ترجمه فارسی مقاله تولید داده مصنوعی در تجزیه و تحلیل حرکت: یک چارچوب یادگیری عمیق مولد

چکیده

Generative deep learning has emerged as a promising data augmentation technique in recent years. This approach becomes particularly valuable in areas such as motion analysis, where it is challenging to collect substantial amounts of data. The current study introduces a data augmentation strategy that relies on a variational autoencoder to generate synthetic data of kinetic and kinematic variables. The kinematic and kinetic variables consist of hip and knee joint angles and moments, respectively, in both sagittal and frontal plane, and ground reaction forces. Statistical parametric mapping (SPM) did not detect significant differences between real and synthetic data for each of the biomechanical variables considered. To further evaluate the effectiveness of this approach, a long-short term model (LSTM) was trained both only on real data (R) and on the combination of real and synthetic data (R&S); the performance of each of these two trained models was then assessed on real test data unseen during training. The predictive model achieved comparable results in terms of nRMSE when predicting knee joint moments in the frontal (R&S: 9.86% vs R:10.72%) and sagittal plane (R&S: 9.21% vs R: 9.75%), and hip joint moments in the frontal (R&S: 16.93% vs R:16.79%) and sagittal plane (R&S: 13.29% vs R:14.60%). These findings suggest that the proposed methodology is an effective data augmentation approach in motion analysis settings.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق مولد به عنوان یک روش امیدوارکننده تقویت داده ها در سالهای اخیر پدید آمده است.این رویکرد در مناطقی مانند تجزیه و تحلیل حرکت ، که در آن جمع آوری مقادیر قابل توجهی از داده ها چالش برانگیز است ، به ویژه ارزشمند می شود.مطالعه حاضر یک استراتژی تقویت داده را ارائه می دهد که به یک اتوآنمان متغیر متکی است تا داده های مصنوعی متغیرهای جنبشی و سینماتیک را تولید کند.متغیرهای سینماتیک و جنبشی به ترتیب از زوایای مفصل لگن و زانو و لحظه ها تشکیل شده است ، به ترتیب ، در هر دو صفحه ساژیتال و فرونتال و نیروهای واکنش زمینی.نقشه برداری پارامتری آماری (SPM) تفاوت معنی داری بین داده های واقعی و مصنوعی برای هر یک از متغیرهای بیومکانیکی در نظر گرفته نشده است.برای ارزیابی بیشتر اثربخشی این رویکرد ، یک مدل کوتاه مدت کوتاه (LSTM) فقط بر روی داده های واقعی (R) و هم در ترکیب داده های واقعی و مصنوعی (R&S) آموزش داده شد.سپس عملکرد هر یک از این دو مدل آموزش دیده بر روی داده های آزمون واقعی که در طول آموزش مشاهده نشده بودند ، ارزیابی شد.مدل پیش بینی کننده نتایج قابل مقایسه ای را از نظر NRMSE هنگام پیش بینی لحظات مشترک زانو در جبهه (R&S: 9.86 ٪ در مقابل R: 10.72 ٪) و هواپیمای ساژیتال (R&S: 9.21 ٪ در مقابل R: 9.75 ٪) به دست آورد ، و لحظه های مفصل HIPFrontal (R&S: 16.93 ٪ در مقابل R: 16.79 ٪) و هواپیمای ساژیتال (R&S: 13.29 ٪ در مقابل R: 14.60 ٪).این یافته ها نشان می دهد که روش پیشنهادی یک رویکرد مؤثر در تقویت داده ها در تنظیمات تحلیل حرکت است.