Geri Dön

Evrişimsel sinir ağı kullanarak sürekli dalga radar tabanlı el hareketi sınıflandırma

Continuous wave radar based hand gesture classification using convolutional nueral network

PDF İndir

  1. Tez No: 1025061
  2. Yazar: İSMAİL YILDIZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İBRAHİM ŞEFLEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Derin öğrenme, Makine öğrenmesi, Deep learning, Machine learning
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Temassız insan-makine etkileşim sistemleri COVID-19 salgını sonrasında hijyen kaygılarının artması, motor beceri kısıtlılığı bulunan bireyler için erişilebilirlik gereksinimi ve sanal/artırılmış gerçeklik uygulamalarının yaygınlaşmasıyla birlikte güncel araştırma alanlarının başında gelmektedir. Görüntü tabanlı sistemler aydınlatma koşullarına bağımlılık, engelleme ve mahremiyet sorunlarına sahipken; giyilebilir sensör tabanlı sistemler sürekli takılma zorunluluğu, ergonomik sınırlamalar ve maliyet açısından dezavantajlıdır. Radar tabanlı algılama aydınlatmadan bağımsız çalışabilmesi, mahremiyeti koruması, kompakt yapısı, düşük güç tüketimi ve Doppler etkisi sayesinde küçük ölçekli hareketleri yüksek hassasiyetle algılayabilmesi nedeniyle bu eksikliklere karşı güçlü bir alternatif sunmaktadır. Bu çalışmada, 24 GHz bandında çalışan K-LD7 radarı kullanılarak yedi farklı dinamik el hareketinin otomatik olarak tanınmasına yönelik bir sistem geliştirilmiştir. Tanımlanan el hareketleri yukarı, aşağı, itme, geri çekme, saat yönünde döndürme, saat yönünün tersine döndürme ve parmak şıklatma hareketlerinden oluşmaktadır. Veriler 15 katılımcı ile beş farklı iç mekân ortamında toplanmıştır. Katılımcılar 7 hareketin her bnirini 12 kez tekrar ederek toplam 1260 veri elde edilmiştir. Çalışma, makine öğrenmesi ve derin öğrenme olmak üzere iki ayrı metodoloji üzerine kurulmuştur. Makine öğrenmesi yaklaşımında ham I/Q sinyalleri çok aşamalı bir filtreleme sürecinden geçirilmiş, ardından zaman-frekans tabanlı özellikler çıkarılarak Torbalanmış ağaçlar, Destek Vektör Makinesi, K-En Yakın Komşu ve Karar ağacı algoritmaları beş katlı çapraz doğrulama ile değerlendirilmiştir. En yüksek başarımı %92,54 doğrulukla Torbalanmış ağaçlar algoritması göstermiştir. Derin öğrenme yaklaşımında ise sinyaller kısa zamanlı Fourier dönüşümü (STFT) ile spektrogramlara dönüştürülmüştür. Önerilen özgün bir CNN mimarisi ile sekiz transfer öğrenmesi modeli karşılaştırmalı olarak değerlendirilmiştir. Önerilen CNN mimarisi %98,81 doğrulukla en yüksek başarıyı elde etmiştir. Ayrıca halka açık UWB-Gestures veri seti üzerinde de gerçekleştirilen değerlendirme sonucu önerilen yaklaşım %96,67 doğruluğa ulaşmıştır. Elde edilen sonuçlar, düşük maliyetli ve kompakt radar sensörlerinin yüksek doğruluklu temassız insan-makine etkileşim sistemleri için uygulanabilir bir platform oluşturduğunu ortaya koymaktadır.

Özet (Çeviri)

Contactless human-machine interaction systems have emerged as a leading research area in recent years, driven by heightened hygiene concerns in the aftermath of the COVID-19 pandemic, the growing need for accessibility among individuals with motor impairments, and the widespread adoption of virtual and augmented reality applications. Vision-based systems suffer from dependence on lighting conditions, occlusion, and privacy concerns, while wearable sensor-based systems are disadvantaged by the requirement for continuous wear, ergonomic limitations, and cost. Radar-based sensing offers a compelling alternative to these shortcomings, owing to its illumination-independent operation, privacy-preserving nature, compact form factor, low power consumption, and ability to detect small-scale movements with high precision through the Doppler effect. In this study, a system was developed for the automatic recognition of seven distinct dynamic hand gestures using a K-LD7 radar operating in the 24 GHz band. The defined gesture set consists of upward, downward, push, pull, clockwise rotation, counter-clockwise rotation, and finger snap motions. Data were collected from 15 participants across five different indoor environments. Each participant performed 12 repetitions of each of the 7 gestures, yielding a total dataset of 1,260 samples. The study is built upon two separate methodologies: machine learning and deep learning. In the machine learning approach, raw I/Q signals were subjected to a multi-stage filtering pipeline, after which time-frequency-based features were extracted and evaluated using Bagged Trees, Support Vector Machine, K-Nearest Neighbors, and Decision Tree algorithms under five-fold cross-validation. The Bagged Trees algorithm achieved the highest performance with an accuracy of 92.54%. In the deep learning approach, signals were converted into spectrograms via the Short-Time Fourier Transform (STFT). A novel CNN architecture proposed in this work was comparatively evaluated against eight transfer learning models. The proposed CNN architecture achieved the highest accuracy of 98.81%. Additionally, evaluation conducted on the publicly available UWB-Gestures dataset yielded an accuracy of 96.67% with the proposed approach. The results demonstrate that low-cost, compact radar sensors constitute a viable platform for high-accuracy contactless human-machine interaction systems.

Benzer Tezler

  1. Tez No

    975877

    Frekans modülasyonlu sürekli dalga otomotiv radarı ve evrişimsel sinir ağı ile kentsel ormanlık alanlarda yaya tespiti ve hedef sınıflandırması

    Pedestrian detection and target classification in urban forestry environment with FMCW automotive radar and CNN

    SERDAR SARIGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiTobb Ekonomi ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İMAM ŞAMİL YETİK

    DOÇ. DR. HARUN TAHA HAYVACI

  2. Tez No

    895495

    FMCW radar verilerinin makine öğrenmesi yöntemleri ile sınıflandırılması

    Classification of targets by using FMCW radar data with machine learning methods

    EMRE CAN ERTEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. SELDA GÜNEY

  3. Tez No

    793295

    Beyin mr görüntülerini sınıflandırarak yapay sinir ağları kullanarak beyin tümörü tespiti

    Brain tumor detection using neural networks by classifying brain mri images

    AHMED M A ABUSAMRA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUAMMER AKÇAY

  4. Tez No

    849416

    Noise removal from the image using convolutional neural networks-based denoising auto encoder

    Görüntüden gürültünün kaldırılması: Konvolüsyonel sinir ağları tabanlı gürültü azaltıcı otokodlayıcı

    YOUNUS FAROOQ FAEQ CHAWARASH

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERKAN SAVAŞ

  5. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

Geri Dön