Deep neural network-based prediction of human fall risk using center of pressure trajectories
Baskı merkezi yörüngeleri kullanılarak insan düşme riski tahmini için derin sinir ağı tabanlı bir yaklaşım
- Tez No: 960515
- Danışmanlar: DR. ÖĞR. ÜYESİ BURCU TUNÇ ÇAMLIBEL
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Denge sorunlarını doğru zamanda doğru şekilde tahmin edebilme yeteneği, özellikle düşme riski zaten yüksek olan yaşlı bireylerde, düşmeleri önlemede kritik bir faktör olarak öne çıkmaktadır. Bu araştırma, kuvvet platformundan elde edilen biyomekanik verilerin analizi yoluyla düşme riskini değerlendirmek amacıyla bir boyutlu evrişimsel sinir ağları (1D-CNN) aracılığıyla derin öğrenme tekniklerinin uygulanmasını incelemektedir. Kullanılan veri seti, kamuya açık bir veritabanından alınmış olup, yaşları 18 ile 86 arasında değişen 163 katılımcıya ait zaman serisi verilerini içermektedir. Katılımcılar, farklı görsel ve yüzey koşulları altında on iki denge testi gerçekleştirmiştir. BDSinfoCOP.csv dosyası, demografik bilgiler ve fonksiyonel özellikler dahil olmak üzere kişisel ve klinik verileri içermekte ve bu veriler ölçümlerle birleştirilmiştir. Falls Efficacy Scale (FES_S) skorlarına göre katılımcılar düşük, orta ve yüksek olmak üzere üç düşme riski kategorisine ayrılmıştır. Verilerin karmaşık ve yüksek boyutlu yapısını ele almak için kapsamlı bir ön işleme süreci geliştirilmiştir. Veriler temizlenmiş, risk kategorilerini dengelemek için tabakalı örnekleme kullanılmıştır. Özellik değerleri normalleştirilmiş ve girişler CNN modelleri için 3 boyutlu tensör formatına dönüştürülmüştür. Modelin tutarlılığını ve genellenebilirliğini değerlendirmek için 5 katlı çapraz doğrulama stratejisi uygulanmıştır. 1D-CNN modeli tüm doğrulama katlarında istikrarlı bir şekilde yaklaşık %70 doğruluk ve yüksek risk grubunu tanımlamada 0.75'e kadar F1 skoru elde etmiştir. Sonuçlar, modelin kuvvet platformu sinyallerindeki zamansal desenleri öğrenebildiğini ve farklı düşme riski seviyelerini ayırt edebildiğini göstermektedir.
Özet (Çeviri)
The ability to accurately forecast balance problems at the right time acts as a critical factor for preventing falls, particularly among older adults who already face elevated fall risks. The research investigates the application of deep learning techniques through one-dimensional Convolutional Neural Networks (1D-CNNs) to evaluate fall risk through the analysis of force plate-derived biomechanical data. The dataset originates from a public database and contains time-series data from 163 participants who ranged from 18 to 86 years old. The study involved participants who performed twelve balance trials across various visual and surface conditions. The BDSinfoCOP.csv file contained personal and clinical data, including demographics and functional characteristics, which were combined with the recorded measurements. The Falls Efficacy Scale (FES_S) scores classified participants into three fall-risk categories: low, moderate, and high. A complete preprocessing procedure was developed to address the complex and high-dimensional nature of the data. The data was cleaned, and stratified sampling was used to balance risk categories. Feature values were normalized, and the inputs were converted to a 3D tensor format for CNN models. A 5-fold cross-validation strategy was used to validate model consistency and generalizability. The 1D-CNN model performed consistently well across all validation folds, with an average accuracy of around 70%, and F1-scores as high as 0.75 for identifying individuals in the high-risk group. These results indicate that the model can learn the underlying temporal patterns in the force-plate signals and differentiate between different levels of fall risk.
Benzer Tezler
- Derin öğrenme yöntemleri ile MODIS tabanlı NDVI ve LST zaman serilerinin kestirimi ve kuraklık şiddetinin araştırılması
Prediction of MODIS-based NDVI and LST time series and investigation of drought severity using deep learning methods
EMİRCAN BUĞA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER CAN İBAN
- Siber saldırıların çizge görselleştirmesinde geometrik derin öğrenme temelli yeni yaklaşımların geliştirilmesi
Development of novel approaches based on geometric deep learning for graph visualization of cyber attacks
MÜCAHİT SOYLU
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. RESUL DAŞ
- 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
ANAS NABEEL FALIH ALSHAWI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Sepsis hastalığının derin öğrenme yöntemiyle tahmini
Sepsis disease prediction by deep learning
UMUT KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- Investigation of embedding methods on gnn basedrecommender models
Çizge sinir ağı temelli öneri sistemleriüzerinde kullanılan gömme tipinin etkisinin araştırılması
MUSTAFA AKER
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN