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

Obezite vücut yağ miktarının artması ile çeşitli sorunlara yol açan ve tedavi edilebilen bir hastalıktır. Artan vücutağırlığı, kas iskelet sistemi üzerinde bozukluklara yol açabilmektedir. Ayak, vücut ağırlığının yere aktarılmasındagörevli bir yapıdır. Obezitenin ayağın anatomik yapısını, taban temas yüzey alanını ve basınç değişimlerinietkilendiği görülmüştür. Bu çalışmada Uzun Kısa-Vadeli Hafıza (LSTM) tabanlı derin sinir ağı (DSA) ilebireylerin ölçülen ayak tabanı basınç değerleri ile vücut kitle indeksi (VKİ) durumları sınıflandıran bir modelgeliştirilmiştir. Öncelikle bireyin ayak tabanı ait 12 farklı bölgeye ait basınç değerleri baropodometre ileölçülmüştür. Ölçüm sonucunda sinir ağının veri kümesinde kullanılacak 13 farklı giriş parametresi elde edilmiştir.Bunun yanında her bireyin VKİ verisi hesaplanarak, bu verilere ait 4 gruptan birine yerleştirilmiştir. Böyleliklemodelin öğrenmesi için gerekli veri kümesi oluşturulmuştur. Derin sinir ağında veri kümesi %80 eğitim %20 testolarak bölümlenmiştir. Ağın hiper parametrelerin belirlenmesinden sonra eğitim ve test işlemlerigerçekleştirilmiştir. Eğitilen modelin test sonucunda %93.2 doğruluk elde edilmiştir. Önerilen LSTM model, diğersınıflandırma algoritmaları ile kıyaslanmıştır. Bunun sonucunda en yüksek performans elde etmiştir. Sonuç olarakönerilen sınıflandırma modeli ile bireyin VKİ’sine göre belirlenmiş obezite durumunu, ayak basınç verilerininsınıflandırılması ile doğrulanmış olmaktadır. Ayrıca LSTM tabanlı derin sinir ağlarının, sınıflandırma işlemlerindeyüksek başarı performansı verdiği gözlemlenmiştir.

Classification of BMI States from Foot Base Pressure with LSTM-based Deep Neural Network

Obesity is a disease that leads to various problems with the increase in the amount of fat in the body. Increased body weight can lead to disorders in the musculoskeletal system. The foot is a structure responsible for transferring body weight to the ground. Obesity has been shown to affect the anatomical structure of the foot, the floor contact surface area and pressure changes. In this study, Long Short-Term Memory (LSTM) based deep neural network (DNN) and individuals measured foot pressure values and body mass index (BMI) states were developed. First of all, the pressure values of the individual's foot base 12 different regions were measured by baropodometer. As a result of the measurement, 13 different input parameters were obtained to be used in the neural network data set. In addition, BMI data of each individual were calculated and placed in one of 4 groups of this data. Thus, the necessary data for the model to learn was created. In the deep neural network, data were divided into 80% of the training and 20% of the testing. After the determination of hyper-parameters of the network, training and testing procedures were performed. In the test result of the trained model was achieved 93.2% accuracy. As a result, the proposed classification model is verified by the classification of the foot pressure data according to the status of obesity determined by the individual's BMI. In addition, LSTM-based deep neural networks have been observed to provide high accuracy performance in classification operations.

PDF

___

[1] Ozansoy F. 1969. Türkı̇ye Pleı̇stosen fosı̇l insan ayak izleri. Maden Tetkik ve Arama Dergisi, 72 (72).
[2] Uygur Ş.F. 1992. Ayak Deformite ve Ortezleri. Volkan Matbaacılık, 113-127s, Ankara.
[3] Franco A.H. 1987. Pes Cavus and Pes Planus. Analyses and treatment. Physical Therapy, 67 (5): 688–694.
[4] Ergün A., Erten F. 2004. Öğrencilerde Vücut Kitle İndeksi ve Bel Çevresi Değerlerinin İncelenmesi. Ankara Üniversitesi Tıp Fakültesi Mecmuası, 57 (2): 57-61.
[5] İslamoğlu Y., Koplay M., Sunay S., Açıkel M. 2008. Obezite ve Metabolik Sendrom. Tıp Araştırma Dergisi, 6 (3): 168–174.
[6] Çukur A.; Arıtı E.İ. 2017. Obezite Vergilerinin Obezite ile Mücadelede Yeri: Türkiye İçin Bir Değerlendirme. Sayıştay Dergisi, 106s.
[7] Rosário J.L.P. 2014. A Review of the utilization of baropodometry in postural assessment. Journal of Bodywork and Movement Therapies, 18 (2): 215-219.
[8] Tomankova, K., Pridalova, M., Svoboda, Z., Cuberek, R., 2017. 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.
[9] Fabris S.M., Valezi A.C., Fabris De Souza S.A., Faintuch J., Cecconello I., Pedroni M. 2006. Computerized baropodometry in obese patients. Obesity Surgery, 16 (12): 1574-1578.
[10] Butterworth P.A., Urquhart D.M., Landorf K.B., Wluka A.E., Cicuttini F.M., Menz H.B. 2015. Foot posture, range of motion and plantar pressure characteristics in obese and non-obese individuals. Gait and Posture, 41 (2): 465-469.
[11] Golano P., Fariñas O., Sáenz, I. 2004. The anatomy of the navicular and periarticular structures. Foot and Ankle Clinics, 9 (1): 1-23.
[12] Butterworth P.A., Landorf K.B., Gilleard W., Urquhart D.M., Menz H.B. 2013. The association between body composition and foot structure and function: a systematic review. Obesity Comorbidity, 15 (4): 348-357.
[13] Kızrak M.A., Bolat B. 2018. Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma. Bilişim Teknolojileri Dergisi, 11 (3): 263-286.
[14] Shu X., Tang J., Qi G.J., Liu W., Yang J. 2018. Hierarchical Long Short-Term Concurrent Memory for Human Interaction Recognition. arXiv preprint arXiv:1811.00270.
[15] Raj H., Weihong Y., Banbhrani S.K., Dino S.P. 2018. LSTM Based Short Message Service (SMS) Modeling for Spam Classification. In Proceedings of the 2018 International Conference on Machine Learning Technologies, 76-80.
[16] Ergen T., Kozat S.S. 2017. Online Training of LSTM Networks in Distributed Systems for Variable Length Data Sequences. IEEE transactions on neural networks and learning systems, 29 (10): 5159-5165.
[17] Şeker A., Diri B., Balık H.H. 2017. Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi, 3 (3): 47-64.
[18] Zhang T., Song S., Li S., Ma L., Pan S., Han L. 2019. Research on Gas Concentration Prediction Models Based on LSTM Multidimensional Time Series. Energies, 12 (1): 161, doi.org/10.3390/en12010161.
[19] Yildirim Ö., Baloğlu U.B., Tan R., Ciaccio E., Acharya R. 2019. A new approach for arrhythmia classification using deep coded features and LSTM networks Computer Methods and Programs in Biomedicine, 176: 121-133.
[20] Xiao L., Wang G., Zuo Y. 2018 Research on Patent Text Classification Based on Word2Vec and LSTM, 2018 11th International Symposium on Computational Intelligence and Design (ISCID), Hangzhou, China, 71-74.
[21] Hochreiter S., Schmidhuber J. 1997. Long short-term memory. Neural Computation, 9 (8): 1735- 1780.
[22] Ahmadi N., Constandinou T., Bouganis C., 2019. 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.
[23] Samui S., Chakrabarti I., Ghosh S.K., 2018. Tensor-Train Long Short-Term Memory for Monaural Speech Enhancement. arXiv preprint arXiv:1812.10095.
[24] Graves A., Schmidhuber J. 2005. Framewise phoneme classification with bidirectional LSTM and other neural network architectures. Neural Networks, 8 (5): 602-610.
[25] Graves A.M., Hinton G. 2013. Speech recognition with deep recurrent neural networks, in 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, 6645-6649.
[26] Fernández S., Graves A., Schmidhuber J. 2007. An Application of Recurrent Neural Networks to Discriminative Keyword Spotting. in International Conference on Artificial Neural Networks, 220-229.