Derin öğrenme ve makine öğrenmesi yöntemlerini entegre eden hibrit modeller ile insan aktiviteleri sınıflandırması
Human activity classification with hybrid models integrating deep learning and machine learning methods
- Tez No: 931118
- Danışmanlar: PROF. DR. İBRAHİM ALPER DOĞRU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Giyilebilir sensörler nesnelerin interneti cihazlarının kullanımının yaygınlaşması ile birlikte, insan aktivitelerini sınıflandırmak ve anlamak önemli bir araştırma alanı haline gelmiştir. Ancak bu alanda büyük ve karmaşık veri setleriyle çalışmak, manuel özellik çıkarımı gibi zaman alıcı süreçler nedeniyle zorluklar oluşmaktadır. Çalışmanın odak noktası hem derin öğrenme hem de makine öğrenmesi yöntemlerini birleştirerek bu zorlukların üstesinden gelmektir. Derin öğrenme tekniklerinin otomatik özellik çıkarma yeteneğini, makine öğrenmesinin güçlü sınıflandırma yetenekleriyle bir araya getiren hibrit bir model önerilmektedir. Önerilen hibrit yaklaşımda, derin öğrenme yöntemleri ESA-ÇYUKSB sensör sinyallerinden özellik çıkarımı yaparken, DVM yöntemi sınıflandırma sürecini gerçekleştirmektedir. Bu çalışmada, ivmeölçer ve jiroskop sensör verilerinden elde edilen insan aktivitelerini içeren KU-HAR ve MHEALTH veri setleri kullanılmıştır. Deneysel sonuçlar, önerilen ESA-ÇYUKSB-DVM modelinin insan aktivitelerini sınıflandırmada KU-HAR veri setinde %99,82 doğruluk ve F1 skoru, MHEALTH veri setinde ise %99,86 doğruluk ve F1 skoru ile yüksek performans gösterdiğini ortaya koymaktadır. Ayrıca, önerilen hibrit modelin yanı sıra, farklı derin öğrenme modelleri ve makine öğrenmesi yöntemleri ile yapılan deneysel çalışmalar ile kapsamlı bir analiz sunmaktadır. Bu çerçevede, önerilen modelin diğer yöntemlere göre avantajları ve kısıtları detaylı bir şekilde ele alınmıştır. Bu araştırma, İAT alanında geleneksel ve yenilikçi yöntemlerin birleştirilmesiyle elde edilen hibrit modelin, sınıflandırma konusunda literatüre yeni bir perspektif sunma potansiyeline sahiptir. Her iki veri setinde de elde edilen sonuçlar, bu yaklaşımın etkinliğini ve genel uygulanabilirliğini ortaya koymaktadır.
Özet (Çeviri)
With the widespread use of wearable sensors and IoT devices, classifying and understanding human activities has become an important research area. However, in this area, working with large and complex data sets poses challenges due to time-consuming processes such as manual feature extraction. The focus of the study is to overcome these challenges by combining both deep learning and machine learning methods. A hybrid model is proposed that combines the automatic feature extraction capability of deep learning techniques with the powerful classification capabilities of machine learning. In the proposed hybrid approach, deep learning methods extract features from CNN-BiLSTM sensor signals, while the SVM method performs the classification process. In this study, KU-HAR and MHEALTH data sets containing human activities obtained from accelerometer and gyroscope sensor data were used. Experimental results show that the proposed CNN-BiLSTM-SVM model shows high performance in classifying human activities with 99.82% accuracy and F1 score on the KU-HAR dataset and 99.86% accuracy and F1 score on the MHEALTH dataset. In addition, a comprehensive analysis is presented with experimental studies conducted with different deep learning models and machine learning methods as well as the proposed hybrid model. In this framework, the advantages and limitations of the proposed model compared to other methods are discussed in detail. This research has the potential to offer a new perspective to the literature on classification with the hybrid model obtained by combining traditional and innovative methods. The results obtained on both datasets reveal the effectiveness and general applicability of this approach.
Benzer Tezler
- Improving time series forecasts through predictive error compensation and deep feature fusion
Tahmı̇nsel hata telafı̇sı̇ ve derı̇n öznitelik füzyonu yoluyla zaman serı̇sı̇ tahmı̇nlerı̇nı̇n gelı̇ştı̇rı̇lmesı̇
MUHAMMED ENES BAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Elektrikli araçların kullanıcı tercihlerine göre sınıflandırılması: hibrit bir yaklaşım
Classification of electric vehicles based on user preference: a hybrid approach
MEHMET DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques
Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri
KÜBRA KÜLLAHCI
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK