TELKOM NIKA , Vol.15, No .2, June 20 17 , pp. 903~9 1 1   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v15i2.6143    903      Re cei v ed  De cem ber 5, 20 16; Re vised  Ap ril 28, 201 7; Acce pted  May 13, 20 17   Autism Spectrum Disorders Gait Identification Using  Ground Reaction Forces      Che Za w i y a h Che Hasan*,  Rozita Jaila ni, Noorita w ati Md Tahir,  Rohilah Sah a k   F a cult y   of Elec trical Eng i ne eri ng, Univ ersiti T e kno l og i MAR A   404 50 Sh ah Al am, Selan gor, Mala ysi a   *Corres p o ndi n g  author, e-ma i l : za w i ya h.has an@ gmai l.com ,  rozita@ie ee.o r g, noorita w a t i @ iee e .org,  i l a h1 0@y a ho o . co m       A b st r a ct     Autis m  spectr um d i sor ders ( ASD) are a p e rman ent ne ur odev elo p m e n tal dis o rder th a t  can be  ide n tified  d u rin g  the  first few  years  of life  an d ar e  curr ently  associ ated  w i th the  ab nor mal  w a lkin g p a ttern .   Earlier  id entific ation  of this  p e rvas iv e dis o r der co ul d pr ovi de ass i stanc e  in d i a gnos is a nd est abl ish r a pid   qua ntitative  cli n ical  j u d g m ent.  T h is  pa per pre s ents  a n  auto m ate d  ap proac h  w h ich  ca n  be  ap pli e d  to  ide n t ify   ASD g a it  patterns  usin g thr ee-d i mens ion a l  (3D)  gr o u n d  reacti on f o rc es (GRF ). T h e study  i n volv ed   classificati on  o f  gait p a tterns  of chi l dre n  w i th ASD   and  typical  h ealthy  chil dren. T h e  GRF  data w e r e   obtai ne d usin g  tw o  force pla t es durin g self -deter mi ned b a refoot w a lkin g. T i me -ser ies  para m eter i z a t ion   techni qu es w e re app lie d to th e GRF  w a veforms to extr act the i m p o rtant g a it feat ures. T h e most do min a nt  and c o rrect fe atures for ch ar acteri z i n g  ASD  gait w e re  se le cted usi ng stat istical b e tw een -grou p  tests a n d   stepw ise discr i m i n a n t ana lysi s (SW D A).  T he selecte d  featu r es w e re gro u p ed i n to tw o gro ups w h ich s e rv ed  as tw o input  da tasets to the k- near est nei gh b o r (KNN) cl assi fier. T h is study  de mo ns trates  that the 3D  GR F  gait fe atures  s e lecte d   usin g  SW DA are  rel i abl e to  be  us e d  i n  th e i d e n tificatio n  of  ASD  ga it usi n g  KN N  classifier w i th 8 3 .33% p e rfor mance acc u racy.       Ke y w ords : au tism sp ectru m  disor ders, g a i t classifi c a tion , k-nearest n e i gh bor, stepw i s e discri m in an t  ana lysis, grou n d  reactio n  force       Copy right  ©  2017 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  A u t i sm sp ect r um di so rde r s (A S D ) ar e  cha r a c teri ze d by a con s tant deficit in so cial  comm uni cati on, social  int e ra ction, a n d  the p r e s en ce of restri cte d  and  repetiti v e behavio rs. This  perva sive an d perma nent  neuro develo p mental di so rde r  can b e  recogni ze d d u ring the ea rly  stage of the developm ent al perio d of a child. One  o f  the possibl e  signs that could be u s ed  to   identify ASD  is the existen c e of motor  deficit s, which includ es a b norm a l gait, clum sine ss, and  irre gula r  m o tor  sign s [1].  An abn orm a l  gait i s  d e fin ed a s   an i r re gular style  of wal k in g a n d  this  unu sual con d ition coul d cau s e dete r i o ration in  o c cupatio nal and othe r d a ily activities of  individual s wi th ASD. Previous  studie s  h a ve re p o rted  a wide  ran g e  of abnormal  gait pattern s i n   temporal and  spatial mea s ureme n ts, kinematic joi n t angles, ki ne tic joint moments an d join t  powers du rin g  wal k ing in i ndividual s wit h  ASD [2, 3].    The id entifica t ion of g a it a bnormalitie s  coul d b e  be n e ficial fo r the  early  dete c tion a n d   better treatm ent planni ng f o r children  with ASD  [4]. Current gait a s se ssm ent me thods a r e oft en  time-con sumi ng an d hig h l y  depen dent  on the  clini c ian j udgm e n t, which lea d s to  su bje c tive  interp retation s. With the  curre n t adva n ce s in  g a it analysi s  an d instrument ation, it not only  provide  ne w i n sig h ts in  un derstandi ng  all aspe cts  of  movement p a tterns, but  a l so sup p o r t  the   evolution of a u tomated dia gno sis of pat hologi cal di so rde r s.   Grou nd  rea c tion force (GRF ) is  one  of the kin e t ic mea s u r e m ents th at has  bee n   effectively used for the a s se ssm ent of  norm a l  an d patholo g ical  movement s and  al so   for the  comp ari s o n s  betwe en pati ents an d no rmal gro u p s  [5]. In routine  gait analysi s ,  force  plate s  are   use d  to mea s ure the G R F in three  di mensi o n s ,  na mely medial -l ateral, ante r i o r-po sterio r, and  vertical  dire ct ions. T he th ree comp onen ts of G R F p r ovide a  com p lete interpret a tion on  ho w  the   body weig ht drop s and   m o ves acro ss the  supp or tin g  foot d u rin g  wal k in g [6]. The r efo r e,  by  investigatin g the  whole G R F com pon e n ts  i s   exp e ct ed to  be m o re effective to  identify spe c ific   locom o tion  chara c te risti c s that ca n b e  used fo r au tomated id en tification. To  the be st of o u r  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 15, No. 2, June 20 17 :  791 – 79 x   904 kno w le dge, the only study  that investigates G R F co mpone nts in child ren  with ASD is done  by  Ambro s ini  et  al [7]. The   stu d y re porte d  a  de crea se i n  t he  se con d  p e a k  of  v e rt i c al   f o rce  in  mo st   of  their su bje c ts.    In orde r to re cog n ize gait abno rmalitie s, machin e lea r ning m odel s are u s ed to  cla ssify  and di scover  unde rlying p a tterns of the  kinem atic  a n d  kin e tic me a s ureme n ts. T he ap plicatio n of  machi ne lea r ning cl assifie r s for a u tom a ted re cog n ition of gait pattern deviati ons a nd oth e r  variou s biom edical fields  has g r o w n e norm o u s ly in  the last decade s. Artificia l  neural n e tworks  (ANN) and s u pport vec t or  mac h ines (SVM) have been  employed for rec o gnition and  cla ssifi cation  of Parkin son’ s dise ase [8], young-ol d  ga it patterns [9], cere bral p a lsy childre n [10],  and p a tients  with ne urol og ical di so rde r s [11]. ANN  was al so  su ccessfully used  for cl assifica tion   of gende r in  children [12]  and po st-st r oke p a tient s  [13]. Apart from that, k-n eare s t neig h bor   (KNN) was  also  u s ed  a s  a  p a ttern   cla ssifie r  fo r gait  pattern  identificatio n [14]  and   brain  balan cing   cla ssifi cation  [15 ]. KNN i s   a  su pervised  ma chine  l earning  cla ssifie r  whi c h  i s  simpl e   b u t  robu st to  be  used in  st atistical  e s timation a nd  pattern  re co gnition. Thi s  non -pa r am e t ric  cla ssifi cation  method p r edi cted a  cla ss l abel to ea ch   membe r  of the test sa mple  base d  on vot i ng   rights of its  k-nearest nei gh bors dete r min ed by a dista n ce met r ic [1 6].    Re cently, stat istical  featu r e  sel e ctio n te chni qu es such  as in depe nd ent t-te st [17] , Mann - Whitney U [1 8], and step wise meth od of  discrimin ant  analysi s  (S WDA) [13] we re use d  to sel e ct  signifi cant fe ature s  in g a it resea r ch. Th e i nde pend en t t-test and M ann-Whitn e y U test (TM W U)  are the types of  between-group  tests that have t he ability to  se lect signifi cant  features by  examining th e mean  score of gait feature s  a c ro ss  two sepa rate  grou ps. Me a n whil e, SWDA is  freque ntly co ndu cted to d e termin e the  optimum se t of input features fo r gro up memb ership   predi ction  an d elimin ate t he le ast  sig n ificant  and   unrel ated fe a t ures fro m  t he d a taset [19].  Previou s  stu d i es in  gait a n a lysis  have v a lidated th at  SWDA i s  a b l e  to ide n tify specifi c  individ ual  feature s  that best dete r min ed  gro up pla c ement [13, 20 , 21].  The sca r city of research a nd insufficien t in formation  rega rdi ng the  3D GRF in child re n   with ASD a r e demo n st rat ed glo bally. Until no w, th ere i s  n o  pu blish ed literature d ealin g  with  automated  re cog n ition of  ASD gait pattern s ba se d  o n  3D G R F d a t a. Thus, this study pro p o s es  an automate d  identificatio n of ASD children u s in g machi ne lea r ni ng cla s sifier  based on the  3D  GRF inp u t feature s . The s e features  were firs t ex tracted u s in g  time-se r ie s para m eteri z at ion  method s an d  then we re  sele cted u s in g two stati s tical featu r e selectio n tech nique s. KNN is  employed to  model b o th input f eatures and their  cl assificatio n   p e rform a n c e s   with ea ch in put  dataset we re  comp ared. T he re st  of thi s  pa per  ha s  been  org ani zed a s  follow.  The next sect ion   explain s  the   prop osed  met hod fo r th e  st udy. Sect io n  3 p r e s ent s th e expe rime ntal results  and  the  discu ssi on. Finally, Section  4 con c lud e s  the study.      2. Rese arch  Metho d   The ASD g a it identification is prim a r ily generate d  based on  the automatic gait  cla ssif i cat i on  sy st em u s in g  st at ist i c a l an aly s is  a nd m a chi ne lea r ni ng app ro ach e s. The p r o p o se d  sy st em  con s ist s  of  f i v e  seq uen ce p r oce s se s of data a c qui sition, pre p ro cessing, featu r e   extraction, fe ature sele ctio n, and gait pa ttern  cla s sification as illu strated in Figu re  1.            Figure 1. The  overall proce ss  of ASD gai t identification .                    Feature  selection                     Gait pat t ern  classification             Fea t ure   ex tra c tio n   I nput dataset  Data  acquisition  3D GRF  (Fx ,  F y ,  Fz)   Between- g r oup test  K- near est neighbo r   (KNN )   Per f orm a nce  evaluation  Autis m  s p ectru m  d i so rd e r   Preprocessing  Stepwise discr i m i nant analy s is   T yp icall y  develo p in g   Evaluation Warning : The document was created with Spire.PDF for Python.
TEL K   from  perfo and t in 3 D tec h n A SD  The  s cla s s accu r st at i s   2.1.  D labor appr o The  p st ud y (NA S throu fac u l t inde p injuri e emb e dire c t even t perp e refer e parti c to pe A n a v       Fi g     2.2.  D from  K OM NIKA    Autis m  Sp e T h e  pr oc ASD and t y rm self-dete hen were p a D  spa c e,   na n i que s. Sub s gait we re s e s el ecte d  fe a ifier. The  K r acy fro m  1 s tical feature  D ata Ac qui s The 3D  G atory at  the  o val for t h is  p a r ent or gu a Thirty ch i y . The child r S OM ) ce nter  g h  so cia l   m e t y mem ber s p ende ntly wi e s o r  mu sc u l Two for c e d ded i n  the  t ion s  at  100 0 t s f o r ea ch l e ndi cul a rly t o e nc e  pur p o s c i pant s.  A ll partici rfo r m a  strai v erag e o f  te n g ure 2. A ma D ata Pre pro A  suc c e s every p a rti c e ct rum  Diso r d e s s of  identi y pically de v rmi ned walk i a ssed to the  me l y  F x ,  F y s e que ntly, t h e le cted by  e a tures  were  u K NN  w a s  th e 0-fold cros s selection te c s ition  G RF s data  a Univ e r si ti  T st udy  w a s  a a rdi an of e a c i ld r e n  w i th   A r en  w i th  A S in Klan g, S e e dia networ k s  an d n e ig h thout an y  a l oskeletal di s c e p l ates ( A  middle  o f   a 0   Hz . The fo r im b of th e  p o  one anot h e s es .  A  di git a p ant s, dre s s gh t b a r e fo o t n  walking tri a le parti cipa n ces sing an d s sful valid  w a c ip ant. Th e  3 I S d ers  Gait Id e fying ASD  g elopin g  (TD i ng. Next, th e f eature ex tr a y , and  Fz  w h e most  si g n e mploying t w u se d as th e  e n trai ned   t s  validatio n  c hni que s a n d a cqui sition  w T eknol ogi M A a pp roved b y   c h child sign e A SD a nd  thi r S D w e re  e n r e lango r, M a l a k . The  typi c a h b o rh ood s  n a ssi st iv e d e v s or d e rs .   A dva n c ed  M  6.5-metre   w r ce plate s  w e p ar tic i pa n t s  d e r  to record  t a l wei ght  s c s ed in  tight s h t  wal k in g al o n a ls wa s  re co r t walkin g on  d  Fea t ure s  E a lki ng trial  wi 3 D GRF dat a S SN: 1693-6 9 e ntification  U ait pattern s D ) children  u e  3D  GRF s   d a ction stage . w ere extract e n ificant and  w o type s of  s  input featu r t o cla s sif y  t wa s co mp u d  the KNN  c l w a s  co ndu c t A RA ( U iTM ) the Resea r c e d an inform r ty TD  childr e r olle d from  t a ysia a nd l o c a l h ealthy c h nearby. All  v ice s  an d h a M echani cal  T w al kway we r e re al so utili z d uri ng wal k i n t he wal k ing  t c ale wa s  u s hirt s (fe m al e ng the  wal k w r ded fo r ea c h the wal k wa y E xtrac t ion   th a c l ear fo o a from the  c 9 30 U si ng Grou n d tarts  wit h   th e u si ng t w o f o d ata in thre e  In this  s t ag e e d u s in g th e domina n t g a s tatis t ical m e r es for cl as s h e ASD  ga u ted to eval l assifier.   t ed in the H )  Shah Ala m c h Ethics C o ed  c o ns en t  f e n  age d  4 t o t he Nationa c al com m un i h ildren were  grou p pa r t a d no m e di c T ec hn o l og y  r e used to  m z ed to  detec t n g trials . Tw t rials from th ed  to obtai n e ) and tight p w ay at thei r  s h  particip ant . y  d u ring a g a o t c o ntact o n c ho se n trial  d …  (Che Za w e  acqui sition rce pl ates  w dire ction s   w e , gait featu r e  time-s erie s a it feature s   e thod as  de p s if ying gait  p i t. The  ave r u ate the p e u man Motio n m , Selango r,  o mmittee of  f orm prior to  o  12 yea r s  p l  Autis m   S o ty by appro a recruite d fr o t icipants w e c al histo r y  o Inc ., MA,   U m e a su re the  3 t   initial foot c o  video  ca m e frontal an d n  anth r op o m ants p r ovi d e s elf - sel e ct e d      a it motion c a p n  each force  were filtere d w i y a h  Che  H n  of  3D G R F s w hile the  c h w e r e prep ro c r es con s ist o s  para m eteri for charac t e p i c ted in Fi g p attern us in g r ag e cl assifi e rforman c e  o n & Gait A n Malaysia.  E UiTM Shah  participatio n p ar tic i pa te d  o cie t y  of  M a a chin g the p a o m the fami e re able to  o f lower ext U SA) which  3D GRF s  in c on tact and f o m era s  were  p d  sagittal vie w m etric data  o e d, we re in st r d  speed (Fig u pturin g se ss plate wa s c d   usin g a s e   H as an )  905 s  da ta   h i l dren  e s sed  f GRF  zat i on  e r i z i ng  ure 1.   g  KNN  cation  o f  the  n alysi s   E th i c a l   Alam.   n .  in this  a laysi a   a rents  lies of   walk   rem i ty   we re    three   o ot off  p la c ed  w s f o r   o f the  r ucted   u re  2).  i on.   hosen  e co nd- Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 15, No. 2, June 20 17 :  791 – 79 x   906 orde r lo w-pa ss Butterwort h  filter   with  cutoff frequenc y of 30 Hz   t o  reduc e   nois e .  Next, the 3D  GRF data were extrac ted into  the ASCII text format  for data a nal ysis. The s e  p r ocesse s  were  comp uted u s i ng the Vicon  Nexu s softwa r e  version 1.8 . 5 (Vicon, Oxford, UK ).  In this  study, the 3D G R F  data from  si n g le left limb  stance f r om th e sel e cte d  va lid trial  wa s analyzed  to repre s ent the gait attributes of  each partici pant [2 2, 23]. The time comp one nts  of the 3D GRF were norm a lize d  to the percent a ge o f  stance p hase time, where a s the 3D G R F   amplitude s  were n o rm ali z ed  to the  percenta ge  of the p a rtici pant’s bo dy weig ht [24,  25].   Normali z ation   steps we re essentially  p e rform ed  to  eliminate vari ations a m on g  the partici pa nts  with differe nt height, body  mass, and d u r ation of  sta n c e ph ase [26,  27]. After normali zation, the  initial foot con t act co rre sp o nds to 0% an d the  foot off  event co rre sp onde d to 100 % of the stance   pha se.   In routin e gai t analysi s , th e GRF du rin g  no rmal  wal k ing i s  g ene rally mea s ure d  in three  dire ction s  (Fx :  medial-late r al, Fy: anterior-p oste rio r , and Fz: vertica l ). The 3D G R F patterns f o r a  TD pa rticip an t are sh own in Figure 3(a),  (b), and  (c). These graph s also  sh ow 17  ch ara c te ri stic  points th at were extracte d  from the  cu rves. Fy 2 was exclud ed d u e  to ze ro fo rce valu e du ri ng   mid-stan ce. T i me-seri e s  pa ramete rizatio n  tech nique s  were ap plied  to each wave form to extra c t  the in stantan eou s valu es  of amplitu de  and it s  relati v e  time [2 4, 28 ]. This te ch ni que i s   co nsi d ered   one of the most commo n method s o f  gait data analysi s , whi c h is prefe r a b l e, and clini c ally  accepta b le [2 9, 30].    The followi ng  twenty GRF  gait features were  extract ed: the local  pea ks a nd m i nimum  values of  the three GRF co mpone nts (F x1,  Fx2,  Fx 3; Fy1, Fy3; and Fz1, Fz2, F z 3); th e rel a tive   time of occurren ce s (Tx1,  Tx2, Tx3; Ty1, Ty2,  Ty3;  and Tz1, Tz2 ,  Tz3); loadi n g  rate, pu sh-off  rate, an d pe a k  ratio (T able  1) [5, 24,  28,  31]. Loadi ng  rate i s  defin e d  as th e am pl itude of the first  vertical  pea k force  divide d by it s tim e  o c curren ce . The  pu sh -off rate i s   computed  a s   the  amplitude of the second p eak of  vertical force divid ed by the time from the se con d  pea k of  vertical fo rce  until the e n d  of the  sta n ce  pha se  [32]. The p e a k  ratio i s   calcul ated a s  the   amplitude  of the first p e a k   of vertical force divi de d by  the amplitud e of the se co nd vertical force   pea k [28].      Table 1. The  extracted 3 D   GRF g a it  feature s  and its a bbreviatio n s.   Direction Gait  featu r e   Abbreviation  Medial-lateral Maximu m supina tion force  Fx1     Foot flat force   Fx2     Maximum pr onation force   Fx3     Relative time to maximum supina tion  Tx1     Relative time to foot flat  Tx2     Relative time to maximum pr onation  Tx3   Anteri or-p os teri o r  Maxi mum br aking force   F y 1     Maximum pr opulsion force  F y 3     Relative time to maximum braking force   T y 1     Relative time to zero force du ring  midstance  T y 2     Relative time to maximum pr opulsion force  T y 3   Vertical First  vert ical peak force  Fz1    Vertical minimum  force  Fz2    Second vertical peak force  Fz3    Relative time to firs t vertical peak force  Tz1    Relative time to vertical minimum force  Tz2    Relative time to sec ond vertical peak force  Tz3    Loading rate   Loading rate     Push-off rate   Push-off rate     Peak ratio  Peak ratio      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Autism  Spectrum  Diso rde r s Gait Identificat ion  Usi ng  Grou nd…  (Che Zawi ya h Che Ha sa n)  907     Figure 3. The  three groun d  reactio n  force co mp one nts of a singl e left limb stance durin g the  stan ce ph ase  of a typically  developin g  fe male  pa rticip ant. (a) Me dial-late r al dire ction; (b )  anterio r-po sterio r dire ction ;   and (c) verti c al directio n.  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 15, No. 2, June 20 17 :  791 – 79 x   908   2.3. Featur es  Selection   Gene rally, some extracte d  featu r e s  ma y contain  re dun dant  and l e a s t si gnifica nce   informatio n which  ca n lea d  to poo r p e r forma n ce in  the cla s sification sta ge.  Hen c e, a fe a t ure  sele ction m e thod  wa s em ployed in o r d e r to sele ct  the mo st sig n i ficant features a s   well a s  to   enha nce the  cla s sifier p e rform a n c e.  In this   study, betwee n -g rou p  te sts a nd  step wise   discrimi nant  analysi s  (S WDA) were u s e d  to  sele ct the most si gnificant gait feat ure s .  Initially before cond ucting   betwe en-grou p test, the  extracte d g a it fe ature s   we re e x plored   for normality usin g the Sh apiro -Wilk (S W) te st sin c e  the sampl e  size in ea ch g r oup is le ss than  50 [33]. Feat ure s  were  no rmally dist rib u ted if t he ou tcome of SW test (p-val ue ) is g r eate r  th an   0.05. For n o rmally distrib u t ed feature s ,  the  mean score s   were examined usi n g   indepe nde nt  t- tests (T ), wh erea s Man n -Whitney U tests (M WU) for non-n o rmal feature s .  The significant   differen c e be tween the two grou ps fo r both tests  wa s define d  as  p < 0.05. Fe ature s  that were   s t atis tically s i gnific a nt were c h os en to be  as inp u t features in  cla ssi fication sta g e .   Another stati s tical method ,  SWDA  was use d   to ide n tify dominant f eature s  th at made a   signifi cant  co ntribution  for  grou p  sep a ra tion a c ro ss th e two  group s.  SWDA  was  perfo rmed  u s i n g   the Wilks’ la mbda meth o d  with the def ault setting crit eria of the F  value to enter is at lea s t 0.05  and  F valu e t o  remove  is l e ss tha n   0.1 0 . Featu r e s   within th e  ran ge of  F val u e s  a r e  stati s tically  signifi can c e  o f  gro ups di scrimination [2 9, 34]. Bo th sta t istical analy s es we re   pe rfo r med   u s ing   th e   IBM SPSS  St atis tics  vers ion 21.0 (IBM, New York , USA).    2.4. Classific a tion Model   Cla ssifi cation  is  a p r o c e s s of  assig n in g ea ch  elem ent in  a set  of data  into  target  c a te go r i es   o r  c l ass e s .  T h e u l tima te  go al o f  th is p r o c e s s  is  to   p r ed ic t th e ta r g et c l as s fo r e a ch  ca se in the  dataset accu rately . The classificatio n  stage  wa s p e rform ed u s i ng Statistics  and   Machi ne Le arning Tool box in Matlab version  R20 15a  (The M a thWo rks Inc., USA ) . The sel e cte d   feature s , na mely 3DG R F - TM WU a nd  3DG R F - SWDA  were fed into the KNN  c l as s i fier. In this  study, the  cl assificatio n  t a sks were  e x plored  u s in g four type s  of dista n ce  met r ic s:  cit y bloc k,   correl ation, cosin e , and Eu clide an, while  the k value was varie d  fro m  1 to 12.  In ord e r to  find the  be st  model th at chara c te rizes  the input  dat aset, it is im portant to   impleme n t cross-valid ation  method fo r  model  eval ua tion. This  met hod u s e s   an i ndep ende nt test  set which ha s not b een  u s ed  duri ng th e trainin g  pro c e ss to  evalu a te the mod e l perfo rman ce   [35]. Due  to  small  sampl e   sizes u s ed  in  this stu d y, 1 0 -fold  cro s s v a lidation  met hod i s  cho s e n   to   estimate the  gene rali zatio n  ability of KNN  cla ssifi e r  [25, 35]. In 10-fold  cross validation, the  dataset is  ran domly divide d into 1 0  eq u a l or  nea rly e qual-si z ed  su bset s o r  fold s. Nine fol d s  a r e  use d  for trai n i ng a nd th e remainin g o n e  fold i s  u s e d   for te sting. 1 0 -cro ss valid ation i s  repe a t ed  for ten ite r ati ons  so  that for e a ch num ber  of iterat io ns, a  differen t  fold is h e ld  out for eval u a tion   and the oth e r nine folds  are use d  for tra i ning. The n , the cla s sificati on accu ra cy is cal c ul ated  by  averagi ng the  accura cy for  the ten folds [35].  The mod e l perfo rman ce  with two types of  input  dataset an d variation s  of model   para m eters  was m e a s ured  usin g conf usion matrix  with two  c l as ses,  TD and ASD. In this   s t udy,  true po sitive (TP) is the nu mber of ASD cases  co rre ctly classifie d  and true  neg ative (TN) is the   numbe r of T D  cases  co rrectly cla s sifie d . The  effe ctiveness of th e TMWU  an d SWDA feat ure   sele ction  were me asure d   by cal c ul atin g the  cla s sif i cat i on  a c c u ra cy  w h ic h  wa s d e f i ned  a s   t h e   corre c t cla s sification s (TP a nd TN) ra te  made by the model ove r  a dataset.      3. Results a nd Discu ssi on  After complet i ng the feature extraction  usin g parame t erizatio n techniqu es, twe n ty GRF   gait feature s  were extra c ted as g a it pattern to  rep r ese n t the gai t profiles of each parti cip ant.  Table 2 ta bul ates the m e a n s, sta nda rd  deviation s (S D), an d the  p-value  distri bution of ea ch  extracted g a i t  feature. Fro m  the twenty gait f eatures, only six significant featu r es h a ve bee n  cho s e n  u s in g the  inde p ende nt t-te st and   Ma nn-Whitney  U test  (TM W U) for AS D  g a it  cla ssifi cation.  The s e  si gnifi cant  gait fe ature s   whi c h  h a ve a  p-val u e  less than  0.0 5  a r e  made  b o ld  in Tabl e 2.  The d o mina n t  feature s  a r e Fy3, Ty 2,  Fz3, T z 3, p u s h-off rate, a nd pe ak rati o.  Pertainin g  to  the mea n  val ues of the  do minant f eatu r es,  child ren   with ASD were foun d to  exhibit   signifi cantly lowe r Fy3, Ty2,  Fz3, Tz3,  and pu sh -off rate, but the peak ratio was si gnifica ntly  greate r  in ASD as  comp ared to TD.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Autism  Spectrum  Diso rde r s Gait Identificat ion  Usi ng  Grou nd…  (Che Zawi ya h Che Ha sa n)  909 Based  on th e SWDA a p p roa c h, it is found  that only three d o minant g a it feature s ,  namely F z 3,  Ty2, and  Tx1  have the  ab ility to di scri minate the  ASD gait f r om  the no rmal   gait  pattern s. All t hese th ree  d o minant  featu r es h a ve  a  hi gh im pa ct on   the cl assification p r o c e s s  with   its p-value di stribution le ss  than 0.05.       Table 2. Mea n , standa rd d e viation (SD), and p-va lu e of the extract ed 3D G R F g a it features.   Feature   ASD TD  p-value  Mean  SD  Mean   SD  Fx1  -2.37   2.66  -2.40   1.94  .584  Fx2  7.59  3.79  6.77  2.50  .301  Fx3  7.24  2.68  5.95  2.28  .051  Tx1  6.11  3.75  4.47  1.60  .130  Tx2  23.88   7.08  23.74   7.25  .944  Tx3  75.21   14.45   77.98   7.48  .717  F y 1  -22.63   8.81  -19.48   3.75  .079  F y 3  19.35   4.66  22.33   3.42  .007  T y 1  12.15   4.60  14.10   4.02  .086  T y 2  48.49   6.75  53.64   5.30  . 002   T y 3  87.31   2.53  87.97   1.65  .294  Fz1 115.78   18.22   112.96   15.26   .595  Fz2 78.20   14.41   77.87   7.73  .209  Fz3 103.12   7.64  109.45   6.88  .001  Tz1 23.85   6.37  22.79   2.76  .304  Tz2 46.89   9.34  45.19   5.37  .391  Tz3 73.81   9.14  77.43   3.72  .048  Loading rate   5.32  2.09  5.05  1.09  .894  Push-off rate   4.28  1.17  4.97  0.80  .010  Peak ratio  1.12  0.16  1.03  0.15  .012      Table 3 sum m ari z e s  the classificatio n  accura cy attained u s ing K NN  cla ssifie r  with four  distan ce   met r ics and   its optimize d  k val u e s  fo r ea c h  3D GR F - T M WU  an d  3 D GR F- SWDA  datasets. It was ob se rved  t hat the rates of correct  cl assificatio n  were  within th e ran ge 77%  to   83%. For the  3DGRF - TM WU data s et  with six i nput  feature s , th e cityblo c k di stan ce  with  k=9  prod uces 8 1 .67% accu ra cy as co m pare d  to the other distan ce.       Table 3. Cla s sificatio n  accura cy of KNN classifi er  with four dista n ce metrics an d  its optimized  k  values for the  TMWU a nd  SWDA data s ets.  Distance  3DGR F- TMWU ( 6  features)   3DGR F-SWDA  ( 3  features)   k Accur a cy   k  Accur a cy   Cit y block 9  81.67%   11  76.67%   Correlation   1 76.67%   8 76.67%   Cosine 9 80.00%   5 78.33%   Euclidean 7  76.67%   11  83.33%       Mean while, t he  combi nati on of th ree  d o minant fe ature s  of  3DG R F-S W DA d a taset  and   KNN  cla s sifie r  with  Eu clid ean  dista n ce  and  k=1 1  d e mon s trate d   an imp r ove d   perfo rman ce   for   ASD gait identific a tion  wit h  83.33% acc u rac y .  Re su lts indi cate  the p o tential  of usi ng  bot h   statistical fea t ure sel e ctio n techniq u e s  for t he determinatio n of signifi cant an d domina n t gait  feature s  p r io r to  perfo rmi ng id entificat ion of  AS D  gait. In this  particular  c a s e , the SWDA  approa ch p r o duces a m u ch better  set o f  predi ctors.  This  study al so hig h light s  the releva nce  of  the 3D  GRF  measureme n ts in ASD  g a it pattern  id entification. F u ture  studie s  sho u ld expl ore   anothe r type of possibl e  gait feature s  and ma ch ine cla ssifie r s to enhan ce classification  ac cur a cy .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 15, No. 2, June 20 17 :  791 – 79 x   910 4. Conclusio n   In this pap er,  an identification sy stem of   ASD gait ba sed  on the 3 D  G R F is  pre s ente d .   This  study  h a s  evaluated  that the 3 D  G R F  gai t  feature s   extracted  u s ing  the time-se r ie s  para m eteri z at ion tech niqu e s  and th en se lected u s in g statistical feature  se le ction method s  coul d  be utilized f o r identificati on of ab normalities in ASD gait. Apart  from that, this study also  introdu ce s th e impo rtan ce  of feature selectio n  tech nique s fo r se lecting  domi n ant gait featu r es  prio r t o  cla s sif i cat i o n .  Ov erall,  t he sel e ct ed 3 D  G R F gait feature s  usi ng  SWDA an d the  opt imize d  K N N cla s sif i er  wer e  su c c e s sf ully   discrimi nated the 3D GRF gait pa tterns into A S D   and T D  gro ups  with 83. 33% accu ra cy. These  fin d ing s  wo uld  be benefi c i a l for autom atic   scree n ing  an d diagn osi s  o f  ASD and al so for th e de tection of gai t abnormalitie s in individ u a l s  with ASD or o t her neu rol ogi cal gait di sorders.      Ackn o w l e dg ements   The auth o rs  woul d like to  thank th e Min i stry  of Hig h e r  Edu c ation  (MOHE ) , Mala ysia for  the fund s  re ceived  thro u gh the  Ni ch e Res earch   Grant S c h e m e (NRGS),  proj ect file:  600- RMI/NRGS 5 / 3 (8/2013 ), the Hum an M o tion Gait  Analysis, Institut e of Research Manag eme n t  and In novatio n Unit (I RMI) Premi e r  Lab orato r y, Un iv ersiti  Te knol o g i MARA  (Ui T M) Sh ah  Alam,  Selango r. Th e autho rs al so wi sh to a cknowl edge  a ll  contri bution s   esp e ci ally the  Nation al Auti sm  Society of  Malaysia  (NASOM), vol unteered  pa rticipa n ts  an d their fami lies. Th e  study  spo n sorship  wa s funde d b y  the MOHE unde r the Fe deral T r aini ng  (HLP)  schem e 2014.       Referen ces   [1]    America n  Ps ychiatric Ass o ci ation. D i ag nos tic  and Statisti cal Ma nua l of  M ental  Disor ders. 5th e d .   Arlingt on, VA: America n  Ps y c hi atric Assoc i at ion; 20 13.    [2]    Kindr ega n D,  Galla gher  L, G o rmle y  J. Ga it  Devi ati ons  in  C h ildr e n   w i th  Au tism Spectrum  Disord e rs   : A  Revie w .  A u tis m  Res earc h  an d T r eatment . 2015; 20 15: 8 p ages.    [3]    Calhoun M, Long w orth M, Chester VL.  Ga i t   Pa tte rn s in  Ch il dren w i t h   Autism.  Clin ical  Bi omech anics .  201 1; 26(2): 20 0–2 06.   [4]    Chester VL, C a lh oun M. Gait S y mmetr y  i n  Chil dre n   w i t h  Autism.  Autism Research a n d  T r eatment .  201 2; 201 2: 5 pag es.   [5]    Giakas G, Baltzopo ulos V. T i me and F r eq u enc y   Dom a in  Anal ys is of Groun d Reacti on  F o rces Durin g   W a lking: An In vestigati on of  Varia b il it y  a nd  S y mmetr y.  Gait & Posture . 1997; 5(3): 18 9–1 97.   [6]    Perr y  J. Gait Anal ysis: N o rma l and Path ol ogi ca l F unctio n . MA, USA: SLACK Incorporate d .  1992.   [7]    Ambrosi n i D, Courc hesn e  E, Kaufman K. Mo tion An al ysi s  of Patients w i t h  Infantil e A u tism.  Gait &  Posture . 19 98; 7(2): 188.    [8]    T ahir NM, Man ap H H . Parki n son D i se ase G a it Cl assificati o n  Bas ed  on M a chi ne  Lear ni n g  Ap proac h.  Journ a l of App l ied Sci ences . 2 012; 12( 2): 180 –18 5.   [9]    Begg  RK, Pala nis w am i M, O w en B. Sup port  Vect or Mach in es for Automat ed Gait Cl assifi cation.  IEEE   T r ansactio n s o n  Bio m e d ica l  Engi neer in g . 20 05; 52(5): 8 28– 838.    [10]    Kamruzzam an  J, Begg RK. Supp ort Vector Mach i nes an d Other Pattern Reco gniti on A ppro a ches to   the Di ag nosis  of Cere bral  Pa ls y  G a it.  IEEE Transactio n s o n  Bio m edic a l  Engi neer in g . 2 006; 5 3 (1 2) :   247 9– 249 0.   [11]    Pradh an  C, W uehr  M, Akrami  F ,  Neu h a euss e r M,  H u th S,  Brandt T ,  et al.  Automate d  Cl assificati on  of   Neur olo g ica l   Di sorders  of Ga it Usi ng S pati o - T emporal Gait   Parameters.  J o urna l of  Electro m yo gra phy   and Ki nesi o l o g y . 2015; 25( 2): 413 –4 22.   [12]    Z a karia NK, J a ila ni R, T ahir NM. Applicati on of ANN in  Gait F eatur es of Childr en  for Gende r   Classification.  Proced ia Co mputer Scie nce .  201 5; 76: 235 – 242.    [13]    Kaczmarcz y k  K, Wit A ,  Kraw c z y k M, Zaborski  J. Gait Classification in  Post-Stroke Patients Usi n g   Artificial Neural Net w orks.  Gait & Posture . 2009; 30(2): 2 07– 210.    [14]    Mezgh ani  N, H u sse S, B o ivi n   K, T u rcot K, Ai ssaou i  R, Hag e meister N,  et al.  Autom a tic Classific a tio n   of As y m ptoma t ic an d Osteo a rthritis K nee   Gait  Patterns  Using  Ki nemat ic Data  F eatur es a nd th e   Near est Neig h bor Cl assifier.  IEEE Transactions on Bi om edical Engineering . 2008; 5 5 (3): 123 0– 123 2.   [15]    Mustafa M,  T a ib M, Murat  Z,  Sula iman N. C o mparis on Bet w e e n  KNN an d  ANN Classific a tion i n  Brain   Bala ncin g A p p licatio n vi a S pectrogr am Image.  J ourn a l of  Co mp uter Sc ienc e & C o mp utatio n a l   Mathem atics . 2 012; 2(4): 1 7–2 2.   [16]    Coom ans D,  D.L. Massart. Alternative  K- Nearest  Neig hb our R u les in S uper vised Patter n   Reco gniti on   :  Part 1. K-Near est Nei ghb our  Classific a tio n  b y   Usi ng Alte rnative V o tin g  Rul e s.  Anal  Chim  Acta . 19 82; 136: 1 5–2 7 .     [17]    Ilias S, T ahir N M , Jaila ni R,  H a san  CZC.  Cl a ssificatio n  of A u tism  Ch ildr en  Gait Patterns  Using  Ne ural   Netw ork and  Supp ort Vecto r  Machin e . 2016 IEEE S y m posium on Computer Applications and  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Autism  Spectrum  Diso rde r s Gait Identificat ion  Usi ng  Grou nd…  (Che Zawi ya h Che Ha sa n)  911 Industria l Elect r onics (ISCAIE ) .  Penang, Mal a y s ia. 20 16: 52 –56.    [18]    Alliso n  K, Wri g le y T  V., Vicen z ino  B, Ben n e l l KL, Grima l d i   A, Hod ges PW . Kinem atics a nd K i netics   Durin g  W a lki n g  in Indivi du als w i t h  Glutea l T e ndi nop ath y .  Cli nical B i o m ec ha nics . 201 6; 32: 56– 63.   [19]    Hub e rt y  CJ, Olejnik S. Appl ie d MANOVA and Di scrimi nant  Anal ys is. Ne w   Jerse y : Jo hn  W ile y  & So ns.   200 6.  [20]    Mulro y  S, Gronle y  J, W e iss W ,  Ne w s am  C,  Perr y  J. Use of Cluster Anal ys is for Gait Patter n   Classific a tio n  of Patients in t he Earl y a nd L a te Recov e r y   Phases F o l l o w ing Stroke.  Gait & Posture .  200 3; 18(1): 11 4–1 25.   [21]    Ha w o rt h JL, H a rbo u rne  RT ,  Vall abh aj osul a  S, St ergiou N.  Center of  Pre ssu re a nd the  Projecti on of   the T i me-Cour se of Sitting Skill Acq u isiti on.  Gait & Posture . 2013; 3 8 (4): 8 06– 81 1.   [22]    Massaa d  A, A ssi A, Skal li  W ,  Ghanem I. Rep eat a b il it y  and  Val i d a tion  of Gait D e vi a t ion In de x  i n   Chil dre n : T y pic a ll y Dev e l opi ng  and Cer ebr al Pals y .   Gait & Posture . 201 4; 3 9 (1): 354 –3 58.   [23]    Di xon  PC, B o w t ell M  V., Steb bins  J. T he Us e of   Re gressi o n  a n d  Norm alis ation  for th e C o mparis on  o f   Spatio-T empor al Gait Data in  Chil dre n .  Gait & Posture . 201 4; 40(4): 52 1–5 25.   [24]    W h ite R, Agou ris I, Selbie  RD, Kirkpatrick M.  T he Variabi lit y  of  Force Platform Data in Normal and  Cere bral Pa ls y.  Clinica l  Bio m echa nics . 19 99 ; 14(3): 185 –19 2.   [25]    Mana p HH, T ahir NM, Y a ssin  AIM.  Statistical Analys is of P a rkinso n Dis eas e Gait C l assific a tion  Usi n g   Artificial Neural Network . IEEE International S y m posium  on  Signal Pr ocessing  and  Information  T e chnolog y (IS SPIT ) . Bilbao,  Spai n. 201 1: 60–6 5.   [26]    W h ittle MW .  Gait Anal ysis:  An Introducti on.  4th ed. P h ila de lph i a, U SA: Butter w ort h -Hei nem ann ;   200 7.   [27]    Stansfiel d BW , Hillm an  SJ, H a zle w o o d  ME,  La w s on AM, M ann  AM, Lo ud on IR, et  al. N o rmalis atio n   of Gait Data in Chil dre n .  Gait & Posture . 200 3; 17(1): 81 –87 .    [28]    Greer NL, H a mill J, C a mpb e ll K R . D y n a m i cs of Ch il dren ’ s  Gait.  Hu ma n  Move me nt Sc ienc e . 19 89;  8(5): 465 –4 80.   [29]    Reid SM, Gra ham RB, Costi gan PA. Differ ent iati on of Yo ung a nd Old e r  Adult Stair Cli mbin g Gait  Using Pri n ci pal  Compo nent A nal ysis.  Gait & Posture . 20 10; 31(2): 19 7– 203 .    [30]    W o lf S, Loose  T ,  Schablo w ski  M, Döderl e in L, Ru pp R, Gerner  HJ, et al. Automated F eatur e   Assessment  in Instrumented Gait  Anal ysis.  Gait & Posture . 2006; 2 3 (3): 3 31– 33 8.   [31]    Su BL, Son g  R, Guo LY,  Yen CW . Ch a r acterizin g  Gai t  As y mmetr y  Via F r eq uenc y Sub-Ba nd   Comp one nts o f  the Ground R eactio n  F o rce.  Bio m e dal S i gn al Process i n g  and C ontro l . 2 015; 1 8 : 56 – 60.   [32]   McCror y  J L , W h ite SC, Lifeso RM. Vertical  Groun d Re action F o rces:  Objective Me asures of Gait   Follo w i n g  Hip  Arthropl ast y .  Gait & Posture . 200 1; 14(2): 10 4–1 09.   [33]    Ma yers A. Introducti on to Statistics and SP SS in  Ps y c hol og y. Harl o w , Engl and: Pe arso n Educati o n ;   201 3.   [34]    Deluz i o KJ, A s tephe n JL. Bi omech anic a l F eatur es of Gai t  W a veform Data Associat ed   w i th K n e e   Osteoarthritis. An Appl icati on  of  Princip a l Co mpon ent Ana l ysis.  Gait & Posture . 2007; 2 5 ( 1 ): 86–9 3.   [35]   Kohav i R, Provost F .   Glossar y  of  T e rms.  Machin e Le arni ng . 199 8; 30: 271 – 274.          Evaluation Warning : The document was created with Spire.PDF for Python.