طراحی سیستم هوشمند ارزیابی تمرینهای حرکتی، زمان و هزینه را در درمانهای توانبخشی کاهش میدهد. از جمله روشهای موجود در این زمینه مدلهای احتمالاتی هستند که قابلیت تعمیم پذیری به حرکات جدید در آنها کم است. روشهای دیگر از ساختارهای عمیق استفاده میکنند که درنظرنگرفتن عدم قطعیت ذاتی موجود در داده های حرکتی از چالشهای آنهاست. در این مقاله یک شبکه چگالی تر کیبی عمیق معرفی شده است که پردازش مدل احتمالاتی را با ساختارهای عمیق به صورت همزمان امکانپذیر می سازد. در این شبکه از لایه پیچشی چند شاخه که ویژ گیهای عمیق دادههای حرکت را استخراج میکند و از لایه بازگشت ی که وابستگی زمانی دادههای حرکت را یاد میگیرد ، برای تخمین پارامترهای مدل ترکیبی گوسی استفاده شده است. این مدل در لایة انتهای ی جهت مدیریت عدم قطعیت موجود در دادهها قرار دارد. مجموع وزندار میانگین اجزای مدل ترکیبی گوسی به عنوان امتیاز تمرین حرکتی درنظر گرفته میشود. دادههای ورودی ، سریهای زمانی مربوط به مکان و زوایای مفاصل، هستند. امتیاز مرجع برای آموزش شبکه، امتیاز بالینی هر حرکت است. محاسبه خطا و همبستگی بین امتیاز KIMORE از مجموعه دادة پیشبینی شده و مرجع، برتری این شبکه را نسبت به سایر ساختارها نشان میدهد. چرا که تر کیب مدل ترکیبی گوسی با ساختارهای عمیق ، علاوه بر مدیریت عدم قطعیتها که بر اعتبار خروجی میافزاید، قابلیت تعمیم پذیری به حرکات جدید را افزایش میدهد.

کلمات کلیدی