Akıllı sistemlerde alana özgü fiziksel aktivite sınıflandırması

---

Tezin Türü: Doktora

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

Tezin Onay Tarihi: 2023

Tezin Dili: İngilizce

Öğrenci: DUYGU BAĞCI DAŞ

Danışman: DERYA BİRANT

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

İnsan etkinliği tanıma (HAR), bir kişi veya kişiler tarafından gerçekleştirilen eylemleri sınıflandırma işlemidir ve insan merkezli uygulamalar için önemli bir süreçtir. Etkili bir HAR yönteminin geliştirilmesi, bir insan faaliyetinin tanınması prosedürünün hassas, sağlam olması ve kısa sürede doğru sonuçlar vermesi gerektirdiğinden dolayı önem arz etmektedir. Bu motivasyona dayanarak, bu tez kapsamında çeşitli etkili makine öğrenimi tabanlı (ML) HAR yaklaşımları önerilmiştir. Önerilen teknikler, farklı temel öğrenicilerin etkisi, katılımcıların demografik özellikleri, tek veya çoklu katılımcılar, sensör türleri ve sensör konumlarının tanıma performansı üzerindeki etkisi açısından incelenmiştir. İlk yaklaşımda, HAR ve sıralı sınıflandırma (OC) birleştilmiş ve "Sıralı Sınıflandırmaya Dayalı İnsan Etkinliği Tanıma" (HAROC) sunulmuştur. OC, sınıflar arasında düşük, orta ve yüksek gibi içsel bir sıralamanın var olduğu, denetimli çok sınıflı sınıflandırmanın özel bir türüdür. İkinci yaklaşımda, HAR ve çoklu örnek öğrenme (MIL) birleştirilmiş ve "Çoklu Örnek Öğrenmeye Dayalı İnsan Etkinliği Tanıma" (HAR-MIL) sunulmuştur. İki MIL algoritmasının (SimpleMI ve MIWrapper) insan etkinliği tanıma üzerindeki performansları ilk kez incelenmiştir. Ek olarak, HAR hala yorumlanabilir yaklaşımlardan yoksun olduğundan, HAR için ML sınıflandırıcılarının veri keşfi, model yapısı açıklaması ve tahmin açıklamasının incelendiği açıklanabilir İnsan Aktivitesi Sınıflandırması (XHAC) incelenmiştir. Son olarak, el tabanlı ve el tabanlı olmayan insan faaliyetleri için makine öğrenimi tabanlı HAR yöntemleri sunulmuştur. Bu tez kapsamında gerçekleştirilen tüm deneyler, önerilen yaklaşımların kapsamlı bir etkinlik çeşitliliği göz önünde bulundurarak insan etkinliklerini etkili bir şekilde tanıdığını gösteren çeşitli gerçek dünya verileri üzerinde gerçekleştirilmiştir.