Geri Dön

Açı temelli öznitelik çıkarımı ile üst vücut postür sınıflandırması

UPPER-BODY POSTURE CLASSIFICATION USING ANGLE-BASED FEATURE EXTRACTION

PDF İndir

  1. Tez No: 1018500
  2. Yazar: RABİA AYŞE GÜZEL
  3. Danışmanlar: DOÇ. DR. İSMAİL ÖZTEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüz koşullarında masa başı çalışma düzeninin yaygınlaşması ve dijital cihaz kullanımının artması, uzun süreli oturma alışkanlıklarını günlük yaşamın doğal bir parçası hâline getirmiştir. Bu durum kas-iskelet sistemi rahatsızlıklarının görülme sıklığında belirgin bir artışa yol açmıştır. Özellikle uzun süre devam eden hatalı statik postürler; bel ve boyun ağrıları, omurga deformasyonları, kas dengesizlikleri ve fonksiyonel hareket kısıtlılıkları gibi ciddi sağlık problemleriyle ilişkilendirilmektedir. Bu artış yalnızca ileri yaş gruplarında değil, genç yetişkinlerde de yaygın biçimde gözlemlenmektedir. Dolayısıyla postürün erken dönemde izlenmesi, hatalı duruşların tespit edilmesi ve gerekli düzeltici önlemlerin zamanında alınması sağlık açısından önemli bir gereksinim hâline gelmiştir. Ancak geleneksel postür değerlendirme yöntemleri genellikle uzman gözlemi, klinik ortam ve/veya özel ölçüm sistemleri gerektirdiğinden hem maliyetli olması hem de sürekli izlemeyi zorlaştırması nedeniyle sınırlıdır. Son yıllarda bilgisayarlı görü ve makine öğrenmesi alanındaki ilerlemeler, insan duruş ve hareket analizinin otomatik ve nesnel biçimde yapılabilmesini mümkün kılmıştır. Özellikle görüntülerden iskelet çıkarımı yapan yaklaşımlar sayesinde eklem noktalarının uzamsal konumları üzerinden postür sınıflandırma sistemleri geliştirilebilmekte; literatürde yüksek doğruluk değerleri bildiren çok sayıda derin öğrenme tabanlı yöntem bulunmaktadır. Ancak bu yaklaşımların önemli bir kısmı, yüksek parametre sayısı ve hesaplama yükü nedeniyle mobil/gömülü platformlar gibi kaynak kısıtlı senaryolarda uygulanabilirlik açısından zorluklar doğurabilmektedir. Ayrıca parametre yoğun modellerde aşırı uyum (overfitting) eğilimi, özellikle kişiler arası genelleme performansını olumsuz etkileyebilmektedir. Bu nedenle, yüksek performansı korurken model karmaşıklığını ve hesaplama yükünü azaltabilen; daha yalın, açıklanabilir ve yorumlanabilir yöntemlere ihtiyaç duyulmaktadır. Bu çalışmada, postür sınıflandırma problemine parametre-verimli ve geometrik olarak yorumlanabilir bir yaklaşım önerilmiştir. Çalışmada görüntüden iskelet çıkarımı yapılmamış; bunun yerine doğrudan üç boyutlu eklem koordinatları içeren açık erişimli bir iskelet tabanlı veri kümesi kullanılmıştır. Veri kümesi 13 farklı denekten elde edilen örnekleri içermekte olup her örnek 33 eklem noktası için 3B koordinat bilgisi barındırmaktadır. Bu veri kümesinde üst vücut için beş farklı postür sınıfı tanımlanmıştır. Ham koordinatlar doğrudan sınıflandırıcıya verilmeden önce bir ön işleme süreci uygulanmıştır. Bu süreçte çeviri (translation), ölçek (scale) ve düşey eksen etrafındaki dönme (yaw) kaynaklı değişkenlik azaltılmıştır. Bu kapsamda iskelet, sol ve sağ kalçanın orta noktası (kalça merkezi/hip center) referans alınarak merkezlenmiş; ardından iki kalça arasındaki mesafe ile ölçek normalize edilmiş ve kalça vektörünün x–z düzlemindeki yönü kullanılarak iskelet y ekseni etrafında döndürülmüştür. Böylece düşey eksen etrafındaki dönmeye bağlı yönelim farklılıkları büyük ölçüde giderilmiştir. Ayrıca sol–sağ eklem tutarlılığını sağlamak üzere otomatik ayna (mirror) düzeltmesi uygulanmıştır. Bu ön işleme adımları, modelin kadraj içi konum ve ölçek gibi dışsal değişkenler yerine duruş geometrisine odaklanmasını sağlamayı amaçlamaktadır. Ön işleme sonrasında normalize edilmiş iskelet üzerinden kalça merkezi–omuz merkezi doğrultusunda omurga yön vektörü, iki omuz arasındaki omuz hattı vektörü ve burun–omuz merkezi doğrultusunda baş yön vektörü çıkarılmıştır. Bu vektörlerden, omurga vektörünün düşey eksene göre ön–arka eğimini temsil eden eğim açısı (pitch), sağa–sola eğimini temsil eden yana eğim açısı (roll) ve omuz hattı eğimini temsil eden omuz eğim açısı (shoulder tilt) türetilmiştir. Ayrıca vektör bileşenleri ve normları, omuz merkezi ile burun noktasının düşey (y) bileşenleri ve beş çekirdek eklemin (burun, sol/sağ omuz, sol/sağ kalça) normalize edilmiş 3B koordinatları ile birlikte toplam 32 boyutlu, düşük boyutlu ve yorumlanabilir bir geometrik öznitelik kümesi oluşturulmuştur. Elde edilen öznitelikler önce 4.161 parametreli, iki gizli katmanlı bir multiLayer perceptron (MLP) ve lojistik regresyon (LR) modelleri kullanılarak sınıflandırılmış; ardından bu modellerin sınıf olasılıkları sabit ağırlıklı soft-voting yaklaşımı altında birleştirilmiştir. Sonuçlar kişi-bağımsız genelleme performansı Leave-One-Subject-Out (LOSO) protokolü ile değerlendirilmiştir. Deneysel sonuçlar, en yüksek başarımın MLP ve LR modellerinin %80–%20 ağırlıklı birleşimi ile elde edildiğini göstermektedir. Bu yapı, 0.9793 doğruluk ve 0.9749 makro F1 performans değerlerine ulaşmıştır. ROC eğrileri ve karmaşıklık matrisi analizleri, sınıflar arasında ayrım gücünün yüksek olduğunu ve hataların sınırlı kaldığını desteklemektedir. Elde edilen bulgular, biyomekanik olarak anlamlı geometrik özniteliklerin, güçlü fakat yalın bir temel model ve onu destekleyen olasılık-temelli topluluk yaklaşımı ile birleştirildiğinde yüksek doğruluk ve kişi-bağımsız genelleme sağlayabildiğini ortaya koymaktadır. Ayrıca, önerilen yaklaşımın yalnızca çevrimdışı deneysel ortamda değil, gerçek zamanlı kullanım senaryolarında da uygulanabilirliğini göstermek amacıyla bir masaüstü uygulaması geliştirilmiştir. Geliştirilen sistem, canlı görüntü akışı üzerinden iskelet çıkarımı, ön işleme, öznitelik çıkarımı ve sınıflandırma adımlarını eş zamanlı olarak gerçekleştirebilmektedir. Yapılan ölçümler, sistemin optimize edilmiş yapılandırma altında yaklaşık 18–23 FPS hızında çalışabildiğini ve kare başına işlem süresinin yaklaşık 28 ms düzeyine indirilebildiğini göstermektedir. Bu sonuç, önerilen yöntemin düşük hesaplama maliyeti ile gerçek zamanlı geri bildirim gerektiren uygulamalar için uygun ve uygulanabilir olduğunu ortaya koymaktadır. Bu çalışma, yüksek boyutlu ham koordinat temsilleri yerine biyomekanik olarak anlamlı ve düşük boyutlu bir öznitelik uzayı kullanarak parametre-verimli bir modelleme yaklaşımının da yüksek doğruluk seviyelerine ulaşabileceğini göstermektedir. Önerilen Angle32 temsili, model karmaşıklığını azaltırken aynı zamanda elde edilen sonuçların yorumlanabilirliğini artırmaktadır. Bu yönüyle çalışma, postür tanıma literatüründe sıklıkla tercih edilen parametre yoğun derin öğrenme mimarilerine alternatif, daha yalın ve açıklanabilir bir çözüm sunmaktadır. Önerilen yaklaşım, üst vücut postür sınıflandırma problemi için yorumlanabilir, düşük maliyetli ve yüksek başarımlı bir çözüm ortaya koymaktadır. Bununla birlikte, yaklaşım tek kare (frame-based) sınıflandırma ile sınırlı olup zamansal bağıntılar modelleme sürecine dahil edilmemiştir. Gelecek çalışmalarda, ardışık kareler arasındaki ilişkileri dikkate alan zaman serisi tabanlı modellerin kullanılması ile özellikle geçiş durumlarının daha doğru modellenmesi hedeflenmektedir. Ayrıca, farklı veri kümeleri ve gerçek dünya senaryoları üzerinde yapılacak çalışmalar, önerilen yaklaşımın genellenebilirliğinin daha kapsamlı biçimde değerlendirilmesine katkı sağlayacaktır.

Özet (Çeviri)

The accelerating shift toward desk-based occupations, widespread digital device use, and prolonged sitting have significantly increased exposure to posture-related risk factors. Sustained static loading combined with poor alignment contributes to musculoskeletal disorders (MSDs), commonly manifested as lower back pain, neck pain, shoulder discomfort and reduced functional capacity. These problems are no longer confined to older populations or physically demanding professions; they are increasingly prevalent among young adults and office workers. Consequently, there is growing interest in scalable systems capable of early detection and continuous monitoring of improper posture patterns. Traditional posture assessment methods, although clinically valuable, often rely on expert observation, structured environments, or specialized equipment. Such approaches can be costly, time-consuming, and difficult to deploy for long-term monitoring in everyday settings. Moreover, subjective evaluations may vary between observers and fail to capture posture fluctuations throughout the day. These limitations motivate the development of automated, objective, and computationally efficient posture analysis frameworks. Recent advances in computer vision and machine learning have enabled automated analysis of human posture using skeletal keypoints extracted from visual data. While deep learning approaches have achieved high recognition accuracy, many of these models are parameter-intensive and computationally demanding, limiting their suitability for mobile, embedded, or real-time systems. Large networks may also suffer from overfitting, particularly when training data are limited, thereby reducing cross-subject generalization performance. Therefore, there is a practical need for approaches that maintain strong accuracy while reducing model complexity and computational burden. This study proposes a parameter-efficient and geometrically interpretable framework for upper-body posture classification based on three-dimensional skeletal joint coordinates. Instead of performing image-based skeleton extraction, an openly available dataset containing 3D coordinates of 33 joints from 13 subjects is directly utilized. Five upper-body posture classes are defined in the dataset. By operating directly on structured skeletal data, the framework avoids the computational overhead associated with raw image processing and focuses exclusively on posture-relevant geometric information. To reduce nuisance variation unrelated to posture class, a preprocessing pipeline is applied. The skeleton is centered using the hip center (midpoint between the left and right hips), normalized by the inter-hip distance to address scale differences, and aligned by rotating about the y-axis based on the hip-line direction to mitigate yaw variation. An automatic mirror correction further ensures left–right consistency. These steps suppress global translation, scale, and orientation effects, encouraging the model to focus on intrinsic posture geometry rather than camera-dependent factors. Importantly, this normalization procedure does not“correct”the posture itself; rather, it standardizes the coordinate frame so that posture-related deviations remain preserved while irrelevant global transformations are removed. From the normalized skeleton, a compact set of 32 biomechanically meaningful geometric features is constructed. Three primary direction vectors are defined: (i) the spine vector from hip center to shoulder center, (ii) the shoulder-line vector between the left and right shoulders, and (iii) the head vector from shoulder center to the nose. Angular measures derived from these vectors quantify torso inclination (pitch), lateral inclination (roll), and shoulder-line tilt. Additional vector norms, selected height-related components, and core joint coordinates are included to preserve essential geometric information. This low-dimensional feature representation captures posture structure in an interpretable manner while reducing input dimensionality. By explicitly encoding biomechanically meaningful geometric relationships, the approach reduces redundancy in the input space while improving discriminative power. The extracted 32-dimensional feature vectors are first classified using a two-hidden-layer multilayer perceptron (MLP) with 4,161 trainable parameters. The architecture is intentionally lightweight, reflecting the central hypothesis that carefully engineered geometric features can compensate for reduced model capacity. To rigorously assess cross-subject generalization, evaluation is conducted using the Leave-One-Subject-Out (LOSO) protocol, where each subject is held out for testing while the model is trained on the remaining subjects, with one additional subject used for validation in each fold. This protocol provides a stringent and realistic measure of performance on unseen individuals. The main contributions of this work can be summarized as follows: (i) the design of a compact and interpretable Angle32 feature representation grounded in biomechanical geometry, (ii) the demonstration that lightweight models can achieve high performance under strict LOSO evaluation, and (iii) the validation of real-time applicability through a low-latency implementation. In the first stage of experimentation, frame-level comparisons were conducted to examine the effect of different input representations and lightweight classifier designs. Specifically, the following configurations were evaluated: Raw 99D Coordinates + Softmax, Angle32 Features + Softmax, Canonicalized 99D Coordinates + Lightweight MLP, Raw 99D Coordinates + Lightweight MLP, and Angle32 Features + MLP. Among the frame-level models, the best performance was achieved with Angle32 Features + MLP, which achieved an overall accuracy of 0.9766 and a macro F1-score of 0.9693 under LOSO evaluation. This result indicates that the proposed Angle32 representation, although compact, provides a more discriminative and biomechanically meaningful input space than both raw and merely canonicalized coordinate representations. In the next stage, the effectiveness of the Angle32 representation was further examined using classical machine learning models, including logistic regression, random forest, XGBoost, SVM-RBF, and KNN. Among these classical models, logistic regression and XGBoost produced the strongest results; however, the Angle32 Features + MLP model still outperformed all of them at the single-model level. Ensemble experiments were then performed by combining the class probabilities of the MLP and logistic regression models through fixed-weight soft voting. The best overall performance was achieved by the 80%-20% MLP–logistic regression ensemble, which reached an overall accuracy of 0.9793 and a macro F1-score of 0.9749, outperforming the standalone MLP model. In addition, window-based sequence models including LSTM, GRU, Attention-GRU, Stacked Dilated CNN, and CNN-LSTM Hybrid were evaluated on raw 99-dimensional skeletal sequences. Among these temporal models, LSTM achieved the strongest performance, followed by Stacked Dilated CNN. Nevertheless, both the standalone Angle32 Features + MLP model and the final 80%-20% ensemble outperformed all temporal models, showing that classification performance depends not only on temporal context but also strongly on the informativeness and discriminative power of the chosen feature representation. Beyond the numerical results, the findings highlight a broader implication: upper-body posture classification, which is strongly characterized by geometric alignment, can be effectively addressed without relying solely on large, parameter-heavy deep architectures. The compact Angle32 representation improves interpretability, as each feature corresponds to a meaningful biomechanical descriptor such as torso inclination, lateral tilt, or shoulder asymmetry. This interpretability may support future applications involving user feedback, ergonomic assessment tools, or clinical monitoring systems. In addition to offline experimental evaluation, the practical applicability of the proposed approach was further validated through a real-time desktop implementation. The system processes live video input by performing skeleton extraction, preprocessing, feature extraction, and classification in an online pipeline. Experimental measurements indicate that the optimized implementation operates at approximately 18–23 frames per second (FPS), corresponding to an average processing latency of around 28 milliseconds per frame. These results demonstrate that the proposed framework not only achieves high classification performance but also meets the computational requirements for real-time human–computer interaction scenarios and continuous posture monitoring applications. Overall, this work demonstrates that upper-body posture classification can be effectively addressed through compact and interpretable geometric representations combined with lightweight learning models and probability-level ensemble strategies. By emphasizing posture-intrinsic geometry and minimizing model complexity, the proposed framework achieves a strong balance between accuracy, interpretability, and computational efficiency. The integration of real-time processing capabilities further highlights its potential for deployment in practical applications such as ergonomic monitoring, workplace health assessment, and interactive human-centered systems.

Benzer Tezler

  1. Tez No

    539962

    Sulak alanların uzaktan algılama ve coğrafi bilgi sistemleri ile irdelenmesi: Akgöl örneği

    Analysis of wetlands using remote sensing and geographic information systems: Akgol sample

    ADALET DERVİŞOĞLU

    Doktora

    Türkçe

    Türkçe

    2018

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. NEBİYE MUSAOĞLU

  2. Tez No

    346183

    Word context and token representations from paradigmatic relations and their application to part-of-speech induction

    Paradigmatik ilişkilerden kelime bağlamı ve andacı temsilleri ve sözcük türü tümevarımına uygulanması

    ENİS RIFAT SERT

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DENİZ YURET

  3. Tez No

    827313

    Nanomalzeme esaslı klonlanamayan yüzeylerin üretimi ve görüntü doğrulama analizleri

    Fabrication of nanomaterial based unclonable surfaces and image authentication analysis

    MUSTAFA KALAY

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriErciyes Üniversitesi

    Nanobilim ve Nanoteknoloji Ana Bilim Dalı

    PROF. DR. MUSTAFA SERDAR ÖNSES

    DR. ÖĞR. ÜYESİ NURİ BURAK KİREMİTLER

  4. Tez No

    766673

    Developing deep learning models for protein structure prediction

    Protein yapı tahmini için derin öğrenme modellerinin geliştirilmesi

    YASİN GÖRMEZ

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZAFER AYDIN

  5. Tez No

    349839

    Durgun görüntülerden yüz ifadelerinin tanınması

    Facial expression recognition from static images

    BİLGE SÜHEYLA AKKOCA

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHİTTİN GÖKMEN

Geri Dön