Deep neural network for human falling prediction using log datafrom smart watch and smart phone sensors
Akıllı saat ve akıllı telefon sensörlerinden alınan günlük verilerini kullanarak insan düşme tahmini için derin sinir ağları
- Tez No: 940593
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Bu tezin amacı, akıllı saat ve akıllı telefon verilerini kullanarak insan aktivitesinin tespitinde ve davranışsal tahminde derin öğrenme ve boyutsallık azaltma yaklaşımlarını kullanarak insanın düşme tahminini gerçekleştirmekti. Çok sayıda sensör veri noktasıyla eşleştirilen derin öğrenmeye dayalı algoritmalar, günlük aktiviteleri tanımlamaya çalışır. İnsanların düşmesi üzerine yapılan önceki çalışmalar, vücudun farklı yerlerine yerleştirilen çok sayıda ivme ölçerin kullanılmasına odaklanmıştı; daha güncel çalışmalar ise aktiviteleri kategorize etmek için akıllı telefonlara entegre edilen sensörlere odaklanıyordu. Bu araştırma, aşağıdaki sensörlerden gelen verileri kullanarak etkinlikleri tanımlar: ivmeölçer, jiroskop ve manyetometre. Bu değerlendirme ölçümlerini karşılaştırmanın yanı sıra, hangi ağın verilerle en iyi şekilde eşleştiğini ve söz konusu günlük aktiviteleri doğru şekilde sınıflandırdığını belirlemek için her bir ağın karışıklık matrisinin, özellik öneminin ve çoklu duyusal füzyon analizinin bir karşılaştırması yapılır. Bu araştırmanın bir diğer heyecan verici amacı ise akıllı saat ve akıllı telefon veri setlerini görüntülemek için iki veri kümeleme yaklaşımını karşılaştırmaktır. Bu araştırma, iki görselleştirme stratejisinin karşılaştırma analizini yaparak optimum görselleştirme stratejisini sunmayı amaçlamaktadır. Bu araştırmanın sonucu, altı makine öğrenimi sınıflandırma yönteminin tamamının sürekli olarak en son teknoloji temelleri aştığını gösterdi. Derin Sinir Ağı (%99,97 doğruluk) ve MLP (%90,55) doğruluğu, çok az yanlış sınıflandırılmış vakayla veriler üzerinde takdire şayan bir şekilde çalıştı. Altı sınıflandırma algoritmasının tümü mevcut taban çizgilerinden daha anlayışlı, tahmine dayalı sonuçlar verirken, DNN verileri başarılı bir şekilde gruplandırıp görüntüledi. Bulgular, her yöntemin akıllı saat ve akıllı telefon veri kümeleri için uygun olduğunu ve baştan sona iyi performans sonuçları elde edildiğini ortaya koyuyor. Aktivitenin %7'si yanlış sınıflandırıldığından, DNN modeli düşme aktivitesi ile koşma aktivitesi arasında ayrım yapma konusunda sorun yaşamamaktadır. DNN, koşu ve koşma arasındaki eylemlerin %3'ünü yanlış sınıflandırdığı için bu açıdan MLP'yi geride bırakıyor. Bunun çözümü, her iki eylem arasında ayrım yapmak için uyluğa ek bir sensör yerleştirmek olabilir. Bu sensör, hasta koşarken düşmenin aksine üst uyluk bölgesinde daha büyük bir ivme ve hareket aralığının tespit edilmesini sağlayacaktır.
Özet (Çeviri)
The goal of this thesis was to perform a prediction of human falling utilizing deep learning and dimensionality reduction approaches in human activity detection and behavioral prediction using smart watch and smart phone data. Deep learning-based algorithms, paired with numerous sensor data points, seek to identify everyday activities. Previous work on human falling has focused on employing numerous accelerometers put in different places of the body, with more current work focused on sensors integrated in smartphones to categorize activities. This research identifies activities by employing data from the following sensors: accelerometer, gyroscope, and magnetometer. In addition to comparing these assessment metrics, a comparison of each network's confusion matrix, feature importance, and multisensory fusion analysis is undertaken to determine which network best matches the data and correctly classifies the everyday activities in question. Another exciting purpose of this research is to compare two data clustering approaches for displaying the smart watch and smart phone datasets. This research seeks to offer the optimum visualization strategy by doing a comparison analysis of the two visualization strategies. The conclusion of this research indicated that all six machine learning classification methods consistently exceeded state-of-the-art baselines. Deep Neural Network (99.97% accuracy) and MLP (90.55%) accuracy worked admirably on the data, with very minimal misclassified cases. All sixclassification algorithms gave more insightful, predictive results than current baselines, while DNN successfully grouped and displayed the data. The findings reveal that each method is suitable for the smart watch and smart phone datasets, with good performance outcomes attained throughout. The DNN model does not have problems discriminating between falling activity and running activity, with 7% of the activity misclassified. DNN surpasses MLP in this respect since it misclassifies 3% of the actions between jogging and running. A remedy to this would be to install an additional sensor on the thigh to discriminate between both actions. This sensor would lead to the detection of a larger acceleration and range of motion in the upper thigh area while the patient is running in contrast to falling.
Benzer Tezler
- Kanal tabanlı özellik temsili ve derin öğrenmeye dayalı uykululuk sınıflandırması
Drowsiness classification based on channel-based feature representation and deep learning
MUSTAFA RIFAT ÇELİK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Yaşlı bakımında derin öğrenme ile video üzerinden sağlık durumunun takibi
Video surveillance of elderly person aimed to healthcare via deep learning
FAHRİ CİHAN ATTİLA
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET İLYAS BAYINDIR
- Bölgesel güneş enerji potansiyelinin belirlenmesinde yeni bir yaklaşım
A new approach in determining the regional solar energy potential
ERŞAN ÖMER YÜZER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALTUĞ BOZKURT
DOÇ. DR. BEDRİ KEKEZOĞLU
- Skin lesion classification using deep convolutional neural network and HSV color space
Derin evrişimsel sinir ağı ve HSV renk uzayı kullanarak cilt lezyonlarının sınıflandırılması
TAMERLAN NUSRADDINOV
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Likert tipi verilerde bulanık mantık ve derin öğrenme entegrasyonu
Fuzzy logic and deep learning integration in likert type data
ZEYNEP ÜNAL