Dinamik Zaman Bükme (DTW) ile Yürüyüş Analizi
Dynamic Time Warping for Gait Analysis · Ayrıca şöyle bilinir: DTW, Gait pattern matching, Temporal gait comparison
Dinamik Zaman Bükme (DTW), farklı uzunluklardaki zaman serileri arasındaki benzerliği, esnek zamansal eşleştirmeye izin vererek ölçen bir dizi hizalama algoritmasıdır. Yürüyüş analizine uygulanan DTW, yürüme hızındaki veya adım uzunluğundaki farklılıklara rağmen denekler ve koşullar arasındaki yürüme desenlerinin karşılaştırılmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğal olarak farklı yürüme hızlarına sahip denekler arasındaki yürüme desenlerini karşılaştırırken, ince yürüyüş anormalliklerini tespit ederken veya yürüyüşü tanı kategorilerine ayırırken DTW yürüyüş analizini kullanın. Klinik yürüyüş değerlendirmesi, spor biyomekaniği ve robotik alanlarında değerlidir. Varsayımlar, faz tabanlı hizalamanın anlamlı olduğu (yürüyüş döngülerinin tanımlanmış başlangıç/bitiş noktalarına sahip olduğu) ve DTW mesafesinin işlevsel yürüyüş benzerliğinin anlamlı bir ölçüsü olduğudur.
Güçlü yönler & sınırlılıklar
- Değişken uzunluklu dizileri doğal olarak işler; zamansal normalleştirme gerektirmez
- Yürüme hızı ve ritmindeki farklılıklara karşı dayanıklıdır
- Yorumlanabilir mesafe metriği; DTW yolu, yürüyüşler arasındaki hangi fazların farklı olduğunu gösterir
- Zaman serisi analizinde iyi kurulmuş; verimli algoritmalar mevcut
- Öklid mesafesinden daha hesaplama açısından pahalıdır; n-örnekli diziler için O(n²) karşılaştırma
- Yerel mesafe metriğinin seçimi (örneğin, özellik uzayında Öklid) DTW sonuçlarını etkiler; doğrulanmalıdır
- DTW, kısıtlama uygulanmazsa dizileri patolojik olarak hizalayabilir; pencereleme veya eğim kısıtlamaları gereklidir
- Özellik seçimine (eklem açıları, işaretçi konumları, hızlar) ve ön işlemeye duyarlılık
SSS
Aynı yürüyüşlerin DTW mesafesi nedir?
Sıfır, eğer yürüyüşler desen olarak gerçekten aynıysa (hızdan bağımsız olarak). Pratikte, faz geçişlerindeki küçük farklılıklar ve gürültü, küçük ama sıfır olmayan DTW mesafeleri üretir.
DTW için yerel mesafe metriğini nasıl seçerim?
Özellik uzayındaki Öklid mesafesi (örneğin, eklem açıları) standarttır. Alternatif metrikler arasında korelasyon mesafesi veya Manhattan mesafesi bulunur. Sınıflarınızı en iyi ayıran metriği seçmek için çapraz doğrulama yapın.
DTW, birden fazla eklemi aynı anda işleyebilir mi?
Evet. Çok boyutlu özellik uzayında DTW hesaplayın (birden fazla eklemden gelen açıları birleştirin veya istifleyin). Alternatif olarak, eklem başına ayrı DTW mesafeleri hesaplayın ve bunları ortalayın veya ağırlıklandırın.
Kaynaklar
- Sakoe, H., & Chiba, S. (1978). Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 26(1), 43-49. DOI: 10.1109/TASSP.1978.1163055 ↗
- Wang, Z., Yan, W., & Oates, T. (2013). Time series classification from scratch with deep neural networks: A strong baseline. arXiv preprint arXiv:1611.06455. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Time Warping for Gait Analysis. ScholarGate. https://scholargate.app/tr/biomechanics/dtw-gait-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Tersine Dinamik AnalizBiyomekanik↔ karşılaştır
- İşaretsiz Hareket YakalamaBiyomekanik↔ karşılaştır
- Kas Sinerjisi AnaliziBiyomekanik↔ karşılaştır