Geri Dön

Human activity classification via trainable fractional Fourier transform

Öğrenilebilir kesirli Fourier dönüşümü ile insan aktivitesi sınıflandırması

PDF İndir

  1. Tez No: 970823
  2. Yazar: ÖZENÇ UĞUR
  3. Danışmanlar: PROF. DR. ÖMER MORGÜL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Mikro-Doppler karakteristiklerine dayalı insan aktivitesi sınıflandırması, mikro-Doppler kavramının güvenlik gözetimi, sağlık izleme/teşhisi ve yürüme analizi gibi çeşitli alanlarda kullanılmaya başlanmasından bu yana ilgi çekici bir araştırma alanı haline gelmiştir. Mikro-Doppler imzalarının radar algılaması yoluyla elde edilmesi ve ardından insanlara veya diğer hedeflere ait zaman-frekans analizlerinin gerçekleştirilmesi, hareket dinamiklerinin hassas ve güvenilir bir şekilde karakterize edilmesini sağlamakta ve bu sayede karmaşık ya da düşük çözünürlüklü ortamlarda dahi sağlam bir sınıflandırma yapılmasına olanak tanımaktadır. Geleneksel görsel tabanlı veya giyilebilir algılayıcılara kıyasla, radar sistemleri yalnızca hareket bilgisi toplaması ve kimlik belirleyici görsel özellikleri içermemesi nedeniyle gizlilik açısından daha avantajlı bulunmakta ve bu nedenle sıklıkla tercih edilmektedir. Radar verisine gömülü anlamlı mikro-Doppler imzalarını ortaya çıkarmak amacıyla, literatürde çeşitli zaman-frekans analiz yöntemleri kullanılmıştır. Bu yöntemler arasında özellikle Kısa Süreli Fourier Dönüşümü (STFT), sade yapısı ve hesaplama verimliliği nedeniyle yaygın olarak tercih edilmektedir. Bununla birlikte, klasik Fourier dönüşümüne dayalı yaklaşımlar, zaman ve frekans alanları arasında sonsuz sayıda ara gösterimi mümkün kılan Kesirli Fourier Dönüşümü (FrFT) ile genişletilebilir. FrFT'nin sunduğu bu ara alanlarda çalışabilme yetisi sayesinde, mikro-Doppler imzalarının daha ayırt edici ve bilgilendirici temsilleri elde edilebilmektedir. Sabit zaman-frekans çözünürlüğüne bağlı geleneksel yaklaşımların kısıtlarından yola çıkarak, bu tez, Kesirli Fourier Dönüşümüne dayalı yeni bir derin öğrenme tabanlı insan aktivitesi sınıflandırma yöntemi önermektedir. FrFT temsillerinin yalnızca tek bir dönüşüm mertebesiyle ve ampirik aramalarla kullanılması yerine, öğrenilebilir FrFT blokları farklı derin öğrenme mimarilerine entegre edilmiştir. Bu mimarilerde zaman-frekans özelliklerini temsil eden spektrogramlar, öğrenme sürecinin bir parçası olarak dinamik biçimde üretilmekte ve dönüşüm mertebeleri ağ tarafından optimize edilmektedir. Önerilen yaklaşım, farklı radar yapılandırmalarıyla toplanmış hem simülasyon hem de gerçek dünya verilerini içeren çeşitli radar tabanlı veri kümeleri üzerinde değerlendirilmiştir. Tek dallı CNN, LSTM ve GRU mimarilerinin yanı sıra, farklı FrFT temsillerinin eşzamanlı kullanıldığı çok dallı (multi-branch) yapılar ve çok girişli Siamese tabanlı modellerle kapsamlı deneyler gerçekleştirilmiştir. Önerilen yöntem, klasik Fourier dönüşümüne dayalı yaklaşımlarla detaylı olarak karşılaştırılmış ve FrFT temsillerinin modeller ve veri kümeleri üzerindeki davranışları analiz edilmiştir. Bildiğimiz kadarıyla, bu çalışma mikro-Doppler imzalarına dayalı insan aktivitesi sınıflandırma problemini öğrenilebilir Kesirli Fourier Dönüşümüyle birleştiren ilk çalışmadır. Deneysel sonuçlar, önerilen yaklaşımın geleneksel Fourier tabanlı yöntemleri tutarlı şekilde geride bıraktığını göstermektedir. Ayrıca, farklı FrFT mertebeleriyle elde edilen çoklu zaman-frekans temsillerinin eşzamanlı kullanımı da literatürde ilk kez önerilmekte olup, performans açısından kayda değer iyileşmeler sağlamaktadır. Bu çalışmanın bulgularının, radar tabanlı algılama sistemlerinde uyarlanabilir zaman-frekans analizine yönelik gelecekteki araştırmalara yol göstereceğine inanılmaktadır.

Özet (Çeviri)

The human activity classification regarding micro-Doppler characteristics has been a captivating research area since the introduction of the micro-Doppler concept in various fields such as security surveillance, healthcare monitoring/diagnostics, and gait analysis. The extraction of micro-Doppler signatures through radar sensing and subsequent time-frequency analysis of humans or other targets enables precise and reliable characterization of their motion dynamics, allowing for robust classification even in cluttered or low-resolution environments. Compared to conventional vision-based or wearable sensing methods, radar systems are favored due to their inherent ability to preserve target privacy without capturing identifiable visual features. To extract the meaningful micro-Doppler signatures embedded in the radar data, assorted time-frequency analysis approaches have been employed in the literature, especially the Short-Time Fourier Transform (STFT), due to simplicity and computational efficiency. The Fourier transform-based approach might be broadened by utilizing the Fractional Fourier Transform (FrFT), which generalizes the classical Fourier transform by considering the continuum of infinitely many representations between the time and frequency domains. Thanks to the opportunity to work in intermediate domains provided by the Fractional Fourier transform, more distinguishable representations of the micro-Doppler signatures might be obtained. Motivated by the limitations of conventional approaches that depend on fixed time-frequency representations, this thesis proposes a deep learning-based classification methodology for the micro-Doppler signature classification of human activities based on the Fractional Fourier transform. Instead of using the singular usage of the fractional domain representations by searching for optimal transform order empirically, trainable Fractional Fourier transform blocks are engaged in different deep learning architectures. Spectrograms representing the time-frequency characteristics are constructed within the deep-learning architectures, aiming for optimum representations via trainable fractional Fourier transform blocks dynamically. The proposed approach is evaluated with multiple radar-based datasets, including both simulated and real-world measurements with different radars and configurations. A comprehensive set of experiments is conducted with various deep learning architectures, including single-branch CNN, LSTM, and GRU-based architectures, with the multi-branch configurations including the simultaneous use of different time-frequency representations obtained via fractional Fourier transform and multi-input Siamase-based models. The proposed approach is compared in detail with the conventional Fourier transform approach in distinct experiments, and the behavior of the fractional representations across the models and datasets is examined. As far as we are aware, this study is the first to combine a trainable Fractional Fourier Transform with micro-Doppler signature-based human activity classification. The experimental results demonstrate that the proposed approach consistently outperforms traditional Fourier Transform-based methods. Moreover, the simultaneous utilization of multiple time-frequency representations with distinct FrFT orders is, to the best of our knowledge, a novel contribution to the literature, yielding considerable performance improvements. It is believed that the findings of this study pave the way for future research on adaptive time-frequency analysis in radar-based sensing applications.

Benzer Tezler

  1. Tez No

    789406

    Makine öğrenmesi kullanarak insan hareketlerinin sınıflandırılması: Akıllı telefon algılayıcıları örneği

    Classification of human movements using machine learning: The example of smartphone sensors

    DINA DURAID HAQI AL-MOMAYEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. KAMİL ALAKUŞ

  2. Tez No

    591851

    Mobile device identification via sensor fingerprinting based on user behavior analysis

    Kullanıcı alışkanlıklarına dayalı sensör tabanlı parmak izi sistemi ile akıllı cihaz tanıma

    KADRİYE DOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZLEM DURMAZ İNCEL

  3. Tez No

    687661

    Public use of urban squares: A human behavior study of Kizilay and Ulus square

    Kentsel meydanlarda kamu hayatı (Kızılay ve Ulus meydanılarındaki insan davranışları araştırması)

    MARYAM KARBASI DEHKHARGHANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mimarlıkİhsan Doğramacı Bilkent Üniversitesi

    Mimarlık Ana Bilim Dalı

    YRD. DOÇ. DR. GIORGIO GASCO

  4. Tez No

    670696

    The effect of EMG-based attentional focus on human machine interface applications

    Dikkatle odaklanmanın EMG-temelli insan makine arayüzü uygulamalarına etkisi

    AYŞE NUR AY

    Doktora

    İngilizce

    İngilizce

    2021

    Mekatronik MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ZAHİD YILDIZ

  5. Tez No

    517733

    Ramsar alanlarının uzaktan algılama yöntemleri ile zamansal analizi - meke maarı örneği

    Temporal analysis of ramsar sites via remote sensing techniques - a case study of meke maar

    NUR YAĞMUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. NEBİYE MUSAOĞLU

Geri Dön