Recognition and classification of human activities using wearable sensors
Giyilebilir duyucularla insan aktivitelerinin algılanması ve sınıflandırılması
- Tez No: 313525
- Danışmanlar: PROF. DR. BİLLUR BARSHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Fiziksel Tıp ve Rehabilitasyon, Mühendislik Bilimleri, Electrical and Electronics Engineering, Physical Medicine and Rehabilitation, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bölümü
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 132
Özet
Farklı türde giyilebilir algılayıcılar kullanarak insan aktivitelerinin sezimi ve sınıflandırılması ele alınmaktadır. Tezin ilk bölümünde, etiket tabanlı, radyo frekansına dayalı bir konumlama sistemi ile insan aktivitesi tanımada çeşitli yöntemlerin kullanımı karşılaştırmalı olarak sunulmuştur. İnsan bedeninin farklı bölgelerine yerleştirilen etiketlerin konumları, eşzamansız ve farklı aralıklarla örneklenmiş olarak elde edilmektedir. Bu verilere uyarlanan eğriler, düzgün örneklenmiş ve bölütlenmiştir. İlgili sistem parametrelerinin sistem başarımına etkisi incelenmiştir. Çeşitli eğri uyarlama, bölütleme ve sınıflandırma yöntemleri karşılaştırılmış ve en iyi başarımı veren katışım sunulmuştur. Sınıflandırıcılar, iki farklı bağımsız geçerlilik sınaması yöntemiyle değerlendirilmiştir. 11 sınıftan oluşan sınıflandırma probleminde, sırasıyla P-bölmeli ve birini dışarıda bırak bağımsız geçerlilik sınamaları kullanıldığında ortalama sınıflandırma hataları %8.67 ve %21.30 olarak elde edilmiştir. Geçiş sınıfları dışarıda bırakılarak elde edilen beş sınıflı sınıflandırma probleminde ise, bu hatalar %1.12 ve %6.52'ye düşmektedir. Etiket-tabanlı konumlama sistemlerinin çok hassas konum ölçümleri sağlamamasına karşın sonuçlar, sistemin kabul edilebilir bir sınıflandırma başarımı sunduğunu göstermektedir.İkinci bölümde, insan bedeninin beş noktasına yerleştirilmiş, her biri üç eksenli ivmeölçer, dönüölçer ve manyetometre içeren beş duyucu ünitesinden 19 farklı günlük aktivite sırasında elde edilen veriler, katılımcılar arası ve aktiviteler arası farklılıkları çeşitli yöntemlerle hesaplamak için kullanılmıştır. İşaretlerin karşılaştırılması için mutlak, Öklit ve dinamik zaman bükmesi (DZB) uzaklıkları kullanılmıştır. Karşılaştırmalar, zaman bölgesindeki veri ve öznitelik vektörleri kullanılarak yapılmıştır. Farklı düzgeleme yöntemleri kullanılmış ve karşılaştırılmıştır.“En iyi”katılımcı, diğer katılımcılara olan ortalama uzaklığa dayalı olarak tanımlanmış ve saptanmıştır. Bu kısımda önerilen benzerlik ölçütlerinden biri seçilerek, eylemsizlik duyucuları ve manyetometreler kullanılarak fizik tedavi egzersizlerini sezen ve değerlendiren özerk bir sistem geliştirilmiştir. DZB yöntemine dayanarak belirli ölçüde bozuluma izin vererek, uzun bir işaretin (fizik tedavi seansı) içinde bir ya da birden fazla şablon işaretin (fizik tedavi hareketkeri) bütün olagelişlerini sezen bir algoritma öne sürülmüştür. Bu algoritma, yürütümleri egzersiz hareketlerinden birisi olarak sınıflandırmakta, doğru/yanlış olarak değerlendirmekte ve eğer varsa yapılan hatanın türünü belirtmektedir. Algoritmanın fizik tedavideki başarımını belirlemek için, beş katılımcı tarafından yürütülen sekiz egzersiz hareketinin üç farklı yapılış biçiminin her biri için bir şablon ve on test yürütümünden oluşan ve böylece eğitim ve test veri kümelerinde sırasıyla 120 ve 1,200 egzersiz yürütümü ile test işaretlerinde birçok boş zaman aralığı içeren bir veri kümesi kaydedilmiştir. Öne sürülen algoritma, bütün test kümesinde 1,125 yürütüm sezmiştir. Yürütümlerin %8.58'i sezilememiş, boş aralıkların %4.91'i yanlışlıkla yürütüm olarak sezilmiştir. Başarım, egzersiz ayırt etmede %93.46, hem egzersiz hem de yapılış şekli ayırt etmede %88.65'tir. Geliştirilen sistem, hem fizik tedavi seansının yoğunluğunu kestirmek için, hem de egzersiz yürütümlerini değerlendirerek hastaya ve uzmana geribildirim vermek için kullanılabilir.
Özet (Çeviri)
We address the problem of detecting and classifying human activities using two different types of wearable sensors. In the first part of the thesis, a comparative study on the different techniques of classifying human activities using tag-based radio-frequency (RF) localization is provided. Position data of multiple RF tags worn on the human body are acquired asynchronously and non-uniformly. Curves fitted to the data are re-sampled uniformly and then segmented. The effect of varying the relevant system parameters on the system accuracy is investigated. Various curve-fitting, segmentation, and classification techniques are compared and the combination resulting in the best performance is presented. The classifiers are validated through the use of two different cross-validation methods. For the complete classification problem with 11 classes, the proposed system demonstrates an average classification error of 8.67% and 21.30% for 5-fold and subject-based leave-one-out (L1O) cross validation, respectively. When the number of classes is reduced to five by omitting the transition classes, these errors become 1.12% and 6.52%. The system demonstrates acceptable classification performance despite that tag-based RF localization does not provide very accurate position measurements.In the second part, data acquired from five sensory units worn on the human body, each containing a tri-axial accelerometer, a gyroscope, and a magnetometer, during 19 different human activities are used to calculate inter-subject and inter-activity variations in the data with different methods. Absolute, Euclidean, and dynamic time-warping (DTW) distances are used to assess the similarity of the signals. The comparisons are made using time-domain data and feature vectors. Different normalization methods are used and compared. The“best”subject is defined and identified according to his/her average distance to the other subjects. Based on one of the similarity criteria proposed here, an autonomous system that detects and evaluates physical therapy exercises using inertial sensors and magnetometers is developed. An algorithm that detects all the occurrences of one or more template signals (exercise movements) in a long signal (physical therapy session) while allowing some distortion is proposed based on DTW. The algorithm classifies the executions in one of the exercises and evaluates them as correct/incorrect, identifying the error type if there is any. To evaluate the performance of the algorithm in physical therapy, a dataset consisting of one template execution and ten test executions of each of the three execution types of eight exercise movements performed by five subjects is recorded, having totally 120 and 1,200 exercise executions in the training and test sets, respectively, as well as many idle time intervals in the test signals. The proposed algorithm detects 1,125 executions in the whole test set. 8.58% of the executions are missed and 4.91% of the idle intervals are incorrectly detected as an execution. The accuracy is 93.46% for exercise classification and 88.65% for both exercise and execution type classification. The proposed system may be used to both estimate the intensity of the physical therapy session and evaluate the executions to provide feedback to the patient and the specialist.
Benzer Tezler
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Cihaz sensörleri ile insan aktivitelerine dayalı makine öğrenmesi
Machine learning based on human activities with device sensors
MUHAMMED YUSUF UYSAL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNA APAK
- Makine öğrenmesi kullanarak insan hareketlerinin sınıflandırılması: Akıllı telefon algılayıcıları örneği
Classification of human movements using machine learning: The example of smartphone sensors
DINA DURAID HAQI AL-MOMAYEZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. KAMİL ALAKUŞ
- A memory efficient novel deep learning architecture enabling diverse feature extraction on wearable motion sensor data
Giyilebilir hareket algılayıcıları verisi ile kapsamlı öznitelik çıkarma sağlayan bellek verimli yenilikçi bir derin öğrenme mimarisi
ENES KOŞAR
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ
- Activity recognition invariant to position and orientation of wearable motion sensor units
Giyilebilir hareket algılayıcı ünitelerinin konum ve yönlerinden bağımsız olarak aktivite tanıma
ARAS YURTMAN
Doktora
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ