Geri Dön

Derin öğrenme ile günlük aktivite ve seyahat türlerini birlikte tanıma

Activity recognition and transport mode detection using deep learning

  1. Tez No: 596966
  2. Yazar: JEMSHIT ISKANDEROV
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET AMAÇ GÜVENSAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ulaşım, Computer Engineering and Computer Science and Control, Transportation
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. 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

  1. 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

    Türkçe

    2022

    Mekatronik MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. RAŞİT KÖKER

  2. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA SERT

  3. 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

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  4. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. KEMAL ÖZKAN

  5. 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

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHADIR KARASULU