Х.А. Сафа1, А.В. Киселев2, В.Ю. Батумски3
1, 2 Российский университет дружбы народов имени Патриса Лумумбы (Москва, Россия)
3 Региональная общественная организация содействия деятельности в области искусств
«Союз деятелей эстрадного искусства» (г. Южно-Сахалинск, Россия)

1 sa.programmer1@gmail.com, 2 kiselyov.av@gmail.com, 3 batumski@batumski.ru

Постановка проблемы. В местах массового скопления людей автоматизированное распознавание намерений человека по его движениям является одной из важнейших проблем. Традиционно для решения подобных задач применяются искусственные нейронные сети.

Цель. Разработать нейроэволюционный алгоритм, объединяющий теорию генетических алгоритмов и теорию нейронных сетей для синтеза структуры нейронной сети распознавания характера движений человека.

Результаты. Для распознавания типа движений человека создана гибридная система, сочетающая два алгоритма (нейросетевой и эволюционный). Предложен модифицированный формальный нейрон и структура прямоточной нейронной сети. Описан алгоритм оптимизации параметров нейронной сети, действующий в качестве замены процедуры обратного распространения ошибки.

Практическая значимость. Разработанный алгоритм позволяет классифицировать тип движения человека с высокой  точностью и может быть применен для автоматизированного распознавания намерений человека по его движениям.

Сафа Х.А., Киселев А.В., Батумски В.Ю. Нейроэволюционный алгоритм классификации намерений человека по его движениям // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 4. С. 45–51. DOI: https://doi.org/10.18127/j19998554-202504-04

1. Wirsansky E. Hands-on genetic algorithms with Python: Applying genetic algorithms to solve real-world deep learning and artificial intelligence problems. Packt Publishing Ltd. Birmingham. UK. 2020.
2. Asroni A., Ku-Mahamud K.-R., Damarjati C., Slamat H.-B. Arabic speech classification method based on padding and deep learning neural network // Baghdad Science Journal. 2021. V. 18. № S2. P. 925–936.
3. Vipin K.-M., Jaytrilok C., Dhirendra P.-S. Heart and cardiac arrest analysis by prediction of hybrid model // 6th International Conference on Intelligent Computing and Control Systems (ICICCS). Madurai, India. IEEE. 2022.
4. Tormozov V.-S., Zolkiand A.-L., Vasilenko K.-A. Optimization of neural network parameters based on a genetic algorithm for prediction of time series // International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon). Madurai, India. IEEE. 2020.
5. Stepanyan I.V. Evolutionary operations of interneuron synaptic structure for feed-forward multilayer networks // Journal of Machinery Manufacture and Reliability. 2020. V. 49. № 10. P. 874–877.
6. Pradeep R.-S., Shankar M., Shilpa I. et al. Advanced prediction of heart diseases using artificial neural network and genetic algorithm // 5th International Conference on Computing Methodologies and Communication (ICCMC). Erode, India. IEEE. 2021.
7. Abdullah A.-Y., Mehmet S.-G., Erkan B., Iman A. A novel action recognition framework based on deep-learning and genetic algorithm // IEEE Access. 2020. V. 8. P. 100631–100644.
8. Xiaorui S., Yuxin Z., Runfeng Z. A hybrid forecasting model for the velocity of hybrid robotic fish based on back-propagation neural network with genetic algorithm optimization // IEEE Access. 2020. V. 8. P. 111731–111741.
9. Raid R.-A., Fawaz S.-A., Ali N.-H. Design a technology based on the fusion of genetic algorithm, neural network and fuzzy logic // arXiv preprint. arXiv:2102.08035. 2021.
10. Azadeh B., Roghaye H. Infant crying classification by using genetic algorithm and artificial neural network // Acta Medica Iranica. 2020. V. 58. № 10. P. 531–539.
11. Rishabh M., Kaustubh P., Kottilingam K., Saranya A. An initiative to prevent Japanese encephalitis using genetic algorithm and artificial neural network // International conference on computational intelligence (ICCI). Bandar Seri Iskandar, Malaysia. IEEE. 2020.
12. Sonali S., Anup S., Nicholas J. et al. Nebula: a neuromorphic spin-based ultra-low power architecture for snns and anns // ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Valencia, Spain. IEEE. 2020.
13. Kollmannsberger S., D’Angella D., Jokeit M., Herrmann L. Deep learning in computational mechanics / Studies in Computational Intelligence. V. 977. Springer International Publishing. 2021.‏‏
14. Meena V.-K., Choudhary J., Singh D.-P. Heart and cardiac arrest analysis by prediction of hybrid model // 6th International Conference on Intelligent Computing and Control Systems (ICICCS). Madurai, India. IEEE. 2022.
15. Yilmaz A.-A., Guzel M.-S., Bostanci E., Askerzade I. A novel action recognition framework based on deep-learning and genetic algorithms // IEEE Access. 2020. V. 8. P. 100631–100644.
16. Wang X., Wang X., Lv T. et al. Harnas: human activity recognition based on automatic neural architecture search using evolutionary algorithms // Sensors. 2021. V. 21. № 20. P. 6927.
17. Zhang J., Sun G., Sun Y. et al. Hyper-parameter optimization by using the genetic algorithm for upper limb activities recognition based on neural networks // IEEE Sensors Journal. 2020. V. 21. № 2. P. 1877–1884.
18. Wang Q., Liu S. A prediction model analysis of behavior recognition based on genetic algorithm and neural network // Computational intelligence and neuroscience. 2022. Article ID 3552908.
19. Stepanyan I.V., Hameed S.A. An improved neurogenetic model for recognition of 3D kinetic data of human extracted from the Vicon Robot system // Baghdad Science Journal. 2023. V. 20 № S6. P. 2608–2623.
20. Dalwinder S., Birmohan S. Investigating the impact of data normalization on classification performance // Applied Soft Computing Journal. 2020. V. 97. P. 105524.
21. Dalwinder S., Birmohan S. Feature wise normalization: An effective way of normalizing data // Pattern Recognition. 2022. V. 122. P. 108307.
22. Damien C., Nadia Y.-S., Didier C., Marie-Cécile P. Impact of standardization applied to the diagnosis of LT-PEMFC by Fuzzy C-Means clustering // IEEE Vehicle Power and Propulsion Conference (VPPC). Gijon, Spain. IEEE.‏ 2022.
23. Jong C.-Y. Artificial neural networks and backpropagation / In: Geometry of Deep Learning. Mathematics in Industry. V. 37. Springer, Singapore. 2022.
24. Harshini P., Nagaraja K.-V. Artificial neural network and math behind it // Proceedings of SmartCom (Smart Trends in Computing and Communications). 2022. Singapore: Springer Nature Singapore. 2022. P. 205–221.
25. Ameet V.-J. Perceptron and neural networks. Machine learning and artificial intelligence. Springer, Cham. 2022.
26. Vicon [Электронный ресурс] / URL: https://www.vicon.com/.
27. UCI machine learning repository [Электронный ресурс] / URL: http://archive.ics.uci.edu/ml.
28. Human activity recognition with smartphones [Электронный ресурс] / URL: https://www.kaggle.com/datasets/uciml/human-activity-recognition-with-smartphones/data.