گراف احتمال همزمانی فازی در شبکه های عصبی عمیق جهت ارزیابی سری های زمانی حرکتی انسان

با در نظر گرفتن وابستگی بین داده‌های حرکتی مفاصل، می‌توان ارزیابی دقیق‌تری از تمرین‌های توانبخشی حرکتی انجام داد. با استفاده از روش‌هایی بر پایه گراف حاصل از داده‌های حرکتی مفاصل، این وابستگی در نظر گرفته می‌شود. در حالی که چالش اصلی ارائه روش تشکیل گراف متناسب با نوع داده‌های حرکتی است. روش‌های تشکیل گراف موجود یا نیازمند به آموزش و دارای محاسبات پیچیده هستند و یا ماهیت غیر خطی و غیر ایستای داده‌های حرکتی را در نظر نمی‌گیرند. در این پژوهش، برای تشکیل گراف از معیار احتمال همزمانی فازی (fsl) استفاده شده است که شباهت کیفی داده‌های غیر خطی و غیر ایستا را بررسی می‌کند. همچنین از شبکه عصبی چگالی ترکیبی عمیق به منظور ارزیابی تمرین‌های توانبخشی استفاده شده است. عملکرد این شبکه با ورودی گراف fsl با گراف‌های مبتنی بر ساختار اسکلتی و معیار همبستگی که تاکنون در زمینه تحلیل داده‌های حرکتی استفاده شده‌اند و هم چنین با ورودی غیر گراف بر اساس میزان مقدار مطلق خطا، میانگین مربعات خطا و ضریب همبستگی بین امتیاز تخمین زده شده و امتیاز مرجع مقایسه شده است. شبکه پیشنهادی با ورودی گراف fsl عملکرد بهتری از انواع گراف‌ها دارد در حالی که عملکرد برابری با حالت بدون گراف دارد. از آنجا که ورودی گراف fsl تعامل بین اطلاعات مفاصل را در نظر می‌گیرد، نتیجه آن قابل شهودتر است.