Derin öğrenme ile günlük aktivite ve seyahat türlerini birlikte tanıma
Activity recognition and transport mode detection using deep learning
- Tez No: 596966
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET AMAÇ GÜVENSAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ulaşım, Computer Engineering and Computer Science and Control, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 144
Özet
Aktivite tanıma ve seyahat türü tanıma sağlık, akıllı ortam, ulaşım planlama, trafik yönetimi gibi geniş uygulama alanına sahip önem arz eden bir konudur. Kişilerin aktivitelerinin takip edilmesi akıllı telefonların ve akıllı saatlerin yaygınlaşması ile daha kolay hale gelmiştir. Aktivite ve seyahat türü tanıma literatürde ayrı ayrı ele alınmış problemler olsa da doğası gereği bu problemleri birlikte değerlendirmek daha fazla uygulama alanına çıktı üretmeyi sağlamaktadır. Bu çalışmada bu iki konu tek bir problem olarak ele alınmıştır. Tez kapsamında akıllı telefonlarda bulunan ivme ölçer, jiroskop ve mıknatıs ölçer sensörleri kullanılarak 13 adet aktivite ve seyahat türü cihazın kişi üzerindeki konumundan bağımsız sınıflandırılmıştır. Bu aktivite ve seyahat türleri şunlardır: sabit durma, yürüme, koşma, merdiven çıkma, merdiven inme, bisiklet, motosiklet, araba, metro, tren, hızlı tren, tramvay, metrobüs. Bu tezde ham veri, istatistiksel özellikler ve Oto Kodlayıcı ile çıkartılan özellikler kullanılarak LSTM derin öğrenme yöntemi ile sınıflandırma yapılmıştır. LSTM (Long Short-Term Memory) ağıyla 16 saniyelik pencerede istatistiksel özelliklerle %86.4, ham verilerle %83.3, Oto Kodlayıcı özellikleriyle %79.3 doğruluk edilmiştir. Bu sonuçlar makine öğrenmesi yöntemleri olan Naive Bayes, Karar Ağacı, Destek Vektör Makineleri ve Rasgele Orman ile elde edilen sonuçlar ile karşılaştırılmıştır. Makine öğrenmesi yöntemleriyle sırasıyla %56.9, %71.2, %81.6 ve %83.8 doğruluk sonuçları elde edilmiştir. LSTM ile en iyi elde edilen sonuç üzerinde iyileştirme yapılarak %93.1 doğruluk elde edilmiştir.
Özet (Çeviri)
Activity recognition and travel mode detection is important topic with application areas in health, smart environment, transportation planning and traffic management domains. The recognition of human activities has become easier due to the widespread use of smartphones and smart watches. While activity recognition and travel mode detection are treated as separate problems in the literature, evaluating them together will provide solutions to wider application domains. In this paper activity recognition and travel mode detection are treated as single problem. In the scope of thesis 13 activities and travel modes are classified using accelerometer, gyroscope and magnetometer sensors that are built in smartphones. Classified activities and travel modes are still, walk, run, upstairs, downstairs, bicycle, motor, car, metro, train, HSR, tram and metrobus. In this thesis, LSTM (Long Short-Term Memory) deep learning method is trained with raw data, with 27 statistical time domain features and with features extracted by Auto Encoders. Using 16 seconds windows and LSTM, we have obtained 86.4% accuracy with time domain features, 83.3% accuracy with raw data, 79.3% accuracy with features obtained from Auto Encoder. Those results are compared with results obtained from Naïve Bayes, Decision Tree, Support Vector Machine and Random Forest machine learning methods. Accuracy results obtained from machine learning methods are %56.9, %71.2, %81.6 and %83.8 in order. 93.1% accuracy is obtained after healing of best result obtained using LSTM.
Benzer Tezler
- X-ray görüntülerinde faster R-CNN kullanılarak yasaklı nesne tespiti
Prohibited object detection using faster R-CNN in X-ray images
ÖZCAN SORGUN
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAŞİT KÖKER
- Derin öğrenme ile giyilebilir sensör tabanlı insan aktivitesi ve demografik grup tanıma
Wearable sensor-based human activity and demographic group recognition with deep learning
MEHMET ÇAĞDAŞ SAYGILI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA SERT
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Gerçek zamanlı fizyolojik sinyal verilerinin karşılaştırmalı öğrenme tekniği ile kişiselleştirilmiş anomali tespiti
Personalized anomaly detection using contrastive learning technique of real time physiological signal datas
SİNEM ŞENTEPE KÖSE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL ÖZKAN
- İnsanın günlük yaşam aktivitelerinin sınıflandırılmasında derin öğrenme modellerinin karşılaştırılması
Comparison of deep learning models in classification of human's daily life activities
İBRAHİM ALİ METİN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHADIR KARASULU