Düşme ve günlük aktivitelerin derin öğrenme tabanlı analizi
Development of deep learning based motion analysis solutions for prediction of fall events
- Tez No: 997543
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER AKKAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Düşme ve günlük aktivitelerin analiz edilmesi, özellikle yaşlı bireylerde meydana gelen kazaların sağlık üzerindeki ciddi etkileri göz önüne alındığında, ele alınması gereken önemli bir problem olarak değerlendirilmektedir. Mevcut düşme tespit sistemlerinin performansı, veri dengesizliği, düşük çözünürlüklü görüntüler, karmaşık hareket dinamikleri gibi nedenlerden dolayı sınırlı kalmaktadır. Bu durum, daha etkili ve yüksek performanslı sistemlere duyulan ihtiyacı artırmaktadır. Bu çalışmada, kamera tabanlı sistemler kullanılarak düşme ve günlük aktivitelerin analizine yönelik yüksek performanslı bir derin öğrenme yaklaşımı önerilmektedir. Farklı konumlara yerleştirilmiş iki kameradan elde edilen görüntülerin yer aldığı bir veri seti kullanılarak, Evrişimsel Sinir Ağı tabanlı VGG-16, GoogleNet ve ResNet-50 modelleriyle işlenmiş; her iki kameradan çıkarılan yüksek seviyeli öznitelikler birleştirilmiştir. Elde edilen öznitelik vektörleri Uzun Kısa Süreli Bellek tabanlı bir sınıflandırıcıya giriş olarak verilmiştir. Böylece düşme ve günlük aktivitelerin analizine yönelik hibrit bir yöntem geliştirilmiştir. Deneysel sonuçlar, benzer görüntülerin yer aldığı literatürdeki farklı çalışmalar ile karşılaştırıldığında, önerilen yaklaşımın performans açısından daha başarılı olduğunu göstermektedir. Önerilen model ile elde edilen sonuçlar incelendiğinde; doğruluk %99.49, kesinlik %99.94, duyarlılık %95.77 ve F1-skoru %96.74 olarak hesaplanmıştır. Kamera 1 ve kamera 2 verileriyle gerçekleştirilen eğitimlerde, VGG-16 modelinin eğitim süresi yaklaşık 185 dakika, GoogleNet modelinin 223-253 dakika, ResNet-50 modelinin ise 374-381 dakika aralığında gerçekleşmiştir. Buna karşılık, önerilen yöntemin toplam eğitim süresi yalnızca 20 dakika 21 saniye olup, bu durum yöntemin benzer derin öğrenme tabanlı yaklaşımlara kıyasla hesaplama maliyeti açısından belirgin bir üstünlük sunduğunu göstermektedir. Elde edilen bulgular, geliştirilen yöntemin düşme ve günlük aktivitelerin analizinde etkili bir yaklaşım olduğunu ve pratik uygulamalara uygunluğunu ortaya koymaktadır.
Özet (Çeviri)
The analysis of falls and daily activities is considered an important problem that needs to be addressed, especially when the serious effects of accidents occurring among elderly individuals on health are taken into account. The performance of existing fall detection systems remains limited due to reasons such as data imbalance, low-resolution images, and complex motion dynamics. This situation increases the need for more effective and high-performance systems. In this study, a high-performance deep learning-based approach is proposed for the analysis of falls and daily activities using camera-based systems. Using a dataset consisting of images obtained from two cameras placed at different positions, the data are processed with Convolutional Neural Network-based VGG-16, GoogleNet, and ResNet-50 models; high-level features extracted from both cameras are fused. The obtained feature vectors are given as input to a Long Short-Term Memory-based classifier. Thus, a hybrid method for the analysis of falls and daily activities is developed. Experimental results show that the proposed approach is more successful in terms of performance when compared with different studies in the literature containing similar images. When the results obtained with the proposed model are examined, the accuracy is calculated as 99.49%, precision as 99.94%, recall as 95.77%, and the F1-score as 96.74%. In the training processes carried out using Camera 1 and Camera 2 data, the training time of the VGG-16 model was approximately 185 minutes, that of the GoogleNet model was between 223 and 253 minutes, and that of the ResNet-50 model was between 374 and 381 minutes. In contrast, the total training time of the proposed method was only 20 minutes and 21 seconds, indicating that the method provides a significant advantage in terms of computational cost compared to similar deep learning-based approaches. The obtained findings reveal that the developed method is an effective approach for the analysis of falls and daily activities and is suitable for practical applications.
Benzer Tezler
- DÜŞME VE GÜNLÜK AKTİVİTELERİN DERİN ÖĞRENME TABANLI ANALİZİ
DEVELOPMENT OF DEEP LEARNING BASED MOTION ANALYSIS SOLUTIONS FOR PREDICTION OF FALL EVENTS
ARZO MOHAMMED MAHMOOD MAHMOOD
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER
- Exploring design based learning activities in 2nd grade science classrooms
2. sınıf bilim sınıflarında tasarım tabanlı öğrenme aktivitelerinin keşfedilmesi
ÖZLEM YAPRAK BOSTANCI
Yüksek Lisans
İngilizce
2024
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiEğitim Programları ve Öğretim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÖZTÜRK
- Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması
Creating cloud computing based wearable motion diagnostic system with data mining techniques
ERHAN KAVUNCUOĞLU
Doktora
Türkçe
2022
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESMA UZUNHİSARCIKLI
DOÇ. DR. AHMET TURAN ÖZDEMİR
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- 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