Geri Dön

Human activity recognition using deep convolutional neural network

Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma

PDF İndir

  1. Tez No: 667902
  2. Yazar: ELİF KEVSER TOPUZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YASİN KAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 51

Özet

İnsan aktivitesi tanıma problemleri, insanların davranış kalıplarının belirlenmesi için bir kişinin günlük yaşamını kaydetme ve analiz etme süreçlerini içerir. Aktivite verilerini toplamak için video tabanlı aktivite tanıma ve sensör temelli aktivite tanıma gibi çeşitli yöntemler geliştirilmiştir. Derinlik sensörleri, giyilebilir (taşınabilir) cihazlar ve RGB kameralar aracılığıyla insanların yürüme, oturma, koşma, zıplama, merdiven inme, merdiven çıkma gibi aktivitelerini kayıt altına alınarak çalışmalar yapılmıştır. Aktivite tanıma ile özellikle sağlık, nesnelerin interneti, akıllı şehirler, taşımacılık ve güvenlik alanlarında sistemler geliştirilmiştir. Etkinlik tanıma yoluyla güvenlik izleme ve tehdit algılama için faaliyete duyarlı yaklaşımlar geliştirilmiştir. Faaliyet bazlı anormallikler izlenerek potansiyel tehditler tespit edilebilir ve uygun önlemler alınabilir. Hemen hemen birçok akıllı cihazda bulunan ivmeölçer, jiroskop ve manyetometre sensörleri sayesinde veri toplamak oldukça kolaylaşmıştır. Elde edilen verileri sınıflandırmak için ANN, CNN, RNN ve LSTM gibi derin öğrenme yöntemleri kullanılmaktadır. Araştırmamızda esas olarak sensör tabanlı aktivite tanımaya odaklandık. İvmeölçer ve jiroskop verilerinden oluşan UCI-HAR veri setindeki ham veriler kullanılarak 1 boyutlu konvülasyonel sinir ağı ile sınıflandırmalar yapıldı. Datalar üzerinde matematiksel veya istatistiksel herhangi bir öznitelik çıkarımı yapılmadı. Ham veriler median filtreleme ile filtrelenmiştir. 6, 7 ve 12 aktivite üzerinde gerçekleştirilen deneylerde sırasıyla 96.95%, 95.03% ve 93.08% sınıflandırma doğruluğu elde edilmiştir.

Özet (Çeviri)

Human activity recognition problems involve the processes of recording and analyzing a person's daily life to identify people's behavioral patterns. Various methods such as Video-Based activity recognition and Sensor-Based activity recognition have been developed to collect activity data. Studies have been carried out by recording activities such as walking, sitting, running, jumping, climbing stairs, climbing stairs by means of depth sensors, wearable (portable) devices, and RGB cameras. Systems have been developed especially in the fields of health, the internet of things, smart cities, transportation, and security with activity recognition. Activity-sensitive approaches have been developed for security monitoring and threat detection through activity recognition. By monitoring activity-based anomalies, potential threats can be identified, and appropriate precautions can be taken. Data collection has become extremely easy because of accelerometer, gyroscope, magnetometer sensors found in almost any smart device. Deep learning methods such as ANN, CNN, RNN, and LSTM are used to classify the obtained data. In our research, we mainly focused on sensor-based activity recognition. Classification tasks were done using 1-D Convolution Neural Network feeding the raw data from the UCI-HAR dataset using accelerometer and gyroscope data. Raw data filtered using Median Filter. We didn't apply any mathematical or statistical feature extraction methods to the data. For the experimental results, we implemented 6, 7, and 12 classes activity recognition, and achieved accuracies of 96.95%, 95.03%, and 93.08%, respectively.

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

    844607

    Alt ekstremite biyomekanik sinyal analiziyle derin öğrenme tabanlı insan yürüyüşü tanıma

    Human gait recognition based on deep learning using lower limb biomechanical signal analysis

    HACER KUDUZ

    Doktora

    Türkçe

    Türkçe

    2023

    Biyomühendislikİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FIRAT KAÇAR

  3. Tez No

    676266

    An efficient model for human activity recognition using convolutional neural network (CNN)

    Evrimsel sinir ağı (CNN) kullanarak insan faaliyetlerinin tanıma için etkili bir model

    HUSSEIN RIYADH HUSSEIN AL-GBURI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilim ve TeknolojiAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM

  4. Tez No

    610032

    Derin öğrenme ile insan edimlerinin tanınması

    Human action recognition using deep learning

    TAYYİP ÖZCAN

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER BAŞTÜRK

  5. Tez No

    704818

    Design of wearable systems for activity monitoring and their applications using neural networks and data fusion techniques

    Aktivite izleme için giyilebilir sistemlerin tasarımı ve sinir ağları ve veri füzyon teknikleri kullanılarak uygulamaları

    GÖKMEN AŞCIOĞLU

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAVUZ ŞENOL

Geri Dön