Performance evaluation of classification methods for online activity recognition on smart phones
Sınıflandırma yöntemlerinin akıllı telefonlar üzerinde çevrimiçi eylem tanıma için başarım değerlendirmesi
- Tez No: 325531
- Danışmanlar: PROF. CEM ERSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
İnsan eylemlerinin görsel ve hareket algılayıcı verileri ile tanınması konusu hareketli ve sürekli/yaygın hesaplama alanında çalışılan güncel araştırma konularından biri olarak yer almaktadır. Bu konu, temel olarak, farklı algılama teknolojileri kullanılarak insan eylemleri ile ilgili veri toplanmasını ve toplanan veri ile eylemlerin sınıflandırılmasını içermekte, aynı zamanda sağlık, destekli yaşam, spor ve eğlence gibi uygulama alanlarını hedeflemektedir. Bu alanda pek çok araştırma olmasına rağmen, mevcut sınıflandırıcıların başarımlarını karşılaştıran ve aynı zamanda eylemleri çevrimiçi eğitim ve sınıflandırma yöntemleri ile tanımlayan çok az örnek çalışma bulunmaktadır. Bu tezin amacı, insan eylemlerinin akıllı telefonlar üzerindeki ivmeölçer algılayıcısı kullanılarak tanınmasıdır. Amacımız, yürüme, koşma, oturma, ayakta durma, bisiklete binme gibi temel insan hareketlerinin telefon üzerinde veri işlenmesi ile sınıflandırılmasıdır. Literatürde yer alan çalışmalardan farklı olarak, veri toplama, eğitim kümesi modelleme ve aktivite sınıflandırması çevrimiçi olarak yapılmaktadır. Bunun yanında, Naif Bayes, kümelenmiş KNN ve Karar Ağacı sınıflandırma algoritmalarının çevrimiçi başarımları karşılaştırılmıştır. Bu amaçla hedeflediğimiz telefon modelleri ile uyumlu bir Android uygulaması geliştirilmiş ve literatürde yer alan çalışmalardan farklı olarak, birden fazla telefon modeli ile performans değerlendirmesi yapılmıştır. Sınıflandırma algoritmalarının başarımları, farklı deneklerle test edilmiş ve sonuçlara göre, kümelenmiş KNN tekniği diğer sınıflandırma algoritmalarını doğruluk ve çalışma süresi açısından daha yüksek başarım sergilemiştir. Ayrıca, örnekleme zamanı, pencere büyüklüğü ve bunun gibi önemli sistem parametrelerinin başarım üzerindeki etkisi de incelenmiştir.
Özet (Çeviri)
Human activity recognition using sensory data has become an active field of research in the domain of pervasive and mobile computing. It involves the use of different sensing technologies to automatically collect and classify user activities for different application domains. In fact, smart phones with their sensing capabilities can also be used as a platform for human activity recognition. Although many studies have been introduced so far, there are few which consider online training and classification of activities as well as evaluating the online performance of existent classifiers. In this thesis, our aim is to analyse the performance of different classification methods for online activity recognition on smart phones using the built-in accelerometers considering important limitations of the phones, such as battery usage and limited computational power. For this purpose, we developed a mobile application on Android platform which performs online classification. We conducted experiments to investigate the performance of the system under the effect of several important factors including sampling rate and window size on several Android smart phones. The tests are performed on different subjects for activities of walking, running, sitting, standing and biking. We evaluated the performance of the activity recognition system using the Naive Bayes classifier, and next we utilized Clustered KNN and Decision Tree algorithms. According to the results, Naïve Bayes provides not satisfactory results whereas Clustered KNN gives promising results compared to the previous studies and even with the ones which consider offline classification. Additionally, Decision Tree results are also comparable with the results of Clustered KNN.
Benzer Tezler
- Akıllı cihaz algılayıcıları ile aktivite ve ulaşım türü tespiti
Activity and transportation mode detection with smart device sensors
ENSAR ARİF SAĞBAŞ
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SERKAN BALLI
- El yaralanmalarında kullanılan ölçme ve değerlendirme yöntemlerine profesyonellerin ve el yaralanması olan bireylerin bakış açısının değerlendirilmesi
Evaluation of professionals and individuals with hand injuries' perspective on measurement and evaluation methods used for hand injuries
SUZAN KAYA EVSEN
Yüksek Lisans
Türkçe
2020
ErgoterapiHacettepe ÜniversitesiErgoterapi Ana Bilim Dalı
PROF. DR. ÇİĞDEM ÖKSÜZ
- İş ve Sosyal Güvenlik Hukuku bakımından dijital platform çalışanlarının hukuki statüsü
Legal status of digital platform workers in terms of Labour and Social Security Law
HAZAL TOLU YILMAZ
- Sentiment analysis and classification of tweets based on machine learning
Makine öğrenimine göre tweetlerin duygu analizi ve sınıflandırılması
FIRAS FADHIL SHIHAB SHIHAB
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DURSUN EKMEKCİ
- Congestion and packet classification based flow management for software-defined networks
Yazılım tanımlı ağlarda tıkanıklık ve paket sınıflandırmaodaklı akış yönetimi
MERTKAN AKKOÇ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK