Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması
Creating cloud computing based wearable motion diagnostic system with data mining techniques
- Tez No: 727088
- Danışmanlar: DOÇ. DR. ESMA UZUNHİSARCIKLI, DOÇ. DR. AHMET TURAN ÖZDEMİR
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Giyilebilir Sensörler, İnsan Düşme Algılama, İnsan Etkinliği Tanıma, Sensör ve Eksen Tipi Kombinasyonları, Makine öğrenmesi, Derin öğrenme, IoT, Wearable Sensors, Human Fall Detection, Human Activity Recognition, Combinations of Sensor and Axis Types, Machine learning, Deep learning, IoT
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 215
Özet
Sensör tabanlı aktivite tanıma, günlük yaşamı kolaylaştırıcı yararlı etkileri ve insan merkezli oluşu nedeniyle sağlık alanında anahtar bir paradigma olarak kabul edilmektedir. Aktivite tanımada kullanılan ivmeölçer (A), jiroskop (G) ve manyetometre (M) gibi vücuda konumlandırılan sensörler, geleneksel ve gelişmiş tekniklerle sınıflandırmadaki başarımı arttırmak, aktivite türlerini günlük yaşama uygun olarak belirlemek ve takip sistemini geliştirmek amacı ile kullanılmaktadır. Nesnelerin interneti (IoT) teknolojilerini destekleyen ucuz ve giyilebilir cihazlar, mobil uygulamalarla birlikte aktivitelerin takibini ortam bağımsız bir konuma taşımaktadır. Buradan hareketle tez kapsamında Motion Tracker Wireless (MTw) ticari ürünü kullanılarak 20 düşme ve 16 günlük yaşam aktivitesi (GYA) 14 gönüllüden (7 Kadın ve 7 Erkek) elde edilmiştir. Bu deneyde 2520 testlik bir veri seti oluşturulmuştur. Çalışmayı bir üst düzeye taşıyan, IoT yaklaşımını destekleyen, düşük maliyetli, ortamdan tam bağımsız ve özgün tasarımlı bir Aktivite Takip Cihazı (ATC) geliştirilmiştir. Bu cihazla 7 düşme ve 8 GYA, 30 gönüllüden (15 Kadın ve 15 Erkek) toplanmış ve 1350 testlik ikinci bir veri seti elde edilmiştir. Aktivite takip yaklaşımını anlamak ve başarımını arttırmak için bu iki veri seti karşılaştırmalı ve sistematik olarak incelemeye sunulmuştur. Bu bağlamda ilk olarak aktivite takipte kullanılan sistemler ve verilerden özellik çıkarımı, sonraki başlıklarda geleneksel (11 makine öğrenme modeli) ve gelişmiş (3 derin öğrenme modeli) tanıma tekniklerinin tüm metodolojisi açıklanmıştır. Çalışmanın devamında aktivite tanıma başarımını arttırmak, tahmin süresini kısaltmak ve aktivite tanımadaki etkisini görmek için sensör (A, G, M) ve eksen (Ax, Ay, Az, Gx, Gy, Gz, Mx, My, Mz) kombinasyonları kullanılmıştır. Üç sensörün 7, dokuz eksenin 72 çapraz kombinasyonu ile toplamda 79 farklı eğitim veri seti üretilmiştir. Bu verisetlerinden düşme sezme ve aktivite tanıma olmak üzere iki farklı yaklaşımla günlük aktivitelerin daha doğru tahmin edilmesi hedeflenmiştir. Son olarak, performans metrikleri gözetilerek başarılı sonuçlar incelenmiştir. Gelecekte geliştirilecek düşük işlem kapasiteli IoT teknolojilerinin, zamansal dinamikler ve önemli özelliklerini otomatik olarak çıkarabilen derin mimariler yardımıyla günlük yaşamı destekleyecek gerçek dünya senaryolarında kullanılabileceği sonucuna ulaşılmıştır.
Özet (Çeviri)
Sensor-based activity recognition is accepted as a key paradigm in the field of health due to its beneficial effects that facilitate daily life and its human-centeredness. Body-mounted sensors such as accelerometer (A), gyroscope (G) and magnetometer (M) used in activity recognition are used to increase the performance in classification with traditional and advanced techniques, to determine the activity types in accordance with daily life and to improve the tracking system. Inexpensive and wearable devices that support the Internet of Things (IoT) technologies, together with mobile applications, carry the tracking of activities to an environment-independent position. From this point of view, within the scope of the thesis, 20 falls and 16 activities of daily living (ADL) were obtained from 14 volunteers (7 Women and 7 Men) using the Motion Tracker Wireless (MTw) commercial product. In this experiment, a data set of 2520 tests was created. A low-cost, environment-independent and uniquely designed Activity Tracker (ATC), which takes the work to the next level and supports the IoT approach, has been developed. With this device, 7 falls and 8 ADLs were collected from 30 volunteers (15 Females and 15 Males) and a second dataset of 1350 tests was obtained. In order to understand the activity tracking approach and increase its performance, these two data sets were presented for comparative and systematic review. In this context, firstly, the systems used in activity tracking and feature extraction from the data, and the whole methodology of traditional (11 machine learning models) and advanced (3 deep learning models) recognition techniques are explained in the following titles. In the continuation of the study, sensor (A, G, M) and axis (Ax, Ay, Az, Gx, Gy, Gz, Mx, My, Mz) combinations were used to increase the activity recognition performance, shorten the estimation time and see the effect on activity recognition. A total of 79 different training data sets were produced with 7 cross combinations of three sensors and 72 cross combinations of nine axes. It is aimed to estimate daily activities more accurately with two different approaches, namely drop detection and activity recognition, from these datasets. Finally, successful results were examined by considering performance metrics. It has been concluded that the low processing capacity IoT technologies that will be developed in the future can be used in real-world scenarios that will support daily life with the help of temporal dynamics and deep architectures that can automatically extract important features.
Benzer Tezler
- Implementation of data mining techniques in cloud computing
Bulut bilişimde veri madenciliği tekniklerinin geliştirilmesi
PELİN YILDIRIM
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DERYA BİRANT
- Web portallarında kullanıcı davranışlarının yerinde tespiti ve web madenciliğinde kullanımı için yenilikçi bir yaklaşım
An innovative approach for on-premises detection of user behaviors on web portals and its use in web mining
ÖZKAN CANAY
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. ÜMİT KOCABIÇAK
- Bulut bilişim sistemlerinde eşle/indirge yöntemi uygulanarak veri madenciliği yazılım çatısının geliştirilmesi
Development of data mining software framework by using map/reduce method in cloud computing systems
FERHAT ÖZGÜR ÇATAK
Doktora
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. MEHMET ERDAL BALABAN
- Geniş ölçekli veriler üzerinde sınıflandırma ve bölütleme amaçlı evrişimsel sinir ağı ve istatistiksel modellerin geliştirilmesi
Development of convolutional neural network and statistical models for classification and segmentation on large-scale data
NURULLAH ÇALIK
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Predicting software vulnerabilities using topic modeling with issues
Konu modelleme yöntemi ile yazılım güvenlik açıklarını tahmin etme
FATMA GÜL BULUT
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN