Geri Dön

Human activity monitoring and recognition with multiple wearable sensors

İnsan aktivitesinin çoklu giyilebilir sensörlerle izlenmesi ve tanınması

  1. Tez No: 842028
  2. Yazar: BERKAN BOSTAN
  3. Danışmanlar: DOÇ. DR. YAVUZ ŞENOL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 66

Özet

Bilgisayar ve sensör teknolojisindeki ilerlemelerle birlikte, insan aktivitesi tanıma saglık, spor ve gözetim gibi birçok ara ̧stırma alanında büyüyen bir ilgi kazanmaktadır. ̆ ̇Insan aktivitesi tanıma; dü ̧sme tespiti, fitness takibi, ya ̧slı insanlar için rehabilitasyon izlemesi gibi alanlardan elde edilen bilgi ve uygulamalarla insan ya ̧samına katkıda bulunur. Bu amaçla, çe ̧sitli giyilebilir - sensör tabanlı aktivite tanıma sistemleri, söz konusu alanlarda insanlara yardımcı olmak için farklı aktiviteleri takip etmek ve tanımak için kullanılmı ̧stır. Bu aktivitelerden veri toplama ve çe ̧sitli yapay zeka algoritmaları aracılıgıyla i ̧sleme konusundaki geli ̧smeler sayesinde aktiviteler çok ̆ daha kolay tanımlanabilir ve degerlendirilebilir hale gelmi ̧stir. ̆ Bu çalı ̧sma, yürüme, ko ̧sma, tırmanma gibi ortak aktiviteler ile araba kullanma ve tenis oynama gibi nispeten karma ̧sık aktiviteler için farklı yapay zeka yöntemleri arasında bir kar ̧sıla ̧stırma sunmaktadır. Kablosuz sensör agı, ivmeölçer, jiroskop ve ̆ akıllı ayakkabı keçesi gibi çe ̧sitli sensörler, deneklerden veri toplamak için kullanılmı ̧stır. Sensör dügümleri, bacakların üst kısımlarına, bileklere ve tabanlara ̆ yerle ̧stirilmi ̧stir; böylece ivme, yönlendirme ve uygulanan kuvvet verileri elde edilmi ̧stir. Bu çalı ̧sma ayrıca, örnegin, bacakların ivme ve yönlendirme bilgisi yerine ̆ tabanın üzerine uygulanan kuvvet bilgisi gibi farklı veri türlerinin kullanılmasının sonuçlarını gözlemlemeyi amaçlamaktadır. Veri seti, her sensörden gelen verileri içermektedir. Sensörlerden elde edilen veriler, derin sinir agları, ̆ k-NN ve karar agacı ̆ da dahil olmak üzere çe ̧sitli makine ögrenimi algoritmalarına beslenmi ̧stir. Sonuçlar ̆ ayrı ayrı dogruluk, geri ça ̆ gırma ve F ̆ 1 metrikleri ile degerlendirilmi ̧stir. Metrikler, ̆ CNN'nin diger algoritmalardan daha iyi performans gösterdi ̆ gini ve ortalama %94.9 ̆ F1 puanıyla bu veri kümesi için en uygun algoritma oldugunu göstermektedir. ̆

Özet (Çeviri)

With the advances in computation and sensor technology, human activity recognition (HAR) is growing interest in many research areas including healthcare, sports, and surveillance. It contributes to human life with the knowledge and applications obtained from these fields such as detection of falls, fitness tracking, rehabilitation monitoring for elderly people. For this purpose, various wearable – sensor based activity recognition systems have been used for monitoring and identifying different activities in order to assist people in the aforementioned fields. Improvements on collecting data from these activities and processing via various artificial intelligence algorithms, activities are much easily identified and evaluated. This study presents a comparison between different artificial intelligence methods for common activities such as walking, running, ascending and relatively complex activities including driving a car and playing tennis. A network consisting of wireless sensors was employed to collect data from the subjects with a variety of sensors such as accelerometer, gyroscope and smart insole. The sensor nodes were placed on the thighs, ankles and soles to obtain acceleration, orientation and applied force data. This study also aims at observing the effects of utilizing different data types; for instance, information of applied force on the sole rather than information of acceleration and orientation of legs. The dataset contains the data of both inputs from each sensor. The data obtained were fed into the several machine learning algorithms, including deep neural networks, K-nearest neighbors and decision tree. The performances were separately evaluated with accuracy, recall and F1 score metrics. The results show that CNN outperformed the other algorithms and proved that CNN is the most suitable algorithm for this dataset with the average F1 score of 94.9%.

Benzer Tezler

  1. Makine öğrenmesi kullanarak insan hareketlerinin sınıflandırılması: Akıllı telefon algılayıcıları örneği

    Classification of human movements using machine learning: The example of smartphone sensors

    DINA DURAID HAQI AL-MOMAYEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. KAMİL ALAKUŞ

  2. Recognition and monitoring of human motions using RF signals

    İnsan hareketlerinin RF sinyalleri kullanarak tanımlanması ve izlenmesi

    CAN UYSAL

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiEskişehir Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANSU FİLİK

  3. Davranışsal ve fiziksel multi-biyometri ile kişi kimliklendirme ve hareket tanıma üzerine yaklaşımlar

    Approaches to person identification and motion recognition with behavioral and physical multi-biometrics

    ONUR CAN KURBAN

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM

  4. Human activity recognition using deep convolutional neural network

    Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma

    ELİF KEVSER TOPUZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Siber Güvenlik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YASİN KAYA