Geri Dön

Derin öğrenme ve tinyml ile gerçek zamanlı düşme tespiti

Real-time fall detection with deep learning and tinyml

  1. Tez No: 908938
  2. Yazar: ABDULLAH SÖKÜLMEZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ OKAN UYAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Halk Sağlığı, Mühendislik Bilimleri, Science and Technology, Public Health, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 99

Özet

Bu tez çalışması, yaşlı nüfus arasında yaygın ve ciddi bir sağlık riski olan düşmelerin gerçek zamanlı tespiti için Derin Öğrenme ve TinyML teknolojilerinin entegrasyonunu araştırmaktadır. Düşmeler, yaşlı bireyler için büyük bir sağlık tehdidi oluşturmakta olup, erken tespit edilmesi ciddi yaralanmaların önlenmesi açısından kritiktir. Bu çalışmada, düşük güç tüketen mikrodenetleyiciler üzerinde derin öğrenme modellerinin verimliliğini artırmak için TinyML teknolojisinin potansiyeli incelenmiştir. Düşme olayının yaşanması durumunu görüntü tabanlı, güvenilir, hızlı ve gerçek zamanlı olarak gömülü bir sistemde çalışarak tespit edilmesi amaçlanmıştır. Araştırma kapsamında, görüntü tabanlı düşme tespiti için Arduino Nicla Vision gömülü sistem kartı kullanılmıştır. Model, halka açık düşme veri setleri ve kişisel izinle elde edilen gerçek yaşam verileri kullanılarak eğitilmiştir. TinyML araçları ile optimize edilen model, düşük güç tüketimi ve yüksek doğruluk oranları sunarak mikrodenetleyiciye entegre edilmiştir. Modelin performansı, çeşitli senaryolar altında test edilmiş ve değerlendirilmeye alınmıştır. Deneysel sonuçlar, MobileNetV2 0.35 modeli ile FOMO (Faster Objects More Objects) algoritmalarının entegrasyonu ile oluşturulan model düşme tespiti için yüksek doğruluk oranları sağladığını göstermektedir. Model, normal hareketler için %84.1 ve düşme hareketleri için %87.7 eğitim başarı oranına ve %86.37 test doğruluk oranına ulaşmıştır. Precision, Recall ve F1 Skoru gibi performans metriklerinde yüksek değerler elde edilmiştir.Bu bulgular, FOMO MobileNetV2 0.35 modelinin düşük güç tüketimi ve yüksek doğruluğu nedeniyle gömülü sistemler için ideal bir çözüm olduğunu göstermektedir. Bu çalışmanın sonucunda, düşük maliyetli, yüksek doğrulukta, taşınabilir ve kapsamlı düşme tespit sistemlerinin geliştirilmesine yönelik önemli bir katkı sağlanması beklenmektedir. Bu, özellikle yaşlı bakımı ve evde hasta takibi gibi alanlarda önemli sosyal ve ekonomik etkilere sahip olabilir.

Özet (Çeviri)

This thesis investigates the integration of Deep Learning and TinyML technologies for the realtime detection of falls, which pose a common and serious health risk among the elderly population. Falls represent a significant threat to older individuals, and early detection is crucial for preventing severe injuries. This study explores the potential of TinyML technology to enhance the efficiency of deep learning models on low-power microcontrollers. The aim is to detect fall incidents in a reliable, fast, and real-time manner, using an embedded system based on visual input. The research involves the use of the Arduino Nicla Vision embedded system board for visual-based fall detection. The model was trained using publicly available fall datasets as well as real-life data obtained with permission. Optimized through TinyML tools, the model was integrated into a microcontroller, offering low power consumption and high accuracy rates. The performance of the model was tested and evaluated under various scenarios. Experimental results show that the model, created through the integration of the MobileNetV2 0.35 model and the FOMO (Faster Objects More Objects) algorithm, achieved high accuracy rates for fall detection. The model reached a training success rate of %84.1 for normal movements and %87.7 for fall movements, with a test accuracy rate of %86.37. High values were obtained in performance metrics such as Precision, Recall, and F1 Score. These findings demonstrate that the FOMO MobileNetV2 0.35 model is an ideal solution for embedded systems due to its low power consumption and high accuracy. In conclusion, this study is expected to make a significant contribution to the development of lowcost, highly accurate, portable, and comprehensive fall detection systems. This could have important social and economic impacts, particularly in fields such as elderly care and home-based patient monitoring.

Benzer Tezler

  1. Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers

    ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti

    MEHMET ALPEREN BAKICI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  2. A new approach for classifying maize crop diseases using IoT-based deep learning convolutional networks

    IoT tabanlı derin öğrenme evrimisel ağları kullanarak mısır ürün hastalıklarının sınıflandırılmasına yönelik yeni bir yaklaşım

    NABIL MUSTAFA OMAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. NIMA JAFARI NAVIMIPOUR

  3. Tinyml tabanlı görsel işitsel anahtar kelime tespiti

    Tinyml based audio visual keyword detection

    MEHMET TOSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMİT ERDEM

  4. Derin öğrenme ve görüntü ön işleme yöntemleri ile otomatik deri lezyonu tespiti

    Automatic skin lesion detection with deep learning and preprocessing methods

    BEHLÜL SARIKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBARS UĞUR

  5. Prediction of corona-virus infection by using deep learning and machine learning

    Derin öğrenme ve makine öğrenmeyle korona-virüs enfeksiyonunun tahmini

    LAITH IBRAHIM SALIH AL-ALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Okan Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR YILDIRIM