Konvolusyonel Yapay Sinir Ağları Kullanarak Ataletsel Ölçüm Birimi Tabanlı Hareket Analizinde Veri Çoğaltma
Data augmentation in motion analysis based on inertial measurement units by using convolutional neural networks
- Tez No: 689291
- Danışmanlar: PROF. DR. HALUDUN AKPINAR
- Tez Türü: Yüksek Lisans
- Konular: Spor, Sports
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Beden Eğitimi ve Spor Ana Bilim Dalı
- Bilim Dalı: Sporda Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 66
Özet
Amaç: Hareket analizinde kullanılan ataletsel ölçüm birimleri, üç boyutlu lineer ivmelenme ve açısal hızlarını dolaylı yoldan ölçmektedir. Veri çoğaltma, eldeki sınırlı mevcut verilerin dönüştürülerek yeni verilerin oluşturulması işlemidir. Bu çalışmada, çeşitli veri çoğaltma teknikleri kullanılarak veri çoğaltma işlemi gerçekleştirilmiş ve tekniklerin hareket analizinde uygulanabilirliği araştırılmıştır. Gereç ve yöntem: Çalışmaya, HugaDB veri tabanında bulunan koşma ve yürüme aktivitelerine ait ataletsel ölçüm birimi sinyalleri dâhil edilmiştir. Matlab kullanılarak dalga bozulumu, ölçeklendirme, rotasyon, permutasyon, genlik çarpıtma, kırpma, ölçeklendirme ve dalga bozulumu, ölçeklendirme ve permutasyon, permutasyon ve kırpma teknikleri veri tabanındaki koşma ve yürüme sinyallerine uygulanmış ve konvolusyonel sinir ağı üzerinden sonuçlar değerlendirilmiştir. Bulgular: Bu çalışma sayesinde, koşma verisine ait 12 ölçüm 1104 ölçüme; yürüme verisine ait 87 ölçüm 8004 ölçüme çoğaltılmıştır. HugaDB veri tabanında koşma ve yürüme aktiviteleri %97,978 (+/-0,003) doğruluk oranı ile ölçülmüştür. Ölçeklendirme tekniği ile elde edilen türev veri tabanın doğruluk oranının (%98,790), HugaDB veri tabanından (%97,978) daha yüksek olduğu ölçümlenmiştir. En düşük doğruluk oranı dalga bozulumu tekniği (%95,760) uygulanmış türev veri tabanında elde dilmiştir. Sonuç: Konvolusyonel sinir ağı kullanılarak gerçekleştirilen hareket analizde veri tabanını çoğaltmak için ölçeklendirme, kırpma, permutasyon ve dalga bozulumu gibi farklı teknikler bir arada veya ayrı olarak uygulanabilir. Ölçeklendirme ve kırpma teknikleri literatürde belirtilenin aksine daha düşük bir doğruluk oranı sağlamaktadır. Konvolusyonel sinir ağı modelleri kullanılarak veri analizinde veri çoğaltma modelleri amaca ve ihtiyaca uygun olarak denenerek tespit edilmesi önem arz etmektedir.
Özet (Çeviri)
Objective: Relatively low-cost inertial measurement units are used to measure articular kinematics. The purpose of this study is to develop a database, which size is suitable to apply in convolutional neural networks (CNN) by applying various data augmentation techniques. Material and methods: The signals are the part of HuGaDB database. Wave distortion (jittering), scaling, rotation,permutation, magnitude warping, cropping, scaling and jittering, scaling and permutation, permutation and cropping techniques were applied to running and walking signals by using Matlab and the results were evaluated over convolutional neural network.Results: In this study, 12 measurements of running data and 87 measurements of walking data were augmented to 1104 and 8004 measurements respectively. The CNN model was measured to be able to detect running and walking activities in the HuGaDB database with an accuracy rate of 97.978% (+/- 0.003). For scaling technique, the accuracy rate (98.790%) of the derivative database obtained with the CNN model was measured higher than the original database (97.978%). The lowest accuracy rate was obtained in the derivative database where the jittering technique (95.760%) was applied.Conclusion: Different techniques such as scaling, cropping, permutation and jittering can be applied together or separately to reproduce the database in motion analysis. Scaling and cropping techniques were found to have a lower accuracy rate than stated in the literature. It is important to determine data replication models in data analysis using CNN models by testing them in accordance with the purpose and needs.
Benzer Tezler
- Semantic segmentation of RGBD videos with recurrent fully convolutional neural networks
RGBD videoların özyinelemeli tamamen konvolüsyonel yapay sinir ağları ile semantik bölütlenmesi
EKREM EMRE YURDAKUL
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜCEL YEMEZ
- Silah seslerinin konvolüsyonel yapay sinir ağları ile sınıflandırılması ve atıcı konum tespitinin yapılması
Classification of weapon sounds with convolutional neural networks and detection of shooter location
İLYAS ÖZER
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ FINDIK
- Position detection for arbitrary-oriented ships in satellite imagery via convolutional neural network
Kesinlikle yönlenen gemiler için uydu görüntüsünde konvolusyonel sinir ağlarıyla konum tespiti
OTHMAN MOHAMMED AYOOB AYOOB
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEVCAN KAHRAMAN
- Manipulation of visually recognized objects using deep learning
Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi
ERTUĞRUL BAYRAKTAR
Doktora
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR BOYRAZ
- Target aware visual object tracking
Hedef farkındalığıyla görsel nesne takibi
CANER ÖZER
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU