Nesnelerin interneti tabanlı galvanik deri tepkisi ölçümü ile stres tahmini
Stress prediction using internet of things-based galvanic skin response measurement
- Tez No: 933436
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN YÜKSEL, DR. HALİT ÇETİNER
- 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: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Stresin erken tespiti, zihinsel ve fiziksel sağlığın korunması açısından önemlidir. Giyilebilir cihazlarla fizyolojik veri toplama ve analiz yöntemleri yaygınlaşmaktadır. Stres seviyelerinin tahmini için biyometrik parametreler ve fizyolojik sinyaller değerlendirilerek makine ve derin öğrenme teknikleri kullanılmaktadır. Bu çalışmada, açık bir veri seti üzerinde farklı makine ve derin öğrenme algoritmalarının stres tahminindeki başarısı karşılaştırılmıştır. Kalp atışı, galvanik deri tepkisi, solunum hızı ve sıcaklık gibi fizyolojik sinyaller içeren veri seti, gradyan arttırma karar ağacı, rastgele orman ve destek vektör makinesi gibi makine öğrenmesi algoritmalarıyla analiz edilmiştir. Sonuçlar, radyal tabanlı fonksiyon çekirdeğine sahip destek vektör makinesinin diğer algoritmalara kıyasla daha iyi performans gösterdiğini ortaya koymuştur. Ayrıca, tekrarlayan sinir ağı, uzun kısa süreli bellek, geçit yinelemeli hücreler ve dikkat katmanına sahip hibrit model gibi derin öğrenme algoritmaları test edilmiştir. Performans değerlendirmesi sonucunda, dikkat katmanına sahip önerilen hibrit modelin, stres tahmininde ortalama mutlak hata metriği açısından diğer yöntemlerden daha üstün olduğu görülmüştür. Çalışmanın sonuçları, giyilebilir cihazlarla stres takibinin mümkün olduğunu ve bu teknolojinin bireysel sağlık yönetimi sistemlerine entegre edilebileceğini ortaya koymaktadır. Gelecekteki çalışmalarda, daha geniş ve özgün veri setleri kullanılarak optimize edilmiş farklı derin öğrenme tekniklerinin uygulanması ve çok modlu biyofizyolojik veri entegrasyonu ile stres tahmin performansının artırılması hedeflenmektedir. Bu sayede mevcut çalışmaların daha ileriye taşınabileceği öngörülmektedir.
Özet (Çeviri)
Early detection of stress is important for the protection of mental and physical health. Physiological data collection and analysis methods with wearable devices are becoming widespread. Machine and deep learning techniques are used to estimate stress levels by evaluating biometric parameters and physiological signals. In this study, the success of different machine and deep learning algorithms in stress estimation was compared on an open dataset. The dataset containing physiological signals such as heart rate, galvanic skin response, respiratory rate and temperature was analysed with machine learning algorithms such as gradient descent decision tree, random forest and support vector machine. The results showed that the support vector machine with radial basis function kernel performed better than other algorithms. In addition, deep learning algorithms such as recurrent neural network, long short-term memory, gate recurrent cells and hybrid model with attention layer were tested. As a result of the performance evaluation, it was seen that the proposed hybrid model with attention layer was superior to other methods in terms of mean absolute error metric in stress estimation. The results of the study reveal that stress monitoring is possible with wearable devices and that this technology can be integrated into individual health management systems. In future studies, it is aimed to apply different deep learning techniques optimized using larger and more original data sets and to increase stress prediction performance by integrating multi-modal biophysiological data. In this way, it is anticipated that current studies can be carried further.
Benzer Tezler
- Fog computing-based real-time emotion recognition using physiological signals
Fizyolojik sinyaller ile sis hesaplama tabanlı gerçek zamanlı duygu tanıma
ÖMÜR FATMANUR ERZURUMLUOĞLU
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Nesnelerin interneti tabanlı mobil hasta takip sistemi
Internet of things based mobile patient tracking system
SAMET YUCA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜCEL KOÇYİĞİT
- Nesnelerin interneti tabanlı ağlardaderin öğrenme ile saldırı tespiti
Deep learning based attack detection in internet ofthings networks
NADİR CAN KAVKAS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
- Nesnelerin interneti tabanlı akıllı sera tasarımı ve geleneksel sera ile karşılaştırılması
Internet of things based smart greenhouse design and comparison with traditional greenhouses
SAMET TEKEŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKırklareli ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZLEM AYTEKİN
- Nesnelerin interneti tabanlı varlık takip sistemi tasarımı ve uygulaması
Design and implementation of asset tracking system based on internet of things
NUŞİN AKRAM
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı
DOÇ. DR. ORHAN DAĞDEVİREN