Radar kullanarak insan aktivitesi tanıma
Human activity recognition using radar
- Tez No: 1025204
- Danışmanlar: PROF. DR. LEVENT SEYFİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektromanyetik Alanlar ve Mikrodalga Tekniği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Milimetre dalga Frekans Modülasyonlu Sürekli Dalga radar tabanlı insan aktivitesi tanıma alanındaki mevcut çalışmalar; model merkezli paradigmanın hâkimiyeti, sinyal kalitesinin sistematik olarak değerlendirilmemesi, gizlilik güvencesinin tasarım düzeyinde ele alınmaması, uçta bilişim uyumsuzluğu ve elektronik harp koşullarındaki dayanıklılığın araştırılmaması gibi beş temel araştırma boşluğunu barındırmaktadır. Bu tezde söz konusu boşluklar, 60 – 64 GHz bandında çalışan IWR6843ISK milimetre dalga Frekans Modülasyonlu Sürekli Dalga radar sensörüyle farklı Vücut Kitle Endeksi ve yaş profillerine sahip on gönüllüden derlenen 240 ölçümlük dengeli bir veri seti üzerinde yürütülen beş sistematik araştırma aşamasıyla ele alınmaktadır. Birinci aşamada, altı farklı statik gürültü giderme yönteminin sınıflandırma başarımı üzerindeki etkisi karşılaştırmalı olarak incelenmiş; Tekil Değer Ayrışımı tabanlı uyarlanabilir filtrelemenin aktivite imzası gözlemlenebilirliğini en etkin biçimde koruduğu gösterilmiş ve Menzil-Zaman ile Doppler-Zaman haritası füzyonuyla birleştirildiğinde Doğrusal Destek Vektör Makinesi ile Tek-Özne-Bırak protokolü altında %89,58 sınıflandırma doğruluğu elde edilmiştir. İkinci aşamada, Kısa Süreli Fourier Dönüşümü, Sürekli Dalgacık Dönüşümü ve Wigner-Ville Dağılımı'nın üç özgün derin öğrenme mimarisiyle çapraz değerlendirmesi gerçekleştirilmiş; Sürekli Dalgacık Dönüşümü'nün logaritmik ölçek çarpıtmasının mimari genellemeyi bozduğu kanıtlanmış ve Wigner-Ville Dağılımı ile geniş alıcı alanlı mimari kombinasyonunun %80,42 doğrulukla bu aşamanın taban çizgisini oluşturduğu gösterilmiştir. Üçüncü aşamada, Tekil Değer Ayrışımı filtreli Menzil-Zaman ve Doppler-Zaman füzyonu üzerine inşa edilen, Sıkıştırma-ve-Uyarım dikkat mekanizmasıyla güçlendirilmiş dört başlıklı birçok görevli derin öğrenme mimarisi olan RadarResNet-Füzyon önerilmiştir. Mimari, Tek-Özne-Bırak protokolü altında %97,08 eylem tanıma doğruluğu elde ederken kimlik tahmin başarımını matematiksel olarak sıfırlamakta, düşme sınıfında ise %100 kesinlik ve duyarlılık sağlamaktadır. Dördüncü aşamada, Doğrusal Diskriminant Analizi aracılığıyla 50.176 boyutlu özellik uzayı iki boyuta indirgenerek %88,8 genel doğruluk, 59 kilobayt model boyutu ve 3,79 milisaniye çıkarım süresiyle 419 kat sıkıştırma oranı gerçek zamanlı gömülü uygulanabilirlik kapsamında doğrulanmıştır. Beşinci aşamada ise Sayısal Radyo Frekansı Hafıza tabanlı Menzil Kapısı Çekme ve Hız Kapısı Çekme taarruzları sentetik olarak modellenmiş, önerilen mimarinin ağır elektronik harp koşulları altında temiz kalan sensör kanalına odaklanarak işlevselliğini koruduğu ve k-En Yakın Komşu algoritmasının 17,9 kilobayt bellek ayak izi ile uçta yapay zekâ konseptine en uygun profili sergilediği kanıtlanmıştır. Elde edilen bulgular, veri merkezli sinyal işleme yaklaşımının model karmaşıklığını artırmaktan çok daha verimli bir strateji sunduğunu ortaya koymakta; tek bir platform ve veri seti üzerinde sistematik biçimde tasarlanan beş araştırma aşamasının birbirini tamamlayan tutarlı bir bütün oluşturduğunu göstermektedir.
Özet (Çeviri)
Existing studies on millimeter-wave Frequency Modulated Continuous Wave radar-based human activity recognition harbor five fundamental research gaps: the dominance of a model-centric paradigm, the lack of systematic signal quality evaluation, the failure to address privacy preservation at the design level, incompatibility with edge computing constraints, and unexplored robustness under electronic warfare conditions. This thesis addresses these gaps through five systematically designed research phases conducted on a balanced dataset of 240 measurements collected from ten volunteers with diverse Body Mass Index and age profiles using a 60–64 GHz IWR6843ISK millimeter-wave Frequency Modulated Continuous Wave radar sensor. In the first phase, the effect of six static clutter removal methods on classification performance is comparatively investigated; Singular Value Decomposition-based adaptive filtering is demonstrated to preserve motion signature observability most effectively, achieving 89.58% classification accuracy with a Linear Support Vector Machine under the Leave-One-Subject-Out protocol when combined with Range-Time and Doppler-Time map fusion. In the second phase, a cross-evaluation of the Short-Time Fourier Transform, Continuous Wavelet Transform, and Wigner-Ville Distribution against three custom deep learning architectures is conducted; it is proven that the logarithmic scale distortion of the Continuous Wavelet Transform degrades architectural generalization, and the combination of the Wigner-Ville Distribution with a wide-receptive-field architecture establishes the phase baseline at 80.42% accuracy. In the third phase, RadarResNet-Fusion — a four-headed multi-task deep learning architecture built on Singular Value Decomposition-filtered Range-Time and Doppler-Time fusion and enhanced with a Squeeze-and-Excitation attention mechanism — is proposed; it achieves 97.08% action recognition accuracy under the Leave-One-Subject-Out protocol while mathematically reducing identity prediction to zero and attaining 100% precision and recall for the fall class. In the fourth phase, the 50,176-dimensional feature space is compressed to two dimensions via Linear Discriminant Analysis, yielding 88.8% overall accuracy, a 59-kilobyte model footprint, and a 3.79-millisecond inference latency with a 419-fold compression ratio, confirming real-time embedded deployability. In the fifth phase, Digital Radio Frequency Memory-based Range Gate Pull-Off and Velocity Gate Pull-Off jamming attacks are synthetically modeled; it is demonstrated that the proposed architecture maintains functionality under severe electronic warfare conditions by focusing on the uncorrupted sensor channel, with the k-Nearest Neighbor algorithm exhibiting the most edge-compatible profile at 17.9 kilobytes. The findings demonstrate that the data-centric signal processing approach offers a substantially more efficient strategy than increasing model complexity, and that the five research phases — systematically designed on a single platform and dataset — form a coherent and mutually reinforcing body of work.
Benzer Tezler
- Human activity classification with deep learning using FMCW radar
FMCW radar datası kullanılarak derin öğrenme ile insan etkinliği sınıflandırılması
MERT EGE
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER MORGÜL
- Statistical feature learning and signal generation for time-series sensor signals
Zaman serisi sensör işaretleri için öznitelik öğrenimi ve işaret üretimi
ERKAN KARAKUŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Çekirdeksiz kuru üzümde uygulanan politikanın Ege Bölgesinde üretim ve üretici açısından sonuçlarının değerlendirilmesi
Başlık çevirisi yok
GÜVEN ÖZERİN
- Banka kredilerinin ekonomide yarattıkları etkiler
Başlık çevirisi yok
NİHAL ÜÇSU
Yüksek Lisans
Türkçe
1987
Ekonomiİstanbul Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. HAYRİ ERDOĞAN ALKİN