapies, 18(2), 215–219. 2014. https://doi.org/10.1016/j.jbmt.2013.05.016
• [8] Tomankova, K., Pridalova, M., Svoboda, Z., & Cuberek, R., “Evaluation of Plantar Pressure Distribution in Relationship to Body Mass Index in Czech Women During Walking”. Journal of the American Podiatric Medical Association, 107(3): 208–214. 2017. https://doi.org/10.7547/15-143
• [9] Fabris, S. M., Valezi, A. C., Fabris De Souza, S. A., Faintuch, J., Cecconello, I., & Pedroni, M. “Computerized baropodometry in obese patients. Obesity Surgery”, 16(12): 1574–1578. 2006. https://doi.org/10.1381/096089206779319293
• [10] Butterworth, P. A., Urquhart, D. M., Landorf, K. B., Wluka, A. E., Cicuttini, F. M., & Menz, H. B., “Foot posture, range of motion and plantar pressure characteristics in obese and non-obese individuals”. Gait and Posture, 41(2): 465–469, 2015. https://doi.org/10.1016/j.gaitpost.2014.11.010
• [11] Golano, P., Fariñas, O., & Sáenz, I., “The anatomy of the navicular and periarticular structures”. Foot and Ankle Clinics, 9(1): 1–23, 2004.
• [12] Butterworth, P. A., Landorf, K. B., Gilleard, W., Urquhart, D. M., & Menz, H. B., “The association between body composition and foot structure and function : a systematic review”, 2013. https://doi.org/10.1111/obr.12130
• [13] Kızrak, M. A., & Bolat, B., “Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma”. Bilişim Teknolojileri Dergisi, 11(3), 263-286, 2018.
• [14] Shu, X., Tang, J., Qi, G. J., Liu, W., & Yang, J., “Hierarchical Long Short-Term Concurrent Memory for Human Interaction Recognition”, 2018. arXiv preprint arXiv:1811.00270.
• [15] Raj, H., Weihong, Y., Banbhrani, S. K., & Dino, S. P., “LSTM Based Short Message Service (SMS) Modeling for Spam Classification”. In Proceedings of the 2018 International Conference on Machine Learning Technologies, 76-80, 2018.
• [16] Ergen, T., & Kozat, S. S., “Online Training of LSTM Networks in Distributed Systems for Variable Length Data Sequences”. IEEE Transactions on Neural Networks and Learning Systems, 2017.
• [17] Şeker, A., Diri, B., & Balık, H.H., “Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme”, Gazi Mühendislik Bilimleri Dergisi, 3(3): 47-64, 2017.[18] S. Hochreiter & J. Schmidhuber, “Long short-term memory,” Neural Computation, 9(8):1735–1780, 1997.
• [19] Ahmadi, N., Constandinou, T., & Bouganis, C., “Decoding Hand Kinematics from Local Field Potentials Using Long Short-Term Memory (LSTM) Network”, 9th International IEEE EMBS Conference on Neural Engineering (NER 2019). 1-5s, 2019.
• [20] A. Graves and J. Schmidhuber, “Framewise phoneme classification with bidirectional LSTM and other neural network architectures,” Neural Networks, vol. 18, no. 5–6, pp. 602–610, Jul. 2005.
• [21] A. Graves, A. Mohamed, and G. Hinton, “Speech recognition with deep recurrent neural networks,” in 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, 2013, pp. 6645–6649
• [22] S. Fernández, A. Graves, and J. Schmidhuber, “An Application of Recurrent Neural Networks to Discriminative Keyword Spotting,” in International Conference on Artificial Neural Networks, 2007, pp. 220–229.
• [23] Samui, S., Chakrabarti, I., & Ghosh, S. K., “Tensor-Train Long Short-Term Memory for Monaural Speech Enhancement”, arXiv preprint arXiv:1812.10095, 2018.