Human motion monitoring for falling detection using artificial intelligence
Başlık çevirisi mevcut değil.
- Tez No: 826004
- Danışmanlar: DOÇ. DR. DOĞU ÇAĞDAŞ ATİLLA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Hastaneler, hasta düşmeleri ve kaymaları gibi kaza olasılığını azaltmak için hastalarının eylemlerini sürekli olarak izlemelidir. İnsan faaliyetlerinin karmaşıklığı ve davranışlarının öngörülemez doğası nedeniyle insan davranışını izlemek zordur. Sonuç olarak, insan davranışını etkilemek için kullanılan statik bir bağlantı oluşturmak zordur çünkü bireylerin belirli bir olaya tepki olarak nasıl düşüneceHastaneler, hasta düşmeleri ve kaymaları gibi kaza olasılığını azaltmak için hastalarının eylemlerini sürekli olarak izlemelidir. İnsan faaliyetlerinin karmaşıklığı ve davranışlarının öngörülemez doğası nedeniyle insan davranışını izlemek zordur. Sonuç olarak, insan davranışını etkilemek için kullanılan statik bir bağlantı oluşturmak zordur çünkü bireylerin belirli bir olaya tepki olarak nasıl düşüneceklerini veya hareket edeceklerini tahmin etmek zordur. Derin öğrenme ve veri madenciliği, türbülans tahmin modellerini etkinleştirir. Sanayi çok ilerledi. Bu çalışmada, otomatik kodlama ve diğer iki yöntem kullanılarak dört hareket türbülansı türü öngörülmüştür. Doğruluğu geliştirmek için. AEC'nin tahminleri ortalama 0.01 yanlış. Sonuç olarak, 4SFNN yöntemi, verileri her bir sınıflandırıcı için dört alana böler. Sistem şimdi yüzde 98.6025 öngörüyor. Araştırmamıza göre, PSO optimizasyonu sistem performansını artırıyor. Bayesian Normalleştirme eğitimi, önerilen sistemin performansını yüzde 98,63 doğruluk ve yüzde 0,015 MAE'ye yükseltti.klerini veya hareket edeceklerini tahmin etmek zordur. Derin öğrenme ve veri madenciliği, türbülans tahmin modellerini etkinleştirir. Sanayi çok ilerledi. Bu çalışmada, otomatik kodlama ve diğer iki yöntem kullanılarak dört hareket türbülansı türü öngörülmüştür. Doğruluğu geliştirmek için. AEC'nin tahminleri ortalama 0.01 yanlış. Sonuç olarak, 4SFNN yöntemi, verileri her bir sınıflandırıcı için dört alana böler. Sistem şimdi yüzde 98.6025 öngörüyor. Araştırmamıza göre, PSO optimizasyonu sistem performansını artırıyor. Bayesian Normalleştirme eğitimi, önerilen sistemin performansını yüzde 98,63 doğruluk ve yüzde 0,015 MAE'ye yükseltti.
Özet (Çeviri)
Hospitals must continually monitor their patients' actions to lower the chance of accidents such as patient falls and slides. Human behaviour is difficult to track due to the complexity of human activities and the unpredictable nature of their conduct. As a result, creating a static link that is used to influence human behaviour is challenging since it is hard to forecast how individuals will think or act in response to a certain event. Deep learning and data mining enable turbulence prediction models. Industry progressed greatly. This study anticipated four motion turbulence types using auto encoding and two other methods. To improve accuracy. The AEC's forecasts average 0.01 inaccuracy. Consequently, the 4SFNN method divides the data into four areas for each classifier. The system now predicts 98.6025 percent. PSO optimization boosts system performance, according to our research. Bayesian Regularization training enhanced the recommended system's performance to 98.63 percent accuracy and 0.015 percent MAE.
Benzer Tezler
- Baraj güvenliği ve dolgu barajlarda sayısal analiz: İkizdere Barajı örneği
Dam safety and numerical analysis of embankment dams: The case study of İkizdere Dam
SÜLEYMAN SARAYLI
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN SÖNMEZ
PROF. DR. SEDAT SERT
- İnsan hareketi izleme teknolojilerinin karşılaştırmalı değerlendirmesi
Comparative assessment of human motion monitoring technologies
CEMAL FATİH KUYUCU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Fabrication and characterization of flexible strain sensors for wearable applications
Giyilebilir uygulamalar için esnek gerinim sensörlerinin üretimi ve karakterizasyonu
İREM YILMAZ
Yüksek Lisans
İngilizce
2025
BiyomühendislikAnkara ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET YÜKSEKKAYA
PROF. DR. HÜSNÜ EMRAH ÜNALAN
- Wireless and batteryless instant velocity sensor for certain daily motions
Bazı günlük hareketler için kablosuz ve pilsiz anlık hız sensörü
BURAK ARICIOĞLU
Yüksek Lisans
İngilizce
2014
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞENOL MUTLU
- Fabrıcatıon of 3D prınted flexıble polyurethane nanocomposıte
3b baskili esnek poliüretan nanokompozit imalati
ALİCAN MERT
Yüksek Lisans
İngilizce
2025
Polimer Bilim ve Teknolojisiİstanbul Teknik ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DOÇ. DR. BİRGÜL BENLİ