Mixture of channel experts for robust human activity recognition
Kanal uzmanları karışımı ile insan aktivitelerini gürbüz tanıma
- Tez No: 982370
- Danışmanlar: PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giyilebilir sensörler kullanarak insan aktivitesi tanıma (HAR), son yıllarda sağlık ve spor bilimlerinde giderek artan uygulamalarıyla birlikte önemli ölçüde ilgi görmekte olan bir araştırma alanıdır. Tipik olarak birden fazla giyilebilir sensör, olabildiğince kompakt ve kablosuz iletişim yetenekli tasarlanarak vücudun farklı bölgelerine yerleştirilmektedir. Ancak bu durum, sistemi sensör arızası ve iletişim sorunları kaynaklı sinyal kaybına karşı savunmasız hale getirmektedir. Bu tezde, maskelenmiş otokodlayıcı ve uzman karışımı yaklaşımlarından esinlenerek, sözkonusu zorlukları aşmak amacıyla kanal uzmanları ve genelleştirilmiş bir eğitim tekniği kullanan yeni bir çerçeve öneriyoruz. Bu kapsamda, farklı kanallarda ve sensörlerde meydana gelebilecek bağlantı kopmaları veya iletişim hatalarına karşı aktivite tanıma sistemini daha dayanıklı bir hale getirmek için Kanal Uzmanları Karışımı adını verdiğimiz yeni bir yöntem geliştiriyoruz. Çalışmamızdaki yaklaşımları Daily and Sports Activities (DSA) veri seti üzerinde değerlendiriyoruz. Tüm sensör verileri kullanıldığında yöntemimiz, aynı veri setinde denenmiş güncel çalışmayı %15 oranında daha yüksek doğrulukla geride bırakmaktadır. Sistemin dayanıklılığını irdelemek amacıyla, rastgele seçilen 10 kanallık alt kümeleri, x veya y veya z eksenlerini, üç tip sensörden ve sensör ünitelerinden elde edilen sinyalleri sıfırlarla değiştirerek deneyler yapıyoruz. Elde edilen sonuçlar, güncel çalışmanın bu senaryolarda tahmin oranlarında %50'nin üzerinde düşüş yaşadığını ve dayanıklılık açısından yetersiz kaldığını göstermektedir. Buna karşılık, maskelenmiş sensör girdisiyle eğiterek önerdiğimiz model, performans (başarım) kaybını %5'in altında tutmakta ve farklı sensör veya kanal kaybı senaryolarında doğruluğu korumaktadır. Ayrıca, uzman seçiminin en-yüksek-k stratejisi ile yapıldığı bir uzman karışımı mimarisi de sunmaktayız. Bu yapı, karışım içermeyen modellere kıyasla tahmin yeteneğinde %4-50 arasında bir artış sağlamaktadır. Maskelenmiş girdiyle eğitilen modellerin, özellikle artan kanal kaybı durumlarında, tam sensör verisiyle eğitilen modellere kıyasla tutarlı şekilde daha iyi performans gösterdiğini gözlemledik. En iyi konfigürasyonumuz, dokuz sensör kanalının düşürüldüğü durumlarda dahi %99'a yakın doğruluk sağlayarak ciddi sensör bozulmalarına karşı güçlü bir dayanıklılık ve genelleme yeteneği sergilemektedir.
Özet (Çeviri)
Human Activity Recognition (HAR) via wearable sensors is a research area that has drawn considerable attention recently with applications in healthcare, assisted living, and sports science, among others. Typically, multiple wearable sensors are positioned on different parts of the body. However, this makes the HAR system vulnerable to signal loss due to sensor malfunction and communication failure. Inspired by masked autoencoders and Mixture of Experts (MoE), in this thesis, we propose to use channel experts and a generalized training technique to address these challenges. We propose a new framework called Mixture of Channel Experts (MoCE) to make the HAR system more robust. We evaluate our approach on the publicly available Daily and Sports Activities (DSA) dataset which was acquired by our research group. Our method exceeds the baseline HAR accuracy by 15% when data from all sensors are included and processed. To test the robustness of the system, we simulate information loss by replacing sensor channels with zeros, for randomly selected 10-channel subsets, x or y or z axes, sensor types, and sensor units. Our results show that the baseline model loses over 50% accuracy in these scenarios, indicating poor robustness. In contrast, our model, trained with masked sensor input, limits performance degradation to under 5% and maintains high accuracy across various sensor loss patterns. We further introduce a sparse MoE architecture where expert selection is performed using a top-k strategy. This adds between 4-50% accuracy improvement compared to non-mixture models. Our results show that models trained with masked input consistently outperform those trained on full sensor input, especially under increased channel loss. In particular, our best configuration maintains nearly 99% accuracy even when up to nine sensor channels are dropped, demonstrating solid robustness and generalization under severe sensor degradation.
Benzer Tezler
- Transformer tabanlı öznitelik bütünleştirme ile eksik veriye dayanıklı tahminsel model geliştirilmesi
Development of a predictive model robust to missing data via transformer-based feature integration
DUYGU BAYRAK GÜMÜŞ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KOTAN
- Online nonlinear modeling for big data applications
Büyük veri uygulamaları için onlıne non lineer olmayan modelleme
FARHAN KHAN
Doktora
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. SÜLEYMAN SERDAR KOZAT
- Multi-label classification of 12-lead ECG signal using a mixture-of-experts transformer model
Uzmanların karışımı bazlı dönüştürücü modeli ile 12 kanallı EKG sinyalinin çok etiketli sınıflandırılması
ATALAY ÇELİK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Effect of aspect ratio on heat transfer and entropy generation in a wavy microchannel
Kanal boy oranının dalgalı mikrokanalda ısı transferine ve entropi üretimine etkisi
ALIREZA SETAYESH HAGH
Yüksek Lisans
İngilizce
2016
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFULLAH KUDDUSİ
- Single-channel speech-music separation for robust ASR with mixture of NMF models
Gürbüz konuşma tanıma için NOMA karışım modelleriyle tek-kanalda konuşma-müzik ayrıştırma
CEMİL DEMİR
Doktora
İngilizce
2014
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT SARAÇLAR
DOÇ. DR. ALİ TAYLAN CEMGİL