İnsan düşme hareketlerinin sınıflandırılmasında kullanılan öznitelik sayısının azaltılması
Reducing the number of features used in the classification of human falling motions
- Tez No: 996997
- Danışmanlar: DOÇ. DR. CENGİZ TEPE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Düşme, ciddi sonuçlar doğurabilen önemli bir halk sağlığı problemidir. Düşmelere hızlı şekilde müdahale edilmesi hayati öneme sahiptir; zira acil yardımın zamanında sağlanamaması durumunda ölümle sonuçlanma riski bulunmaktadır. Günümüzde, düşme tespiti amacıyla geliştirilen giyilebilir sistemler oldukça yaygın ve işlevsel hâle gelmiştir. Bu çalışmanın amacı, giyilebilir sensörlerden elde edilen düşme ve günlük yaşamsal aktivite verilerinin, mümkün olan en az sayıda öznitelik vektör kümesi ile makine öğrenimi teknikleri kullanılarak sınıflandırılmasıdır. Çalışmada, 14 katılımcıdan toplanan ve 36 farklı fiziksel hareket (16 günlük yaşamsal aktivite ve 20 düşme) içeren halka açık bir veri seti kullanılmıştır. Bu veri setinde yalnızca bel bölgesine yerleştirilmiş ivmeölçer, jiroskop ve manyetometre sensörlerinden elde edilen veriler dikkate alınmıştır. Sınıflandırma sürecinde Yapay Sinir Ağları (ANN) ve Destek Vektör Makineleri (SVM) olmak üzere iki farklı model tercih edilmiş; öznitelik seçimi için Ardışık İleri Yönde Seçim (Sequential Forward Selection, SFS) algoritması uygulanmıştır. Ayrıca, verilerin ölçeklendirilmesinde Min-Max normalizasyonu ve Z-Score standardizasyonu olmak üzere iki farklı yöntem kullanılmıştır. İkili sınıflandırma (düşme/günlük aktivite) görevinde, SVM sınıflandırıcı modeli ve Min-Max normalizasyon yöntemi ile doğruluk, duyarlılık ve özgüllük oranları %100 olarak elde edilmiştir. Çoklu sınıflandırmada ise ANN modeli ve Z-Score standardizasyon yöntemi ile %96,54 doğruluk oranına ulaşılmıştır. Elde edilen sonuçlar, çok sayıda aktivite içeren gerçek zamanlı uygulamalar açısından bu yöntemin umut vaat ettiğini göstermektedir.
Özet (Çeviri)
Falls represent a significant public health problem, with the potential to result in severe consequences. It is imperative to respond expeditiously to falls, as failure to provide timely emergency assistance can result in fatal consequences. In the contemporary era, the development of wearable systems for the purpose of fall detection has reached a significant level of proliferation and functionality. The objective of this study is to classify fall and daily living activity data obtained from wearable sensors using machine learning techniques with the smallest possible number of feature vector sets. The study utilised a publicly available dataset collected from 14 participants, encompassing 36 distinct physical movements (16 daily living activities and 20 falls). The dataset under consideration exclusively comprises data obtained from accelerometer, gyroscope, and magnetometer sensors placed on the waist region. Two distinct models were identified as optimal for the classification process: The following topics will be covered in this essay: artificial neural networks (ANN) and support vector machines (SVM). The Sequential Forward Selection (SFS) algorithm was employed for the purpose of feature selection. Furthermore, two distinct methods were employed for data scaling: The processes of Min-Max normalisation and Z-Score standardisation are integral to the analysis. In the binary classification task (fall/daily activity), the SVM classifier model and the Min-Max normalization method achieved accuracy, sensitivity, and specificity rates of 100%. In the context of multi-class classification, an accuracy rate of 96.54% was achieved through the utilisation of an artificial neural network (ANN) model in conjunction with the Z-Score standardisation method. The findings suggest that this approach has potential for utilisation in real-time applications involving a substantial number of activities.
Benzer Tezler
- Recognition and monitoring of human motions using RF signals
İnsan hareketlerinin RF sinyalleri kullanarak tanımlanması ve izlenmesi
CAN UYSAL
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANSU FİLİK
- İvme ve derinlik sensör verilerini kullanarak işbirlikçi hareket ve düşme tanıma için akıllı tekniklerin geliştirilmesi
Development of intelligent techniques for collaborative motion and fall recognition using acceleration and depth sensor data
BÜŞRAN AŞICI
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Movenet ve transfer öğrenme yaklaşımlarının birleşimiyle insan pozu tespitine yönelik gerçek zamanlı grafiksel arayüz geliştirilmesi
Development of a real-time graphical user interface for human pose estimation by combining movenet and transfer learning approaches
ÖZLEM ATIZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
PROF. DR. SERHAT ÖZEKES
- Kayaboğaz'ın doğusu ve Sağlarca arasında Botan Çayı Vadisinin (Siirt) gelişimi üzerine kütle hareketlerinin etkisi
The effect of mass movements on the development of the Botan Stream Valley (Siirt) between Kayaboğaz east and Sağlarca
HATİCE KEZER ÜZÜM
Yüksek Lisans
Türkçe
2024
CoğrafyaSiirt ÜniversitesiCoğrafya Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN SABANCI
- Statistical feature learning and signal generation for time-series sensor signals
Zaman serisi sensör işaretleri için öznitelik öğrenimi ve işaret üretimi
ERKAN KARAKUŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE