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: Derin öğrenme, Makine öğrenmesi, Stres yönetim teknikleri, Tahminleme, Deep learning, Machine learning, Techniques of the stress management, Forecasting
- 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: Belirtilmemiş.
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
- Nesnelerin interneti tabanlı sürücü durumu tespiti
Driver status detection based on internet of things
AHMET SUSAR
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. NURSEL AKÇAM
- 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 uzaktan sağlık izleme uygulaması
Internet of things based remote healthcare monitoring application
SELMA DİLEK
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUAT ÖZDEMİR
- Nesnelerin interneti tabanlı bebek uyku takip sistemi tasarımı ve gerçeklenmesi
Design and implementation of internet of things based baby sleep monitoring system
ERAY ERKEN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZHAN URHAN
- Nesnelerin interneti tabanlı endüstri 4.0 sanayi uygulaması
Industry application of industry 4.0 based on internet of things
FATİH EROĞLU
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN AYÇİÇEK