Human activity prediction using lifelogging data
Günlük yaşam verilerini kullanarak insan aktivitelerinin tahminlenmesi
- Tez No: 585012
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE AKBAŞ, PROF. DR. ADNAN YAZICI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Yaşam günlükleri, hızla gelişen teknolojiyle yeni bir ilginç alandır. İnsanlar, giyilebilir kameraları, akıllı saatleri ve akıllı telefon uygulamalarını kullanarak hayatlarının her anını kaydeder. Yaşam günlükleri, kaydedilen bu verileri oluşturur ve aktivite, vücut ölçümleri, görüntüler ve konum gibi çok modelli veriler içerir. Bu veriler, kişinin faaliyetine göre değişmektedir. Bu çalışmada, yaşam günlükleri kullanılarak insan etkinliği öğrenmesi gerçekleştirildi. NII Testbeds ve Bilgi Erişim Araştırması Topluluğu (NTCIR) yaşam kurucu veri seti seçildi. Bu veri kümesi, iki kullanıcıdan gelen yaşam boyu veriyi içerir. Çok modelli verilere sahiptir. Veri kümesi, iki kullanıcının etkinlik, biyometrik, görüntü, konum ve müzik verilerini bulundurmakta. Veri setindeki biyometrik veriler, aktivite öğrenmesi için çalışıldı. Biyometrik verilere Rastgele Orman, Karar Ağacı, K-En Yakın Komşu, Naif Bayes, Karar Destek Makineleri, Sinir Ağları gibi iyi bilinen algoritmalar uygulanmıştır. Catboost, XGBoost, LightGBM gibi bazı son teknoloji algoritmalar da aktivite öğrenmesi için biyometrik verilere uygulanmıştır. Ayrıca, bazı sentetik özellikler biyometrik veri özellikleri üzerindeki matematiksel operatörler kullanılarak üretildi, uygulanan algoritmalar ile eğitildi ve test edildi. Ayrıca, sentetik özellikleri içeren veri setindeki özellik seçiminde genetik algoritmalar kullanılmıştır. Son olarak, görüntü ve biyometrik verilerden elde edilen sonuçlar kullanılarak iki farklı geç füzyon yöntemi uygulanmıştır. Birincisi, görüntü ve biyometrik verilerin sonuçlarından en yüksek sınıf olasılık oranına sahip etkinliği seçmektir. İkincisi, faaliyet olasılıklarının görüntü ve biyometrik verilerden ayrı olarak öğrenilmiş olmasıdır. Bu puanlar birleştirildi. Daha sonra bu veriler üzerinde etkinliği daha doğru öğrenmek için yeni bir sınıflandırıcı kullanıldı. Sonuç olarak, deneylerimiz sınıflandırma temelli geç füzyonun ilk yöntemden daha iyi tahmin puanına sahip olduğunu göstermektedir. Bununla birlikte, iki geç füzyon yöntemleri, tekli öğrenme modeline kıyasla tahmin puanını 3 sınıf için 89.08\%'dan 95.29\%'a ve 16 sınıf için 60.77\%'den 88.18\%'e iyileştirmiştir.
Özet (Çeviri)
The lifelogging is an interesting new field with fast developing technology. People record every moment of their lives using wearable cameras, smartwatches and smartphone applications. The lifelogging composes this recorded data and contains multimodal data such as activity, body metrics, images and location. These data change depending on the activity of the person. In this study, the human activity learning is developed using lifelogs. The NII Testbeds and Community for Information Access Research (NTCIR) lifelogging dataset were selected. This dataset includes the lifelogging data from two users. It has multimodal data. The dataset includes activity, biometric, image, location and music data of two users. Biometric data from the dataset was studied for activity learning. Well-known algorithms such as Random Forest, Decision Tree, K-Nearest Neighbor, Naive Bayes, Support Vector Machine and Neural Network have been applied to the biometric data. Some state of art algorithms, such as Catboost, XGBoost, LightGBM, have also been applied on the biometric data for activity learning. In addition, some synthetic features were generated using mathematical operators on biometric data features, were trained and tested with applied algorithms. Furthermore, genetic algorithms have been used for feature selection on the dataset containing semi-synthetic features. Finally, two different late fusion methods were applied using the results from the image data and biometric data. The first is to select the activity with the highest class probability ratio from the results of the image and biometric data. The second is that the activity probabilities were learned separately from the images and biometric data. These scores were concatenated. Then, a new classifier was used on these data to learn the activity more accurately. As a result, our experiments show that classification based late fusion has a better prediction score than the first method. However, the two late fusion methods improved the prediction score from 89.08\% to 95.29\% for 3 classes and from 60.77\% to 88.18\% for 16 classes compared to the single learn model.
Benzer Tezler
- Görsel korteks aktivitesinden derin öğrenme yöntemi ile görüntünün tahmin edilmesi
Image prediction using deep learning methods from visual cortex activity
MUSTAFA TURNA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH OĞUZ KIZILÇAY
- 25. güneş çevrimi için doğrusal olmayan otoregresif dışsal modeller (NARX) kullanılarak güneş aktivitesi tahmini
Solar activity prediction with nonlinear autoregressive exogenous models for solar Cycle 25
MİRKAN YUSUF KALKAN
Yüksek Lisans
Türkçe
2022
Astronomi ve Uzay Bilimleriİstanbul ÜniversitesiAstronomi ve Uzay Bilimleri Ana Bilim Dalı
PROF. DR. AHMET TALAT SAYGAÇ
PROF. DR. DIAA GADELMAVLA
- Yapay zeka teknikleri ile manyetik rezonans görüntülerinden multipl skleroz hastalığının teşhisi ve gelecekteki aktivitesinin tahmini
Identification of multipl sclerosis and prediction of future activity from magnetic resonance images by artificial intelligence techniques
ZÜLEYHA YILMAZ ACAR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
- Mobil cihazlar için aktivite tanıma tabanlı adaptif kullanıcı arayüzü
Adaptive user interface for mobile devices based on activity recognition
ÖZLEM YURDAKURBAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Özellik seçimi algoritmaları kullanılarak heyelanda etkili faktörlerin belirlenmesi ve heyelan duyarlılık haritalarının üretilmesi
Determination of effective factors using feature selection algorithms and production of landslide susceptibility maps
EMREHAN KUTLUĞ ŞAHİN
Doktora
Türkçe
2017
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER
PROF. DR. TAŞKIN KAVZOĞLU