Geri Dön

Derin öğrenme ile giyilebilir sensör tabanlı insan aktivitesi ve demografik grup tanıma

Wearable sensor-based human activity and demographic group recognition with deep learning

PDF İndir

  1. Tez No: 843663
  2. Yazar: MEHMET ÇAĞDAŞ SAYGILI
  3. Danışmanlar: DOÇ. DR. MUSTAFA SERT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Başkent Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 120

Özet

Teknolojinin ilerlemesiyle birlikte, giyilebilir mobil cihazların kullanımı, özellikle sağlık ve günlük aktivite takibi alanlarında önemli bir yer edinmiştir. Bu cihazlardan toplanan veriler, hastalıkların erken teşhisinde kritik bir rol oynamaktadır. Ayrıca, giyilebilir sensör teknolojileri, kullanıcıların aktivite, cinsiyet ve yaş aralığı sınıflandırması yaparak daha kişiselleştirilmiş sağlık bilgisi izleme potansiyeline sahiptir. Bu sayede, bireyin yaş ve cinsiyetine özgü sağlık ihtiyaçlarına etkin bir şekilde yanıt verilebilir ve kişisel sağlık yönetimi daha verimli hale getirebilir. Bu tezde, giyilebilir mobil cihazlar aracılığıyla toplanan veri kümeleri üzerinde insan aktivite tanıma ve demografik grup sınıflandırma problemleri ele alınmaktadır. Problemlerin çözümü için, Naive Bayes, Rastgele Orman, k En Yakın Komşu (kNN), Evrişimsel Sinir Ağları (CNN), Tekrarlayan Sinir Ağı (RNN), Uzun-Kısa Süreli Bellek (LSTM) ve dönüştürücü (Transformer) sınıflandırıcı algoritmaları tasarlanmış ve başarımları detaylı olarak analiz edilmiştir. Analizler sonucunda, LSTM, CNN ve Dönüştürücü modellerin başarımları nedeniyle, bu modellerin dikkat-tabanlı füzyonuna dayalı yeni melez bir model önerilmiştir. Geliştirilen model, mevcut literatürde yer alan yöntemlerle karşılaştırıldığında, insan aktiviteleri ile cinsiyet ve yaş gruplarının sınıflandırılmasında önemli ölçüde iyileşme sağlamıştır. Bu tez çerçevesinde yürütülen deneysel çalışmalarda, çeşitli hiperparametrelerin sınıflandırma performansı üzerindeki etkileri analiz edilmiştir. Tez kapsamında tasarlanan sınıflandırıcılar HPAwIO, MHEALTH, UCI-HAR veri kümeleri üzerinde değerlendirilmiştir. Önerilen füzyona dayalı dikkat-tabanlı model, HPAwIO veri kümesi üzerinde iç ve dış mekan aktivite sınıflandırmasında %85.15, cinsiyet sınıflandırmasında %84.04 ve yaş aralığı sınıflandırmasında %80.54 gibi ortalama doğruluk oranları elde etmiştir. Ayrıca, bu model MHEALTH veri kümesinde gerçekleştirilen aktivite sınıflandırma çalışmalarında %85.35, UCI-HAR veri kümesinde ise %86.07 gibi başarı oranlarına ulaşmıştır. Bu sonuçlar, modelin sınıflandırma görevlerindeki etkinliğini ve genelleştirilebilirliğini göstermektedir, ayrıca modelin farklı veri kümeleri ve senaryolar üzerindeki adaptasyon kabiliyetini ortaya koymaktadır.

Özet (Çeviri)

With the advancement of technology, the use of wearable mobile devices, especially in the fields of health and daily activity tracking, has gained significant importance. The data collected from these devices play a crucial role in the early diagnosis of diseases. Moreover, wearable sensor technologies have the potential to offer more personalized health information monitoring by classifying user activities, gender and age range. This enables an effective response to the specific health needs of individuals based on their age and gender, making personal health management more efficient. This thesis addresses the problems of human activity recognition and demographic group classification on datasets collected through wearable mobile devices. To solve these problems, Naive Bayes, Random Forest, k-Nearest Neighbors (kNN), Convolutional Neural Networks (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), and Transformer classification algorithms were designed and their performances were analyzed in detail. As a result of the analysis, due to the success of LSTM, CNN, and Transformer models, a new hybrid model based on an attention-based fusion of these models is proposed. The developed model has significantly improved the classification of gender and age groups in human activities compared to the methods present in the current literature. In the experimental studies conducted within the scope of this thesis, the effects of various hyperparameters on classification performance have been analyzed. The classifiers designed within the scope of the thesis were evaluated on HPAwIO, MHEALTH, and UCI-HAR datasets. The proposed fusion-based attention-based model achieved average accuracy rates of 85.15% in indoor and outdoor activity classification, 84.04% in gender classification, and80.54% in age range classification on the HPAwIO dataset. Additionally, this model attained success rates of 85.35% in activity classification on the MHEALTH dataset and 86.07% onthe UCI-HAR dataset. These results demonstrate the effectiveness and generalizability of the model in classification tasks, as well as its adaptability across different datasets and scenarios.

Benzer Tezler

  1. Tez No

    736325

    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

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  2. Tez No

    542575

    Human activity recognition using deep learning

    Derin öğrenme ile insan aktivitesi tanıma

    MURAT YALÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

  3. Tez No

    667902

    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

  4. Tez No

    727088

    Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması

    Creating cloud computing based wearable motion diagnostic system with data mining techniques

    ERHAN KAVUNCUOĞLU

    Doktora

    Türkçe

    Türkçe

    2022

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESMA UZUNHİSARCIKLI

    DOÇ. DR. AHMET TURAN ÖZDEMİR

  5. Tez No

    844607

    Alt ekstremite biyomekanik sinyal analiziyle derin öğrenme tabanlı insan yürüyüşü tanıma

    Human gait recognition based on deep learning using lower limb biomechanical signal analysis

    HACER KUDUZ

    Doktora

    Türkçe

    Türkçe

    2023

    Biyomühendislikİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FIRAT KAÇAR

Geri Dön