Geri Dön

Human activity recognition with wireless sensor networks using machine learning

Kablosuz algılayıcı ağlar ile makıne öğrenmesi kullanarak insan aktivitesi anlama

  1. Tez No: 387373
  2. Yazar: HANDE ALEMDAR
  3. Danışmanlar: PROF. DR. CEM ERSOY
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2015
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 153

Özet

Otomatik insan davranışı tanıma, akıllı evler, sağlık izleme uygulamaları ve acil durum servisleri gibi birçok çevresel zeka uygulaması için önemlidir. Sağlık izleme sistemlerini sürdürülebilir yapmak için insan aktivitelerinin otomatik olarak algılandığı akıllı ortamlara ihtiyaç vardır. İnsan davranışlarını anlamak için, akıllı ortamlardan toplanan veriler üzerinde makine öğrenmesi yöntemlerini kullanabiliriz ancak bu yöntemler işaretlenmiş eğitim kümelerine ihtiyaç duyarlar. Bu kümeleri oluşturmak insan çabası gerektirdiğinden pahalıdır. Ayrıca, insan faaliyetlerinin karmaşık yapısı, onları doğru bir şekilde modellemeyi zorlaştırır. Hiyerarşik modeller daha doğru temsil için bir çare olabilir, ancak uygun karmaşıklık düzeylerini bulmak kolay değildir. Son olarak, otomatik insan davranışı izleme sistemlerini dünya ölçeğinde uygulanabilir kılmak için model davranışını her farklı evin sakinlerinin davranışlarını yansıtacak şekilde ayarlamak gereklidir. Her ev için haftalarca eğitim kümesi toplamaktansa, zaman içinde sadece en çok bilgi içeren noktalar için etiket toplayarak, etiketleme eforunu azaltırken öğrenme yönteminin yararlılığını artıracak bir mekanizma geliştirilebilir. Bu tezde, (i) tüm araştırmacılara açık, karşılaştırma amacıyla kullanılabilir veri kümeleri oluşturarak, (ii) makine öğrenmesi modelinde, her aktiviteye özel olarak hiyerarşi seviyesi belirlemek için bir yöntem önererek, (iii) farklı yaklaşımların ve modellerin değerlendirilmesini, alanın özel ihtiyaçlarını gözetecek şekilde geliştirerek, (iv) evde birden fazla kişinin yaşadığı durumları kullanıcılara ek yük getirmeyecek şekilde ele alan yöntemler önererek, (v) geniş ölçekli kurulumlarda etiketleme eforunu azaltmak için aktif ve yarı-denetimli öğrenme teknikleri kullanarak, yukarıda bahsedilen konuları hedef alan çalışmalar yapılmıştır.

Özet (Çeviri)

Recognizing human behavior in an automated manner is essential in many ambient intelligence applications such as smart homes, health monitoring applications and emergency services. In order to make such long term health monitoring systems sustainable, we need smart environments in which the human activities are recognized automatically. In order to infer the human behavior, we can use machine learning methods on the data collected from the smart environments but those methods require annotated datasets to be trained on. Recording and annotating such datasets are costly since they require time and human effort. Moreover, the complex nature of human activities makes it difficult to accurately model them. While hierarchical models can be a remedy for more accurate representation, finding suitable complexity levels is not a trivial task. Finally, when we deploy automatic human behavior monitoring systems on a world-wide scale, we need to fine tune the model behavior for each new house to accurately reflect the residents' behavior for that specific house. Rather than annotating a dataset consisting of several weeks of data, an algorithm can be used to decide for which point in time it would be most informative to obtain annotation in order to minimize the need for annotation and maximize the usefulness of annotation. This thesis addresses the above mentioned issues by (i) collecting publicly available benchmark datasets, (ii) proposing a methodology for incorporating a hierarchy into the model that is tailored for various activities individually, (iii) improving the ways of evaluating different approaches and models considering the domain specific needs, (iv) handling multi-resident environments in an unobtrusive manner and, (v) using active and semi-supervised learning techniques in order to reduce the annotation effort in large scale deployments.

Benzer Tezler

  1. Human activity recognition using wireless ambient sensor networks

    Kablosuz çevresel algılayıcı ağlar kullanarak insan hareketi algılama

    HALİL ERTAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CEM ERSOY

  2. Design of wearable systems for activity monitoring and their applications using neural networks and data fusion techniques

    Aktivite izleme için giyilebilir sistemlerin tasarımı ve sinir ağları ve veri füzyon teknikleri kullanılarak uygulamaları

    GÖKMEN AŞCIOĞLU

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAVUZ ŞENOL

  3. Creating a generic hand and finger gesture recognizer by using forearm muscle activity signals

    Ön kol kas hareketlerinden oluşan sinyalleri kullanarak el ve parmak işaretlerini tanıyan jenerik bir sistem geliştirme

    UMUT DEMİREL

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN HACIHABİBOĞLU

    YRD. DOÇ. DR. ELİF SÜRER

  4. Human activity monitoring and recognition with multiple wearable sensors

    İnsan aktivitesinin çoklu giyilebilir sensörlerle izlenmesi ve tanınması

    BERKAN BOSTAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAVUZ ŞENOL

  5. Makine öğrenmesi yöntemleri ile insan aktivite tespit sistemi tasarımı

    A human activity recognition system based machine learning methods

    KAZIM KIVANÇ EREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KEREM KÜÇÜK