Makine öğrenmesi kullanarak insan hareketlerinin sınıflandırılması: Akıllı telefon algılayıcıları örneği
Classification of human movements using machine learning: The example of smartphone sensors
- Tez No: 789406
- Danışmanlar: PROF. DR. KAMİL ALAKUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Makine Mühendisliği, İstatistik, Computer Engineering and Computer Science and Control, Mechanical Engineering, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 44
Özet
Giyilebilir teknolojideki gelişmelerle birlikte ortaya çıkan cihazlar hızla gündelik hayatın bir parçası haline gelmiştir. Özellikle sahip oldukları algılayıcılar, bu cihazların kullanışlılığını artırmaktadır. İnsan Aktivitesi Tanıma (İAT), insan hareketlerinden etkilenen duyarlı sensörler kullanarak bir kişinin aktivitesini sınıflandırır. İnsan Aktivitesi Tanıma özelliğinin akıllı telefonlarda olması nedeniyle hem kullanıcıların deneyimleri hem de akıllı telefonların yeteneklerini (sensörleri) artırmaktadır ve kullanıcılar bu nedenle akıllı telefonlarını yanlarında taşırlar. Bu gerçekler İAT'ı daha önemli ve popüler hale getirmektedir. İnsan Aktivitesi Tanıma (İAT),akıllı telefonlar ve video kameralar gibi yakalama cihazlarının küresel kullanımı ve bunların insan aktivitesi verilerini yakalama yetenekleri nedeniyle birden fazla uygulamaya sahiptir. Elektronik cihazların ve uygulamalarının sayısı artmaya devam ederken, yapay zekadaki (AI) ilerlemeler, doğru tanıma ve yorumlama için derinden gizlenmiş bilgileri çıkarma becerisinde devrim yarattı. İnsan Aktivitesi Tanıma (İAT), son yirmi yılda uzaktan sağlık izleme, güvenlik ve gözetim ve akıllı ortamlar gibi uygulamalarla büyük ilgi gördü. Bu çalışma, farklı makine öğrenimi sınıflandırma yaklaşımlarını kullanan akıllı telefon sensörlerini kullanarak insan etkinliğinin tanınmasına odaklanmaktadır. Akıllı telefonlarda bulunan ivmeölçer ve jiroskop sensörlerinden alınan veriler, insan aktivitesinin tanınmasında kullanılır. Bu çalışma amacı akıllı telefonun sahip olduğu sensörlerden yararlanarak insan hareketlerinin tespit edilmesidir. Bu nedenle 18 farklı insan hareketi için algılayıcı verileri akıllı telefon aracılığı ile toplanmıştır ve oluşturulan veriler Lojistik Regresyon, Karar Ağacı, Destek Vektör Sınıflandırma ve Rasgele Orman makine öğrenmesi yöntemleri ile test edilmiş ve performansları karşılaştırılmıştır. Elde edilen sonuçlar, Karar Ağacı ve Lojistik Regresyon alt örneklemleri yaklaşık %99 doğrulukla sınıflandırabildiğini göstermektedir. Bu veri seti, akıllı telefonların ve diğer akıllı cihazların yeni etkinlikleri belirlemesini sağlayacak ve araştırmacıların pratik HAR verilerine dayalı daha ince modeller geliştirmelerine yardımcı olacaktır.
Özet (Çeviri)
Devices that emerged with the developments in wearable technology have quickly become a part of everyday life. Especially the sensors they have increase the usefulness of these devices. Human Activity Recognition (HAR) classifies a person's activity using sensitive sensors that are affected by human movements.Since the Human Activity Recognition feature is on smartphones, it increases both the users' experience and the capabilities (sensors)of the smartphones, and users carry their smartphones with them for this reason. These facts make IAT more important and popular.Human Activity Recognition (HAR) has multiple applications due to the global use of capture devices such as smartphones and video cameras and their ability to capture human activity data. As the number of electronic devices and their applications continues to grow, advances in artificial intelligence (AI) have revolutionized the ability to extract deeply hidden information for accurate recognition and interpretation. Human Activity Recognition (HAR) has received a lot of attention over the past two decades with applications such as remote health monitoring, security and surveillance, and smart environments. This study focuses on the recognition of human activity using smartphone sensors using different machine learning classification approaches. Data from accelerometer and gyroscope sensors in smartphones are used to recognize human activity. The aim of this study is to detect human movements by using the sensors of the smart phone. For this reason, sensor data for 18 different human movements were collected via smart phone and the generated data were tested with Logistic Regression, Decision Tree, Support Vector Classification and Random Forest machine learning methods and their performances were compared. The results show that Decision Tree and Logistic Regression can classify sub-samples with approximately 99% accuracy. This dataset will enable smartphones and other smart devices to identify new activities and help researchers develop finer models based on practical HAR data.
Benzer Tezler
- Akıllı cihaz algılayıcıları ile aktivite ve ulaşım türü tespiti
Activity and transportation mode detection with smart device sensors
ENSAR ARİF SAĞBAŞ
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SERKAN BALLI
- Statistical feature learning and signal generation for time-series sensor signals
Zaman serisi sensör işaretleri için öznitelik öğrenimi ve işaret üretimi
ERKAN KARAKUŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- İvme ve derinlik sensör verilerini kullanarak işbirlikçi hareket ve düşme tanıma için akıllı tekniklerin geliştirilmesi
Development of intelligent techniques for collaborative motion and fall recognition using acceleration and depth sensor data
BÜŞRAN AŞICI
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Elektromiyografi sinyallerinden altı farklı el hareketinin yapay zeka teknikleri kullanılarak sınıflandırılması
Classification of six different hand movements from electromyography signals using artifical intelligence techniques
GİZEM KÜBRA YAMAN
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RUKİYE UZUN ARSLAN
DOÇ. DR. YALÇIN İŞLER
- Hand gesture classification using features of multivariate synchrosqueezing transform based time-frequency matrix
Çok değişkenli senkron sıkıştırma dönüşümüne dayalı zaman-frekans matrisinin özelliklerini kullanarak el hareketi sınıflandırılması
LÜTFİYE SARIPINAR
Yüksek Lisans
İngilizce
2023
Bilim ve Teknolojiİzmir Katip Çelebi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONAN GÜREN