Understanding users' neuro physical conditions for minimizing human oriented risks
Kullanicilarin nöro fiizksel durumlarini anlayarak insan odakli riskleri azaltmak
- Tez No: 924079
- Danışmanlar: PROF. DR. MİTAT UYSAL, PROF. DR. SELİM AKYOKUŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Doğuş Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde akıllı cihazlar barındırdıkları sensorler vasıtasıyla kullanıcıları hakkında birçok veriyi toplamaktadırlar. Akıllı cihazları kullanan yüzmilyonlarca insan olduğu düşünüldüğünde toplanan bu veriler büyük bir IoT ağı ortaya çıkarmaktadır. Bu kadar büyük hacimli veriler, klasik veri saklama yöntemlerinin ötesinde büyük veri mimarilerine uygun bir şekilde veri merkezlerinde toplanmaktadırlar. Toplanan verinin analiz edilerek yorumlanması sonucu ortaya kullanıcılar hakkında kıymetli bilgilerin çıkartılması mümkündür. Günümüzün en aktif araştırma konularından bir tanesi duygu analizidir. Duygu analizi ile kişilerin belli konular hakkında düşünce ve duyguları anlaşılmaya çalışılır. Duygu analizinde genel yöntem metin analizi yöntemi ile kişilerin vermiş oldukları tepkileri anlamaya çalışmaktır. Bu tez kapsamında kullanıcıların duygusal durumlarının analizi farklı bir yöntem izlenerek yapılmaya çalışılmıştır. Kullanıcıların fiziksel özellikleri olan uyku, kalp atışı, hareketlilik vs. ile davranışsal özellikleri olan yazma ritmi algılama, yazı hata oranları gibi parametereleri toplanarak duygu durumlarının anlaşılmaya çalışıldığı bir model oluşturulmuştur. Çalışmanın literature en büyük katkılarından bir tanesi hem fiziksel hemde davranışsal kişi özelliklerini aynı anda analiz etmesidir. Diğer bir yenilik ise klasik makine öğrenmesi yöntemlerinin derin öğrenme algoritmaları ile birlikte kullanılarak zengin içerikli bir makine öğrenme yaklaşımının benimsenmesidir. Klasik makine öğrenme algoritmaları olarak Multinominal Naïve Bayes, Destek Vektör Regresyon, Karar Ağaçları, Rastsal Karar Ağaçları yöntemleri kullanılmıştır. Derin öğrenme algoritmaları olarak da İleri Yönlü Yapay Sinir Ağı (FFNN), Evrişimsel Sinir Ağları (CNN), Tekrarlayan Yapay Sinir Ağları (RNN), Uzun kısa-zaman hafızalı yapay sinir ağları algoritmaları (LSTM) kullanılmıştır. Sonuçlar Kollektif öğrenme (Ensemble Learning) algoritması kullanılarak tekilleştirilmiştir. Çalışma kapsamında 15 kişilik bir denek grubundan akıllı saatler ve özel bir mobil uygulama kullanılarak 1 sene boyunca bilgiler toplanmıştır. Toplanan bu bilgiler hem klasik makine öğrenmesi hemde derin öğrenme yöntemleri kullanılarak analiz edilmiştir. Analiz sonuçları algoritma bazında yorumlanmıştır.
Özet (Çeviri)
Today, smart devices are capable to collect their users' data using a variety of different sensors. Devices are usually online and they share their data using internet. This device to device communication is called as IoT (Internet of Things). IoT backbones store data in Data Centres (DC). Stored data contains valuable information about the users. Analysing the data gives detailed information about the users. In this thesis, a small model of this above IoT structure is simulated. Data is collected and emotion analysis of the users is improved by enriching the physical characteristics of users such as sleep, heartbeat, mobility, etc. with neuro physical parameters such as keystroke patterns, and keystroke error count measurement. The contribution of this work to the literature is the combine usage of physical and neuro physical parameters. Keystroke patterns, and keystroke error count measurement are studied as neuro physical parameters while sleep quality, energy, mobility/movement, and heart pulse are analysed as physical parameters. Another novelty is that the classification task is performed by both conventional(classical) machine learning algorithms and deep learning models to analyse the emotion of the users. For this purpose, feedforward neural network (FFNN), convolutional neural network (CNN), recurrent neural network (RNN), and long short-term neural network are employed as deep learning methodologies while multinomial naive Bayes (MNB), support vector regression (SVR), decision tree (DT), random forest (RF), and decision integration strategy (DIS) are evaluated as conventional machine learning algorithms. To the best of our knowledge, this is the very first attempt to analyse the neuro physical conditions of the users by evaluating deep learning models for sensitivity analysis and enriching physical characteristics with neuro physical parameters. The dataset is collected with the usage of smart devices and sensors from the users during one-year time period. Experimental results demonstrate that the utilization of deep learning methodologies and the combination of both physical and neuro physical parameters enhance the classification success of the system to interpret the sensitivity of the users. A wide range of comparative and extensive experiments show that the proposed model exhibits noteworthy results compared to the state-of-art studies.
Benzer Tezler
- İsmayıl Hakkı Baltacıoğlu'nun kültür ve eğitim kavramı üzerine bir inceleme
An Examination of the concepts of culture and education of Ismayıl Hakkı Baltacıoğlu
ABDULLAH DİKİCİ
- Ulaştırma modelinin optimum dağıtımda kullanılması ve şeker fabrikalarında bir uygulama
Utilizing the transportation model in optimum dispersion and an application in the sugar factories
HÜSEYİN DELİBAŞ
