Geri Dön

Activity recognition invariant to position and orientation of wearable motion sensor units

Giyilebilir hareket algılayıcı ünitelerinin konum ve yönlerinden bağımsız olarak aktivite tanıma

PDF İndir

  1. Tez No: 549700
  2. Yazar: ARAS YURTMAN
  3. Danışmanlar: PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 179

Özet

İnsan aktivitelerinin tanınması bağlamında giyilebilir hareket algılayıcı ünitelerinin yerleşimine karşı değişmezlik elde eden yöntemler öne sürülmektedir. İlk olarak, algılayıcı ünitelerinin yönlerine yoğunlaşılarak ünitelerin takılış yönünün etkisini ham algılayıcı verilerinden çıkaran üç alternatif dönüşüm geliştirilmektedir. Yönden-bağımsız dönüşümlerin ilk ikisi, ölçümlerin geometrisine dayanırken, üçüncüsü, algılayıcı verilerinin fiziksel özellikleri kullanılarak algılayıcı ünitelerinin dünyanın koordinat sistemine göre yönlerinin kestirimini esas almaktadır. Bu yöntemler, birden fazla güncel makine öğrenme sınıflandırıcısı ile (mümkün olduğunda) herkese açık, çeşitli aktivite tiplerini içeren ve farklı algılayıcı düzenleşimleriyle elde edilmiş olan beş veri kümesi kullanılarak değerlendirilmiştir. Alışılagelmiş sistem, yanlış yönlü algılayıcılarla baş edemezken, bu yöntemlerin, algılayıcı yönlerinin doğru olduğu referans sistemle benzer başarım elde ettiği gösterilmiştir. Üçüncü dönüşümün başarımını arttırmak için, algılayıcı verilerinin fiziksel ve geometrik özelliklerine dayanan, algılayıcı üniteleri için yenilikçi ve yinelemesiz bir yön kestirim yöntemi de öne sürülmektedir. Algılayıcı düzenleşimleri, beden hareketleri ve sınıflandırma yöntemi ile ilgili herhangi bir varsayımda bulunulmadığı için, yönden-bağımsız yöntemlerin üçü de, var olan giyilebilir sistemlerin ön-işleme aşamalarına kolayca dahil edilebilir. İkinci olarak, algılayıcı ünitelerinin konumlandırılmasına karşı üç farklı şekilde değişmezlik elde eden yöntemler geliştirilmektedir: (1) Her bir giyilebilir ünitenin önceden belirlenmiş bir beden parçası üzerinde herhangi bir konuma yerleştirilmesine izin vermek için algılayıcı verilerine uygulanan iki farklı dönüşüm öne sürülmektedir. (2) Kullanıcının, üniteleri yerleştirmeden önce birbirinden ayırt etmesine gerek kalmaması için, ünitelerin değiş tokuş edilebilmelerine izin veren bir dönüşüm öne sürülmektedir. (3) Öğrenme verileri birden fazla konuma yerleştirilmiş birden fazla üniteden elde edilen veriler içermesine karşın, aktiviteleri tek bir algılayıcı ünitesine dayanarak sınıflandırabilen üç farklı yöntem kullanılmaktadır. Daha fazla gürbüzlük elde etmek için (1)'deki yöntem, (2) ile ve ayrıca (3) ile birleştirilmektedir. Önerilen yöntemler, yedi güncel sınıflandırıcı kullanılarak herkese açık bir veri kümesi üzerinde gerçeklenmiş ve sağlanan esneklik düşünüldüğünde başarımdaki düşüşün kabul edilebilir olduğu değerlendirilmiştir. Son olarak, konum ve yönden bağımsız yöntemler, bu iki önemli özelliğin aynı anda sağlanabilmesi için tümleştirilmiştir. Başarım değerleri, doğru biçimde takılmış olan algılayıcı ünitelerinin başarımından daha düşük olsa da, rastgele karar verme stratejisine göre çok daha yüksektir. Algılayıcı ünitelerinin yerleşimi ve sınıflandırma başarımı arasındaki ödünleşime göre, farklı uygulamalar için farklı yöntem seçimleri yapılabilmektedir.

Özet (Çeviri)

We propose techniques that achieve invariance to the placement of wearable motion sensor units in the context of human activity recognition. First, we focus on invariance to sensor unit orientation and develop three alternative transformations to remove from the raw sensor data the effect of the orientation at which the sensor unit is placed. The first two orientation-invariant transformations rely on the geometry of the measurements, whereas the third is based on estimating the orientations of the sensor units with respect to the Earth frame by exploiting the physical properties of the sensory data. We test them with multiple state-of-the-art machine-learning classifiers using five publicly available datasets (when applicable) containing various types of activities acquired by different sensor configurations. We show that the proposed methods achieve a similar accuracy with the reference system where the units are correctly oriented, whereas the standard system cannot handle incorrectly oriented sensors. We also propose a novel non-iterative technique for estimating the orientations of the sensor units based on the physical and geometrical properties of the sensor data to improve the accuracy of the third orientation-invariant transformation. All of the three transformations can be integrated into the pre-processing stage of existing wearable systems without much effort since we do not make any assumptions about the sensor configuration, the body movements, and the classification methodology. Secondly, we develop techniques that achieve invariance to the positioning of the sensor units in three ways: (1) We propose transformations that are applied on the sensory data to allow each unit to be placed at any position within a pre-determined body part. (2) We propose a transformation technique to allow the units to be interchanged so that the user does not need to distinguish between them before positioning. (3) We employ three different techniques to classify the activities based on a single sensor unit, whereas the training set may contain data acquired by multiple units placed at different positions. We combine (1) with (2) and also with (3) to achieve further robustness to sensor unit positioning. We evaluate our techniques on a publicly available dataset using seven state-of-the-art classifiers and show that the reduction in the accuracy is acceptable, considering the flexibility, convenience, and unobtrusiveness in the positioning of the units. Finally, we combine the position- and orientation-invariant techniques to simultaneously achieve both. The accuracy values are much higher than those of random decision making although some of them are significantly lower than the reference system with correctly placed units. The trade-off between the flexibility in sensor unit placement and the classification accuracy indicates that different approaches may be suitable for different applications.

Benzer Tezler

  1. Tez No

    542575

    Human activity recognition using deep learning

    Derin öğrenme ile insan aktivitesi tanıma

    MURAT YALÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

  2. Tez No

    822382

    A method for group activity recognition in volleyball videos with extensions to domain generalization

    Alan genelleştirme uzantılarıyla voleybol videolarında grup aktivite tanıma için bir yöntem

    BERKER DEMİREL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN

  3. Tez No

    457168

    Immunotherapeutic action of extracellular vesicles and effects of TLR signaling to immune dysfunction of SCI patients

    Hücredışı keseciklerin immünoterapötik etkinlikleri ve TLR yolaklarının omurilik hasarlı hastalarda görülen immün disfonksiyona etkileri

    GÖZDE GÜÇLÜLER

    Doktora

    İngilizce

    İngilizce

    2017

    Biyolojiİhsan Doğramacı Bilkent Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    PROF. DR. İHSAN GÜRSEL

  4. Tez No

    323702

    Fiziksel çevre - çocuk ilişkileri, açık oyun mekanları ve çocuk dostu çevre kriterleri üzerine bir değerlendirme; bakırköy ve beylikdüzü örnekleri

    Physical environment ? child relations , outdoor play spaces and criterias of child-friendly environment; bakirköy & beylikdüzü samples

    FÜSUN SELÇUK KİRAZOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    YRD. DOÇ. DR. İPEK AKPINAR

  5. Tez No

    647534

    Recognition and monitoring of human motions using RF signals

    İnsan hareketlerinin RF sinyalleri kullanarak tanımlanması ve izlenmesi

    CAN UYSAL

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiEskişehir Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANSU FİLİK

Geri Dön