TELKOM NIKA , Vol. 11, No. 10, Octobe r 2013, pp. 6 135 ~ 6 142   ISSN: 2302-4 046           6135      Re cei v ed Ap ril 1, 2013; Re vised July 1 4 , 2013; Accept ed Jul y  24, 2 013   A Gait Recognition System using GA-based C-SVC and  Plantar Pressure      Yanbei Li, Lei Yan*, Hua Qian  Schoo l of T e chnol og y, Beij in g F o restr y  Un ive r sit y   Beiji ng 1 0 0 083 , China, + 86-1 0 -62 338 27 9   *Corres p o ndi n g  author, e-ma i l : mark_ y an lei @ bjfu.e du.cn, l e i y a nbfu@ 16 3.com      A b st r a ct  In order to co nduct the g a it recog n itio n system,  a w i rele ss in-sho e w earab le pl antar  pressur e   acqu isitio n system b a sed o n   ATmeg a 1 6  an d 8 FSR s ens ors w a s appli e d to data acq u i s ition for the g a its   w h ich co nsist  of stand in g, w a lkin g, j u mpi n g a n d  go in g  u p stairs. An d fo ur vo lunt eers ( 2  fe ma les  an d   2   m a les) were  invited  in this  researc h  to collect  the  press u re infor m atio n. MATLAB and LIBSVM wer e   app lie d to co n duct al l al gor ith m s pr op osed  b y  this st udy. G enetic A l g o rith m (GA) w a s us ed to s e t the b e st  tunin g  (pen alty ) para m eter an d the best (ga m ma) of G aus s radial b a sis k e rne l  (RBF ) for C-support vec t or  classificati on ( C -SVC)  mod e l  and th e GA- base d  C-SVC  w a s obtain e d .  A dataset n a med  ‘ t r a in- d a t a ’ ,   contai nin g  80 0  sets of pressure data w a s used to  train t he GA-base d   C-SVC as the  algor ith m  of gait   recog n itio n. F i nally  a t e sting   dataset  c onta i n i ng  40 0 sets  of pressur e   dat a  w a s app lie d to  test the a l gor it h m   of gait reco gnit i on ca lle d GA-base d  C-SVC. T he accura cy  of this GA-based C-SVC w a s  98% for stand i n g ,   91% for w a lki n g, 82% for go in g-upsta irs an d 97% for  ju mpi n g. In gener ally  speak ing, a b e tter GA-based  C- SVC w a s obtai ned i n  this rese arch.    Ke y w ords :  C- SVC; GA; Plantar pressu re; Gait recognition        Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  In rece nt years, a growi n g  need for a f u ll r ang e of visual  surveill a n ce a nd mon i toring  system s in secu rity-sen sitive  environme n t s  su ch a s  banks, airp o r t s  and human i dentificatio n at  a dist a n ce ha s gain ed increasi ng intere st from co m p uter re se arch ers. Gait reco gnition is onl y  a   recogni zin g  tech nolo g y which can be detecte d and  measu r ed at a dist ance. It overcome s the   chall enge s  whe n  usin g  physical o r  close  cont a c t su ch as  finger pri n t recognitio n , face   recognitio n  b y  it s inhere n t biological ch ara c teri stics  su ch a s ; non -invasive, no n-cont a c t, hid i ng  and di sgui sin g  dif f eren ce, far-dist an ce re cog n ition an d  so on.     1.1. Pre v iou s   Appr oach e s  to Gait  Rec ognition   Although gait  recognition i s  a ne w re se arch  field, there have  bee n som e  studi es an d   resea r che s .  Curre n tly, gai t re cognitio n   approa che s   can  be  mainl y  cla ssifie d  i n to two  cl asses:  motion-ba sed  methods a n d  model-ba s ed  methods.   Model -ba s ed  method s ai m to mod e l h u man  body b y  analyzin g the pa rts  of b ody su ch   as  hand s, to rso, thig hs, le gs, a nd feet  and  perfo rm model matchi ng  in ea ch  frame  of a wal k in g   seq uen ce to  measure these para m eters.  As a typical  example of model -ba s ed  approa ch e s  o f  gait reco gni tion, Cuna do  et al. [1 ]  con s id ere d  l egs a s   an i n terlin ked  pe ndulum,  and  gait  sig natu r es  were  de rived from t h e   freque ncy co mpone nts of the variation s  in the inc lina t ion of huma n  thighs. The s e features  were   analyzed u s i ng the p h a s e - wei ghted  Fo urie r Mag n itu de Spe c tru m  for gait  re co gnition. John son  and Bobi ck [2] used a c tivity-spe cific sta t ic body par a m eters for ga it recog n ition without direct ly  analyzi ng th e dynami c s  of gait p a tterns. Yam  et  al. [3] first  u s ed  ru nnin g   and  wal k ing   to   recogni ze  pe ople. They th en explo r ed t he rel a tion shi p  betwe en  walkin g and  ru nning that  was   expre s sed  as a m appin g  b a se d o n  p h a s e  modul atio n. In ad dition , Cun ado  et  al. [4] used t h igh   joint trajecto ri es a s  feature s .  Re cently, in literature [5], a simple b u t e ffi cient gait re cog n ition alg o rithm u s ing  spatial - temporal sil h ouette an alysis  wa s  pro p o se d by  Wa ng an d Ta n. This can b e  con s id ered  “not  rocket  scie n ce” as it may b e  very easy to unde rsta nd  the techn o log y  in it.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 613 6 –  6142   6136 The advantages of model -based ap proaches are that they o ffer the ability to derive gait  sign ature s  di rectly from mo del paramete r s.   As for the m o tion-ba se d a p p roa c h e s of  gait re co gniti on, Ji we n Lu   and E r hu  Zh ang [2 1 ]   prop osed a  gait re cog n ition metho d   usin g mult ipl e  gait features rep r e s ent ation ba se d  on  Indepe nde nt Comp one nt Analysi s  (I CA)  and  geneti c   f u zzy  suppo rt vector ma chi ne  (GFSVM) for  the purp o se  of gait recogn ition at a distance.  Hayfro n-Acqua h et al. [22] descri bed an a u to matic  gait recogniti on method u s ing the gene ralize d  sy mme try operato r , and Phillip s et al.  [23] applied  a baseline al gorithm b a se d on sp atial-t e mpo r al si l h o uette co rrel a tion to the ga it identificatio n   probl em. The s e auth o rs  should b a si call y be on “t he same wavel e ngth”  in  the u nderstan ding of  gait recogniti on, as they are able to app r oach it from different points of view.    1.2. Plantar Pressur e  Ac quisition Sy stem   Plantar  pre ssure  a c qui sitio n  sy stem i s   o ne of  th e m o st imp o rtant  a pplication te chniqu es   in gait re cogn ition, clinical foot-pai n treat ment  and foo t wear d e si gn  fields an d ha s also be com e   a po we rful t ool for biom ech ani cal  re search. T h is wide   appli c at ion could   m a ke   a “lay man”  equate it to  the pre s e n t day ipad s. Numerou s  sy stems have  b een d e velop ed for G r o u n d   Rea c tion Fo rce (GRF ) a s sessment an d gait-ph ase de tection.   In-sh o re pla n tar pressu re acq u isition  sy stem, wh ich is capa b l e of simulta neou sly  measuri ng G R F-i ndu ce d p l antar force s   and dete c ti ng  gait-pha se s  of human, ha s eme r ge d as an   attractive alternative for  grou nd mo u n ted force pl atform due t o  several ou tstandin g  me rits   inclu d ing  po rtability, flexibility and g r eat  co nvenie n ce . Therefore, rese arche r s i n  this field  can  mak e  more heads  or tail out of it.   As for the  nu mber  of force  sen s o r s to  b e  used, man y  authors ha ve prop osed  different  numbe rs to reco gni ze the  gait pha se; fo r insta n ce, [8] use d  four to  identify the g a it pha se s wi th  a cl assification al gorith m , and  ha s  ob tained  goo d  results. An d  in mid - 20 00 s, acco rding  t o   literature [7], Faivre emp l oyed eight sen s o r s  in t he in-sho e plantar p r e s sure sy stem  and  Flexiforce se nso r  (T eksca n  Inc., USA)  or FSR  se nsor (Inte r lin k Electro n ics, USA) have b e e n   comm only used.  Different  sen s ing  prin cipl e s  have al so  b een  widely ex plore d  for in -sho e planta r   pre s sure   system. S p rin g  ele m ent s  with strain  gau ges we re  co mmonly u s e d  to me asure  vertical  re acti on  and  she a r fo rce s . F-scan  (Tekscan In c., USA)  utilize s  force  sen s it ive re sisto r s.  A Novel p e d a r  system (Nov el USA, Inc.) that captu r ed dy nami c  in-sh oe te mporal and  spatial p r e s sure   distrib u tion s  were utilized  for dynami c  g a it stabilit y an alysis [9], gait  re cog n ition [ 10], and alte red  gait cha r a c teristics du ring  runnin g  [11]. Both sy stem s (F-scan an d  Novel pe dar)  use d  ele c tri c a l   wire s to  con n e ct in -shoe   sensors  and  d a ta a c qui sitio n  sy stem  aro und th e  wai s t, whi c h  ca used  inco nvenien ce an d di scom fort du ring  strenuo us ex ercise s. A wi rel e ss st ru cture  shoe-i n teg r ate d   sen s o r  syste m  was  develo ped for gait  a nalysi s  and real-time fee d back [12].       2. Proposed  Algorithms   The stu d ie s of gait recog n ition and its key tech nol ogie s  have a n  importa nt a c ad emic  signifi can c e  a nd p r a c tical  v a lue. So  in th is p ape r, a  g a it re cog n itio n sy stem  usi ng GA -ba s e d  C- SVC and pla n tar pressu re  was int r odu ced.    2.1. Genetic  Algorithm   Geneti c  Algo rithm (GA) [ 6 ], a ki nd o f  self-a dapte d  glo bal o p timization  p r o bability   sea r ching alg o rithm  by  si mulating cre a t ures’ gen e a nd evaluatio n  in natural e n vironm ent was  develop ed a nd investigat ed by profe s sor  Holla nd and his  stud ents (e.g. De Jon g ) in Michigan  University in  197 5. Rece ntly, Genetic Algorit h m   h a s bee n su cce ssfully app lied  to  va rio u s  optimizatio n  probl em s an d it co ntain s  4 ge neral  steps; initiali zation, se lection, recombi n ation  (cro ssover) a nd mutation.   The gen eral algorith m  of Geneti c  Algorithm is sho w n  in Figure 1.   Step 1  G e n e rate  initial  p opulatio n ran domly  with a  fixed nu mb er  of individ u a ls  and  encode e a ch individual.   Step 2   Cal c ulate the fitn ess of ea ch  indivi dual, a nd then j udg e this p opul ation by   Optimizatio n  Standard. If it is fit,  the ca lculation is ove r . Or turn to step 3.  Step 3  Sele ct the ‘good pa rents’ via fitness.    Step 4  Ge nerate the offspri ng throu gh th e recombi nati on of the parents.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       A Gait Recog n ition System  using GA -ba s ed  C-SVC a nd Plantar Pressure (Yan b e i Li)  6137 Step 5  Ge nerate the offspri ng throu gh th e mutation of the pare n ts.   Step 6  G e t a  ne w p opul ation that  co mp rise s  the  offspring  from   step4  and  ste p  5 a nd  return to s t ep 2.          Figure 1. The  general flow  cha r t of Gene tic Algorithm       2.2. C-Suppo rt Vector Cla ssifica tion   The Su ppo rt  Vector Cl assi fication  (SVC), a  bra n ch o f  Suppo rt Ve ctor Ma chin e  (SVM)  whi c h is  ba se d on extrem el y well develo ped ma chi ne  learni ng the o ry named Statistical  Lea rnin g  Theo ry (SLT), is a promi n ent cla ssifie r   that  has be e n  pro p o s ed b y  Vapnik an d  his co -worke rs  (Co r te an d Vapni k, 1995;  Vapnik, 19 95, 1998 ) [19].     C-Su ppo rt Vector  Cla ssifi cation (C-SVC) [20 ], a part of SVC, can  be ch ara c te ri zed a s  a  sup e rvised le arnin g  algo rithm cap able o f  solving nonli near  cla ssifi cation pro b lem s .   Gene rally sp eaki ng, a c cording to the L agra nge fu nction, Karu sh– K uhn–T ucke r (KTT)  con d ition s , st rong  du ality theore m  an d  Slater  co n d i t ions [2 0], given a trainin g  data s et  with  instan ce -lab e l  pairs  1 {( , ) } m ii i xy , where  n i xX  is an i nput  vector  and {1 , 1 } i y  , the  initial algorith m  model of C-su ppo rt Vect or Cla s sificati on (C-SVC) is:    11 1 1 (, ) 2 mi n mm m ij i j i j j ij j yy K x x    s .t.  1 0 , 0 , 1 , .. ., m ii i i yC i m    (1)      In Eq. (1)  i denote s  La g r ang e multip liers,  (, ) ij Kx x that can expan d the linea r  probl em s to  the non -line a r  problem s i s  called  ke rnel fun c tion,  and C rep r e s e n ts the tuni ng   (pen alty) parameter. Th us the algorithm  of C-SVC is:   Step 1  Giv en a trai ni ng data s et  with in sta n ce -lab el pa irs  1 {( , ) } m ii i xy whe r e  n i xX  is an inp u t vector an d {1 , 1 } i y .  Step 2  Chose a prop er tu ning pa ram e ter 0 C and a ke rn el function (, ) ij Kx x .  Step 3  Obtain  ** * 1 ( , ..., ) T m  v i a Eq. (1).  Step 4  Sele ct a vector of * from 0 to C , and then cal c ul ate ** () j ii i j b yy Kx x  .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 613 6 –  6142   6138 Step 5  Const r uct the d e ci sion functio n () s g n ( () ) f xg x where ** 1 () ( ) m ii i i g xy K x x b  .    3. Materials  and Method s  3.1. In-Shoe W ear able Plant a r Pres su re  Acq u isitio n Sy stem  In order to ef fectively obt ain the dif f erent  types of plant ar p r e s sure such as st andin g ,   wal k ing, jump ing and g o ing  up st airs a s  the trainin g  a nd testing d a t a , this p a p e r  desi gne d an in- sho e  we ara b l e  plant a r  pressure mea s u r e m ent system.   Acco rdi ng to the literature s  mentio ned  above, this st udy  cho s e F S R se nsors provide d   by Interlink El ectro n ics in USA  as dat a a c qui sition  sen s ors.    Force Sen s in g Re sisto r s (FSR) a r e pol ymeric thi ck f ilm (PTF) de vices  which exhibit a  decrea s e i n   resi stan ce  wi th an incre a se in the  force applie d to  the active su rface. Its fo rce   sensitivity is  optimized for  use  i n  hu man  touch  control  of ele c troni c  device s . FSRs a r e n o t loa d   cell s or st rain  gauge s, thou gh they have simila r pro p e r ties [17].   As illustrated  in Figure 2,  the heel, metatarsals a nd  hallux are th e prima r y re gion s to   bear the  bod y weig ht [18] . Therefore,  this p ape r was de signe d to  have  fo ur  force sen s o r s  config ure d  at  the Heel, M e ta 2 nd , Meta 1 st , and  Hall ux for e a ch foot to obtai n  plantar force  and   detect gait p hase.  Th e sensors  we re  pa ckage d i n  two  p a irs  of insole  an d the  in sole  wa s  adhe red  to a  pair  of shoe s, a s  sho w n i n  Figu re  3 a nd Fig u re  4.  A total of eig h t FSR  sen s ors  were appli ed  in this experi m ent.        Figure 2. Plantar pressu re  distributio n [13]          Figure 3. The  packag e  of  sensors in the sho e s      Figure 4. The  position of sensors in insole       This  re se arch u s ed  a  kin d  of mi cro c o n trolle r na me d ATmeg a16  that is  a lo w-p o wer  CMOS 8 - bit  microcontroll er ba se d on t he AVR e nha nc e d   RISC archite c ture as the  main chip   of   this data  acq u isition  syste m  be cau s e  o f  its 10- bit succe ssive  ap proximatio n  analo g  to dig i tal  conve r ter  (A DC)  whi c h i s  con n e c ted t o  an  8-cha n nel Analog Multiplexer that  allows 8  single - Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       A Gait Recog n ition System  using GA -ba s ed  C-SVC a nd Plantar Pressure (Yan b e i Li)  6139 ende d voltag e inp u ts con s tructed  from t he pi ns   of  P o rt A, and the  singl e-e nde d voltage input s   refer to 0V (G ND ).   Therefore thi s  rese arch  d e sig ned th e  data a c qui siti on prog ram  usin g C l ang uage  by  Cod e Visio n  AVR  to  turn the  an alog pl antar pressu re information  to digital  informatio n by t he  ADC in ATme ga16.   As for the  dat a uplo ading, t he wi rele ss serial m odule  named X L10 5-23 2 was  utilized to   uploa d the da ta to the com puter in this  study.    In summ ary,  the wh ole  sy stem b oard  of dat a a c q u i s ition  contai n ed: a mi crocontrolle r   named   ATme ga16, a wirel e ss se rial  m o dule nam e d  XL105 -23 2 ,  a   linea r com p ensation circuit  for s e ns ors  with 10 k re sisto r s, and a volta ge-stabili zing  filter circuit.  The procedu re for data a c quisitio n  wa s as follo ws;  colle cting a n a log si gnal v i a FSR   sen s o r s, then  obtaining dig i tal signal through AT me g a16, and final ly uploading t he digital sig nal  to the comput er by wirele ss serial m odul e.    3.2. Data  Ac quisition   In ord e r to  ge t more  universal a nd  effici ent data  of pl antar  pre s su re, this  re sea r ch m ade  use  of four  volunteers; t w o fe m a le s  and two mal e s to  co ndu ct the d a ta  acq u isitio n of  this   experim ent. The inform atio n of the volunteers i s  a s  sh own in Ta ble 1 .      Table 1. Gen e ral info rmati on of volunte e rs  Gende r  Age  Height  Weight  Feet  size  Female   23  167 cm  55 kg  39 cm  Female   22  160 cm  48 kg  37 cm  Male  20  174 cm  60 kg  41 cm  Male  22  167 cm  65 kg  40 cm      Four  kind s  of general g a its; standi n g , wa lki ng, jumping a n d  going up st airs  we re   desi gne d to be re co gni ze d by the algo rithms  of gai t recognitio n  introdu ce d in  this pap er  an d it  wa s de cide d to acqui re 1 0 00 group s of data for  ea ch  kind of gait,  namely; 250  sets of  standi ng- data, 250  set s  of wal k in g-data, 250  set s  of ju mpi ng-data and  250  sets of g o in g-up stai rs-dat a  were obtain e d  by each v o luntee r. And once the  data of plant ar pressu re  wa s se nt to the   comp uter, th e data  wa s saved to a te xt file vi a a control p r o g ra m that wa s d e sig ned  by this  study throu g h  Micro s oft Vision C++ 6.0.    Therefore  ea ch d a taset contain s  one  thous and  su b data s ets f o r sta ndin g , wal k ing,   jumping, an d going -up s tairs wa s obtai ne d from the four voluntee rs.  Then thi s  research  sele cte d  200  data  ra ndomly  fro m  each  data s et respe c tively  to  ma ke  a traini ng  dat aset  call ed ‘train-d ata’ a n d  100  data  f r o m  ea ch  data s et to  get the  testing  data s et  named ‘te s t-d a ta’.    3.3. Simulation of GA-Ba se C- SV C for Gait Recognition   Whe n  u s ing t he C-SVC m odel (Eq.  (1)), two pro b lem s  were  co nfro nted; ho w to cho o se  the optimal p enalty param eter C for C-SV C, and ho w to set the best kernel pa rameters. To  impleme n t propo sed  app roach, this  re sea r ch  u s e d  the RBF  ke rnel fu nctio n  for the  C-SVC   becau se the  RBF kernel f unctio n  can  analyze  hig h e r-dimen s io n a l data a nd  requires th at  only  two paramet ers, C and  (gam ma) be defin ed. Therefore the  Geneti c  Algorithm  wa s used to  optimize the  para m eters C and gamm a  in this re sea r ch.    MATLAB, LIBSVM [15] and  LIBSVM-Faruto  Ulti m a te Version  [14]  were applied to  simulate the  algorith m  of gait reco gnitio n  namely GA-base C-SV C.   Acco rdi ng to   the de sig ned  pro g rams of  algor ith m s, b e ca use  of usi ng  GA   for se arching   the best C  and best gamm a , this paper u s ed 10 0 as the maximum  number of g eneration s , 20  as the  si ze  of popul ation ,  0.9 as th e  rate of  in di viduals to  be  sele cted, 0. 7 as the rate of  recombi natio n, and 0.025 as the  rate of  mutation. The sea r ch rang e of penalty   para m eter C an d is from  1 t o  10 0. And t he  sele ctio n   method s of t he GA  are  Ran k -ba s ed  Fitness Assi gnment a nd  Stocha stic  Universal Sam p ling. The fitness fun c tion  of this Gen e tic   Algorithm is t he accu ra cy of 5-Fold  Cro ss Valid ation  of C-SVC.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 613 6 –  6142   6140 K-Fold  Cro s s Validation  (K CV) i s   one  of  the mo st p o p u lar  re sam p li ng te chni que s, which  is effective, reliable an d si mple [16].  This resea r ch made a n u meral label  to repr esent  all the types of gait, thus ‘1’ was  cho s e n  to re pre s ent ‘sta n d ing’; ‘2’ rep r ese n ted ‘wal king’; ‘-1’ for ‘jumping’ an d ‘-2’ for ‘goi ng- upstai r s’.   So gen erally  sp ea king, i n  order to  est abli s h a GA-ba s e d  C-SVC syste m   of  gait  recognitio n  preci s ely, the following m a in  step s (a s sho w n in Figu re  5) mu st be prece ded;           Figure 5. System architect u re s of  GA-b ase d  C-SV C of gait reco gn ition      Firstly o b tain  the d a ta of  plantar p r e s sure   and  cho s e th e ‘trai n -data’ a nd ‘te s t-data’.   Secon d ly get  the o p timal  para m eters  o f  C-SV C by  t he G eneti c  Al gorithm  an d t r ain it  to g e t ‘ t he   bes t GA-bas ed C-SVC ’. Finally s t art th e  gait reco gniti on throu gh th e ‘test-data’.     4. Experimental Re sults   The ‘train -dat a’ wa s an  800 8 dataset made o f  800 sub d a taset s  whi c h  contai ned 2 0 0   data fro m  ‘ s ta nding’,  200  d a ta from  ‘wal king’,  200  dat a from  ‘jumpi ng’ a nd  200  d a ta from  ‘goi n g - upstai r s’; a n d  ‘test-data’  was a  400 8 data s et that com p ri se d 100 d a ta from ‘stan d ing’ , 100 data   from ‘wal kin g ’ , 100 data from ‘jumpin g’  and 100 d a ta from ‘goin g - up stairs’ after selectin g the   experim ental data.    The b e st  wa s 1 3 .645 2 a n d  the  be st ga mma  wa s 0. 0029 564,  after utili zing  th e GA fo r  optimizin g as  sho w n in Fig u re 6.   The final  cl a ssifi cation  m odel  ba sed  o n   GA-ba s ed   C-SVC u s ing  the b e st  parameters  and ‘fin al trai n-data’  was d one  by the  al gorithm  de sig ned  by this re sea r ch th rou g h  MATLAB  a n d   LIBSVM-Faruto Ultimate Vers ion. An d t he  res u lt of final gait re c ognition based  on the final  GA- based C-SVC was a s  sho w n in Table 2.   From th e ex perim ental  re sult of final  gait re co gniti on sho w n i n  Table  2, it can  be  con c lu ded  th at this  re sea r ch  obtai ns  a bette r GA -base  C-SVC for g a it recognition,  and  the  accuracy of  the classifier is more than 90%  except for ‘going-up stairs’  becau se of  its  compli catio n  among oth e r  three gait.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       A Gait Recog n ition System  using GA -ba s ed  C-SVC a nd Plantar Pressure (Yan b e i Li)  6141     Figure 6. The  result of pa ra mete rs optimi z ation of C-S V C by GA      Table 2. The  result of final gait recogniti on   Gaits True  nu mber  of gaits  Classified number  of gaits  Accuracy  o f  the t r ained  GA-based C-SV C  Standing 100  98  98%   Walking  100  91  91%   Jumping 100  97  97%   Going-upstairs  100  82  82%       5.  Discussio n s and Co nc lusions   Usi ng the Ge netic  Algo rith m for p a ram e ters  optimization of SVM is a gre a t method of   this study . It  may not be an easy con c e p t to underst a nd as one will  need to “bea t brains out”,  but  one can ma ke head s or t a i l s out of it for future stu d ies.    Although o u r re cog n ition  accuracy i s   comp a r atively  high a nd e n coura g ing, it  still does  not give much con c lu sio n  about gait s .   In ord e r to  g e t a better cl assificatio n  o f  ‘going -u p s t a irs’  o r  mo re  com p licate  gait, an  improve d  GA   or othe r alg o rithms for  p a ra meter  optimi z ation su ch  as p a rti c le  swa r m optimizatio n  (PSO) o r  more experim ent al dat a shoul d be appli ed i n  the SVC in future stu d ies.  Of course oth e r ke rnel fun c tion s of SVM such as Sigmoid kern el, S p line kern el , Fourier  kernel al so can be cho s en  to get the classifi cation mo del if further rese arche s  wil l  go on.  In addition,  -su ppo rt vector cla s sifica tion ( -SVC)  can  be trie d  as the i n itial  cla ssifi cation  model in th e future works an d the p a ramete r co uld be optimized by othe r  optimizatio n algorith m .  Beside s SVM , there are m any other ki n d s of algo rith ms whi c h  ca n be applie d to gait  recognitio n .  Examples in clud e; BP n eural  net wo rk, the  algo ri thm of L o ca lity Prese r ving   Projections (LPP), the algorithm of S t atistica l Shape Analysi s   (SSA), and t he algorithm  of  combi n ing  static and dyna mic biom etrics. The bottom  line in this re sea r ch is that  somethin g was  reali z ed from the con c e p t used.   Finally, Princi pal Com pon e n t Analysis (PCA) or  Fa ct or Analysi s  (FA) can b e  a pplied to   pre - processin g  the datas ets in furthe r st udie s .      Ackn o w l e dg ement  This research  would like to ackno w le dge  the  four volun t eers  who a r e  studying in Beijing   Fore stry  University an d ou r thanks al so  go to t he a n o n ymous  refe rees fo r thei r thoro ugh  revi ew  and con s tru c tive comme nts.    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 613 6 –  6142   6142 Referen ces   [1]    D Cu nad o, MS  Ni xo n, JN C a r t er.  Using  ga it as a  bio m etric, via  p has e-w e i ghted mag n itu de  sp ectra . in:   Proc.1 st  Int. Conf. Audio- a nd  Vide o-bas ed Bi omet ric Perso n  Authenticati o n .  1997, pp. 95- 102.   [2]    A Johnso n , A Bobick.  A mu lti - view  metho d  for gait reco gnit i on usi ng static  body par a m et ers . in: Proc.   3 rd  Int. Conf. Audi o- and V i de o-bas ed Bi ome t ric  Person Aut hentic atio n.  20 01; pp. 30 1-31 1.  [3]    C Yam, M  Ni xon, J  Carter.  On  th e re la ti on sh ip  o f  h u man  wa l k in g a nd ru nn i n g :  au tom a ti c pe rson  identification by gait . in: Proc. Int. Conf. Pattern Rec ogn itio n. 2002; I: 287- 290.   [4]    D Cun ado, M S  Nixon, JN  Carter. Autom a tic e x traction  and descr ipti on of huma n   gait mod e ls fo r  recog n itio n pur poses.  Co mput /Vis. Image U n derstan din g . 2 003; 90( 1): 1-4 1 .  [5]    Lia ng W a ng, T i eni u T an, Hua z hon g Ni ng, W e imin g  H u . Sil hou ette Ana l ys is-Base d  Gait  Reco gniti o n   for Human Identification.  IEEE Transactio n s  on Pattern  Analys is an d Machi ne Intel l i genc e . 200 3;  25(1 2 ).  [6]    Xi ao pin g  W a n g , Limin g  Cao .  Genetic Algo rithm-theori e s,  appl icatio n a nd soft w a re i m pleme n tatio n .   Xi ’a n Jiao T ong Univ ersit y  Pr ess; 2002.   [7]    A F a ivre, M D aha n, B Parra tte, G Monnier , In strumented  shoes  for p a thol ogic a l  gait  assessme n t .   Mechanics Research Comm unications . 20 04 ; 31: 627-6 32.   [8]    Y Okaza, N Yoshi da, K Oguchi. Using s o le   pressure si gn als to ana l y ze  w a lki ng p o stur e.  ICRA200 6 .  200 6: 197 –2 00 .  [9]    ED Lem aire, A  Bis w as, J Ko f i na n.  Pla n tar p r essure  para m eters for dyn a m ic  gait sta b il ity ana lysis . in:   Proc. 28th Ann u . Int. Conf. IEEE Eng. Med. Bi ol. Soc. (EMBS), Ne w  Y o rk , 2006: 44 65-4 468.   [10]    P Catalfamo,  D Moser, S G houss a yni, D  E w i n s. Detecti on of gai t ev e n ts using a n  F - Scan in-s hoe   pressur e  meas ureme n t s y ste m .  Gait Posture . 2008; 2 8 (3): 420- 426.   [11]    PW  Kong, HD  Heer. W eari n g  the F - Scan  mobil e  in-s ho e  pressure m e a s ureme n t s y st em alters g a it  character i stics duri ng run n i ng.   Gait Posture . 200 9; 29(1): 14 3-14 5.  [12]    SJ Morris, JA  Paradis o .  Shoe-i n teg rated  sensor system for w i reless  gait analys is and re al-ti m e   feedb ack.  in: Proc. 24th Annu. Conf. Annu. Fall M eet. Biomed. Eng.  Soc. EMBS/BMES Conf.,  Housto n, 200 2, 2468 –2 469.   [13]   Clin ical  and R e search So lutio n s, http:// w w w . tekscan.com.   [14]    F a ruto, yan g  Li,  LIBSVM-fa r utoUltimat eVe r si on  a to ol b o x  w i t h  im ple m ents for S u pport V e ctor   Machi nes bas e d  on li bsvm, 20 11, http:// w w w . matlabsk y .com .  [15]    Chihc h ung Chang, Chihje n Lin, LIBSVM: a libr a ry  for Su ppor t Vector Machines, 2001,   http:// w w w . csi e . ntu.edu.t w /~ cj l i n/libsvm.   [16]    Cross–V a li dati on (Ana l y sis S e rvices - Data  Mi nin g ), in: Microsoft SQL Server 20 08  Books Onli ne ,   Microsoft Corp oratio n, 200 8.  [17]    F S R® Integration Guid e & Ev alu a tion P a rts Catal og  w i t h  Sugg ested El ectrical Interfaces , http:// w w w .   Interlink e lectronics.com.  [18]    G Yuan, M X  Z han g, Z Q  W a n g , JH Z h a ng. T he  distri b u tion   of foot pr essur e  a nd  its infl ue nce factors  in   Chin ese p e o p l e .  Chin a J. Phys. Med. Rehab i l . 2004; 2 6 (3): 156- 159.   [19]    Suju n H ua, Z h iro ng S un.  S upp ort Vector  Mach ine  a p p r oach  for  prot ein  subc el lul a r  loc a li z a t i o n   pred iction . 2 0 0 1 ; 17(8): 72 1-7 28.   [20]    Nai y a ng D e n g ,  Yingji e  T i an, Supp ort Vector  Machi nes-t heor ies, al gorit hm s and c onti nuati on.  in:   Beiji ng Sci enc e Press; 200 9.  [21]    Ji w e n Lu, Erhu Zhang. Gait  recognition for human  id entification based on I C A and fuzz y   SVM through  multiple vie w s f u sion.  Pattern Recognition Letters.  2007; 28:  2401- 24 11.   [22]    JB Ha yfro n-Ac qua h, MS N i x o n , JN C a rter.  A u tomatic gait  r e cog n itio n by  s y mmetry an aly s is . in: Proc.   3 rd  Int. Conf. Audi o- and V i de o-bas ed Bi ome t ri c Person Aut hentic atio n. 20 01; 272- 27 7.  [23]    PJ Phi lli ps, S  Sarkar, I R obl edo, P  Grother , K Bo w y e r .  B a seli ne  res u lts for the  ch all e n ge  prob le m o f   hu ma n  ID usi ng gait an aly s is . in: Proc.  Int. Conf.  A u tomatic F a c e  an d Gesture  Reco gn ition,   W a shin gton, D C , 2002; 1 37-1 4 .    Evaluation Warning : The document was created with Spire.PDF for Python.