İnsan aktivitesinin çoklu giyilebilir sensörlerle izlenmesi ve tanınması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: İngilizce

Öğrenci: BERKAN BOSTAN

Danışman: YAVUZ ŞENOL

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bilgisayar ve sensör teknolojisindeki ilerlemelerle birlikte, insan aktivitesi tanıma saglık, spor ve gözetim gibi birçok ara ̧stırma alanında büyüyen bir ilgi kazanmaktadır. ̆ ̇Insan aktivitesi tanıma; dü ̧sme tespiti, fitness takibi, ya ̧slı insanlar için rehabilitasyon izlemesi gibi alanlardan elde edilen bilgi ve uygulamalarla insan ya ̧samına katkıda bulunur. Bu amaçla, çe ̧sitli giyilebilir - sensör tabanlı aktivite tanıma sistemleri, söz konusu alanlarda insanlara yardımcı olmak için farklı aktiviteleri takip etmek ve tanımak için kullanılmı ̧stır. Bu aktivitelerden veri toplama ve çe ̧sitli yapay zeka algoritmaları aracılıgıyla i ̧sleme konusundaki geli ̧smeler sayesinde aktiviteler çok ̆ daha kolay tanımlanabilir ve degerlendirilebilir hale gelmi ̧stir. ̆ Bu çalı ̧sma, yürüme, ko ̧sma, tırmanma gibi ortak aktiviteler ile araba kullanma ve tenis oynama gibi nispeten karma ̧sık aktiviteler için farklı yapay zeka yöntemleri arasında bir kar ̧sıla ̧stırma sunmaktadır. Kablosuz sensör agı, ivmeölçer, jiroskop ve ̆ akıllı ayakkabı keçesi gibi çe ̧sitli sensörler, deneklerden veri toplamak için kullanılmı ̧stır. Sensör dügümleri, bacakların üst kısımlarına, bileklere ve tabanlara ̆ yerle ̧stirilmi ̧stir; böylece ivme, yönlendirme ve uygulanan kuvvet verileri elde edilmi ̧stir. Bu çalı ̧sma ayrıca, örnegin, bacakların ivme ve yönlendirme bilgisi yerine ̆ tabanın üzerine uygulanan kuvvet bilgisi gibi farklı veri türlerinin kullanılmasının sonuçlarını gözlemlemeyi amaçlamaktadır. Veri seti, her sensörden gelen verileri içermektedir. Sensörlerden elde edilen veriler, derin sinir agları, ̆ k-NN ve karar agacı ̆ da dahil olmak üzere çe ̧sitli makine ögrenimi algoritmalarına beslenmi ̧stir. Sonuçlar ̆ ayrı ayrı dogruluk, geri ça ̆ gırma ve F ̆ 1 metrikleri ile degerlendirilmi ̧stir. Metrikler, ̆ CNN'nin diger algoritmalardan daha iyi performans gösterdi ̆ gini ve ortalama %94.9 ̆ F1 puanıyla bu veri kümesi için en uygun algoritma oldugunu göstermektedir. ̆