Giyilebilir düşme sezme sistemlerinde ataletsel ve magnetik algılayıcıların sınıflandırma performansına etkilerinin incelenmesi
The investigation of the effect of inertial and magnetic sensors to classification performance in wearable fall detection system
- Tez No: 557013
- Danışmanlar: DOÇ. DR. AHMET TURAN ÖZDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Düşme tespit, yaşlılık, makine öğrenmesi, sınıflandırma, giyilebilir teknolojiler, Fall detection, aging, machine learning, classification, wearable technology
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Gelişmiş ve gelişmekte olan ülkelerde yaşlıların sayısı ve oranı her geçen yıl artmaktadır. Yaşlılıkla birlikte gelişen fizyolojik ve psikolojik yetersizliklerden dolayı pek çok hastalık ortaya çıkmaktadır. Düşme, yetersizlikler ve hastalıklar ile çevredeki engellerin birleşmesi sonucunda istemsizce vücudun yere ya da daha aşağısına gelme olayı olarak tanımlanır. Bu durumun başlıca etkileri; yaşlılarda düşme korkusuyla sosyal hayattan uzaklaşma, ağır yaralanmalar ve hatta ölümle sonuçlanma olarak verilebilir. Yaşlılarda düşmelerin erken tespiti, kişinin hızlıca tıbbi yardım alacağını bilmesini sağlayarak psikolojik olarak güvende hissetmesini sağladığı gibi tıbbi uygulama giderlerini de önemli ölçüde azaltmaktadır. Düşmelerin tespiti yaşlılarda yaşam kalitesinin artırılması ve yaşlanan nüfusla paralel olarak artan önlenebilir sağlık harcamalarının azaltılması için elzemdir. Görüntüleme veya akıllı ortamlar gibi farklı düşme tespit yöntemleri bulunmakla birlikte, giyilebilir yöntemler kullanıcıya önemli avantajlar sağlamaktadır. Örneğin ortam sınırlaması olmaksızın her yerde kullanılabilme, kolay&ucuz kurulum ve kişisel mahremiyetten ötürü daha kullanışlı ve tercih edilebilirdir. Düşme tespit sistemlerinde verilerin işlenmesi için günümüzde oldukça popüler olan yapay zekâ uygulamalarından makine öğrenmesi algoritmaları sıklıkla kullanılmaktadır. Bu tez çalışmasında giyilebilir sensörler ile donatılmış 7 erkek ve 7 kadın olmak üzere toplam 14 gönüllü ile 16'sı günlük hareket ve 20'si düşme şeklinde toplam 36 hareket 5'er tekrar ile kayıt altına alınmıştır. Sensörden toplanan ham verilere en yüksek ivmelenme noktası tespit edilerek önişlem uygulanmış bu sayede ivmeölçer, jiroskop ve manyetometre verileri oluşturulmuştur. Bu verilere ait farklı öznitelikler çıkartılmış ve ivme-jiroskop-manyetometre (AGM), ivme-jiroskop (AG), ivme-manyetometre (AM) ve ivme (A) olacak şekilde dört farklı veri seti elde edilmiştir. Makine öğrenmesinin gözetimli öğrenme türünden sınıflandırıcılara ait algoritmaların parametreleri değiştirilerek veri setleri üzerinde denenmiştir. Hangi veri setinin hangi sınıflandırıcı ile birlikte en yüksek doğruluğu yakaladığının belirlenmesi amaçlanmış ayrıca sınıflandırıcıların çözümlemede harcadığı süreler de hesaplanmıştır. En yüksek doğruluk AGM veri setinde kübik destek vektör makineleri (KDVM) sınıflandırıcısı ile elde edilmiştir. KDVM algoritması AGM veri setinde 36 hareketi %95,48 oranında doğruluk ile ayırt etmiş, düşme olup olmadığını ise %99,6 oranında doğruluk ile tespit etmiştir. KDVM algoritması ile AG veri setinde 36 hareket %93,21 oranında düşme %99,64 oranında, AM veri setinde 36 hareket %94,52 oranında düşme %99,6 oranında ve A veri setinde 36 hareket %90,39 oranında düşme ise %99,88 oranında doğruluk ile başarılı bir şekilde tahmin edilmiştir.
Özet (Çeviri)
The number and proportion of elderly people are increasing each year in developed and developing countries. Many diseases occur due to physiological and psychological deficiencies along with aging. Fall is defined as an event that body coming of the body to the ground or below as a result of carelessness and deficiencies. Main results of this situation is that; going away from social life due to the fear of falling, severe injuries and even death in elderly people. Early detection of fall in the elderly enables making feel safe as they already know that they can get medical help quickly and also it decreases the medical care expenses. Fall detection is very important to improve the quality of life in the elderly and to decrease the preventable health expenses that increase with the growing elderly population. Although there are different fall detection methods, such as imaging or smart environments, wearable methods provide major advantages to the user. Wearable methods more useful and preferable because they can be used everywhere without any limitation about ambient and personal privacy. Moreover, they are simple and cheap installation. Machine learning algorithms that are one of the very popular applications of artificial intelligence are used very often to fall detection. In this study, 14 volunteers as 7 males and 7 females are equipped with wearable sensors. They made 36 different motions as 16 daily motions and 20 fall motions and repeated these motions them 5 times. The raw data obtained from the sensor preprocessed using the highest acceleration data then acceleration, gyroscope and magnetometer data obtained. Various features of the obtained data were extracted and four different data sets as acceleration-gyroscope-magnetometer (AGM), acceleration-gyroscope (AG), acceleration-magnetometer (AM) and acceleration (A) were created. Data sets have been tried by changing the characteristics of algorithms used in classifiers of supervised learning of machine learning. The aim was o find out which class of data capture the highest accuracy with which classifier also the time spent by classifiers in the analysis was calculated. The highest accuracy was achieved with cubic support vector machine classifier in (AGM) data set. This classifier was estimated 95,48% accuracy rate at 36 motion and 99,6% accuracy rate at fall or not fall in AGM dataset, 93,21% accuracy rate at 36 motion and 99,64% accuracy rate at fall or not fall in AG dataset, 94,52% accuracy rate at 36 motion and 99,6% accuracy rate at fall or not fall in AM dataset, 90,39% accuracy rate at 36 motion and 99,88% accuracy rate at fall or not fall in A dataset.
Benzer Tezler
- Wavelet transform based fall detection using wearable accelerometers
Giyilebilir ivmeölçer kullanılarak dalgacık dönüşümü tabanlı düşme sezme
GÖKHAN REMZİ YAVUZ
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. CEM ERSOY
- Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması
Creating cloud computing based wearable motion diagnostic system with data mining techniques
ERHAN KAVUNCUOĞLU
Doktora
Türkçe
2022
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESMA UZUNHİSARCIKLI
DOÇ. DR. AHMET TURAN ÖZDEMİR
- Gait analysis and fall risk assessment with wearable inertial sensors
Giyilebilir hareket algılayıcıları ile yürüme analizi ve düşme riski değerlendirmesi
CAN TUNCA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEM ERSOY
- Yaşlıların düşme tespiti ve bilgilendirme sistemi tasarımı
Fall detection and notification system design for elderly people
FİKRİ ELMAS
Yüksek Lisans
Türkçe
2017
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. SERKAN TÜRKELİ
- Fall detection and classification using wearable motion sensors
Giyilebilir hareket algılayıcılarıyla düşme sezimi ve sınıflandırması
MUSTAFA ŞAHİN TURAN
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ