Page Header

Home > Vol 31, No 4 (2021) > Khawnuan

Evaluation of Artificial Neural Networks Structures for Human Activity Recognition and Development of a Computerized Prosthetic Leg

Uttapon Khawnuan, Nantakrit Yodpijit, Manutchanok Jongprasithporn

Abstract


ระบบรู้จำกิจกรรมมนุษย์สำหรับขาเทียมที่ควบคุมด้วยระบบคอมพิวเตอร์สามารถส่งเสริมให้ผู้สวมใส่มีความสะดวกและการเคลื่อนไหวได้เป็นธรรมชาติมากยิ่งขึ้น แบบจำลองโครงข่ายประสาทเทียมที่ถูกพัฒนาในการศึกษาครั้งนี้ เพื่อจำแนกกิจกรรมการเคลื่อนไหวโดยใช้ข้อมูลเซนเซอร์แอคเซเลอโรมิเตอร์และไจโรสโคป ชุดข้อมูลการเดินที่มีการเปิดเผยต่อสาธารณะจากผู้ทดลอง 30 คน มีอายุอยู่ในช่วง 19 ถึง 48 ปี แต่ละคนดำเนิน 6 กิจกรรม ได้แก่ การเดินที่ความเร็วปกติ เดินขึ้นบันได เดินลงบันได ท่านั่งปกติ ยืนตัวตรง และ การนอน ข้อมูลชุดนี้ถูกนำมาใช้ฝึกอบรมและทดสอบแบบจำลองโครงข่ายประสาทเทียม จำนวนเซลล์ประสาทในชั้นซ่อนถูกตั้งค่าโดยการเพิ่มทีละ 1 เซลล์ โดยเริ่มจากจำนวน 1 เซลล์ จนถึง 200 เซลล์ จนกว่าโครงข่ายให้ความถูกต้อง ความไว และ ความจำเพาะสูงที่สุด โครงข่ายแบบป้อนไปข้างหน้าและวิธีการเรียนรู้แบบส่งค่าย้อนกลับถูกใช้ในการสร้างแบบจำลองโครงข่ายประสาทเทียม ผลการทดลองพบว่าจำนวนเซลล์ประสาทที่เหมาะสมในชั้นซ่อนเท่ากับ 73 เซลล์ แบบจำลองโครงข่ายประสาทเทียมนี้สามารถนำไปใช้ในการพัฒนาขาเทียมที่ควบคุมด้วยระบบคอมพิวเตอร์

Human activity recognition system for computerized prosthetic leg can help the wearers to have a more comfortable and natural movement. In this study, an artificial neural network (ANN) model was constructed to classify movement activities based on accelerometer and gyroscope sensors. The publicly available walking dataset was collected from 30 subjects aged between 19–48 years. Each subject performed 6 activities (normal walking, upstairs walking, downstairs walking, sitting, standing and laying). This dataset was used for training and testing the ANN model. A number of neurons in the hidden layer were set by changing them from 1 to 200 with an interval of 1 until the network with most accuracy sensitivity and specificity was collected. The feedforward neural network (FFNN) trained using backpropagation (BP) was used to build the ANN model. The results showed that the optimal number of neurons in the hidden layer was 73. This ANN model can be applied in the development of computerized prosthetic leg.


Keywords



[1] L. International. (2017, August). Why Limbs. [Online]. Available:https://www.limbsinternational. org/why-limbs.html

[2] Department of Empowerment of Persons with Disabilities, “Situation Report on Persons with Disabilities in Thailand,” Ministry of Social Development and Human Security, Bangkok, Thailand, 2017 (in Thai).

[3] N. Yodpijit, M. Jongprasithporn, U. Khawnuan, T. Sittiwanchai, J. Siriwatsopon, and G. Guerra. (2018, June). Human-centered design of computerized prosthetic leg: A questionnaire survey for user needs assessment. [Online]. Available: https://link.springer.com/chapter/ 10.1007/978-3-319-94947-5_98

[4] E. Zheng, B. Chen, X. Wang, Y. Huang, and Q. Wang, “On the design of a wearable multi-sensor system for recognizing motion modes and sit-tostand transition regular paper,” International Journal of Advanced Robotic Systems, vol. 11, no. 30, pp. 1–8, 2014.

[5] Z. Yu and M. Lee, “Human motion based intent recognition using a deep dynamic neural model,” Robotics and Autonomous Systems, vol. 71, pp. 134–149, 2015.

[6] H. Huang, T. A. Kuiken, and R. D. Lipschutz, “A strategy for Identifying locomotion modes using surface electromyography,” IEEE Transactions on Bio-medical Engineering, vol. 56, no. 1, pp. 65–73, 2009.

[7] B.hen, E. Zheng, X. Fan, T. Liang, Q. Wang, K. Wei, and Long Wang, “Locomotion mode classification using a wearable capacitive sensing system,” IEEE Trans Neural Syst Rehabil Eng, vol. 21, no. 5, pp. 744–755, 2013.

[8] I. A. Basheer and M. Hajmeer, “Artificial neural networks: Fundamentals, computing, design, and application,” Journal of Microbiological Methods, vol. 43, no. 1, pp. 3–31, 2000.

[9] B. G. Zhang and M. Y. H. Eddy Patuwo, “Forecasting with artificial neural networks:The state of the art,” International Journal of Forecasting, vol. 14, no. 1, pp. 35–62, 1998.

[10] J. Reyes-Ortiz, D. Anguita, A. Ghio, L. Oneto, and X. Parra. (2019, April). UCI machine learning repository: Human activity recognition using smartphones data set, 2012. [Online]. Available: https://archive.ics.uci.edu/ml/datasets/hum an+activity+recognition+using+smartphones

[11] K. L. Du and M. N. S. Swamy, Neural Networks in a Softcomputing Framework. Springer Science & Business Media, 2006.

[12] A. Baratloo, M. Hosseini, A. Negida, G. El Ashal, and G. El Ashal, “Part 1: Simple definition and calculation of accuracy, sensitivity and specificity,” Archives of Academic Emergency Medicine (Emergency), vol. 3, no. 2, pp. 48–49, 2015.

[13] H. Abdi, “Signal detection theory,” in Encyclopedia of Measurement and Statistics, 3rd ed., Elsevier, 2007, pp. 313–324.

[14] C. D. Wickens and J. G. Hollands, “Signal detection, information theory, and absolute judgment,” in Engineering Psychology and Human Performance, Prentice Hall, 2000, pp. 17–28.

[15] A. Ignatov, “Real-time human activity recognition from accelerometer datausing convolutional neural networks,” Applied Soft Computing Journal, vol. 62, pp. 915–922, 2018.

[16] U. Martinez-Hernandez and A. A. Dehghani-Sanij, “Adaptive bayesian inference system for recognition of walking activities and prediction of gait events using wearable sensors,” Neural Networks, vol. 102, pp. 107–119, 2018.

[17] S. Au, M. Berniker, and H. Herr, “Powered ankle-foot prosthesis to assist level-ground and stair-descent gaits,” Neural Networks, vol. 21, no. 4, pp. 654–666, 2008.

[18] M. M. Hassan, M. Z. Uddin, A. Mohamed, and A. Almogren, “A robust human activity recognition system using smartphone sensors and deep learning,” Future Generation Computer Systems, vol. 81, pp. 307–313, 2018.

Full Text: PDF

DOI: 10.14416/j.kmutnb.2021.05.022

ISSN: 2985-2145