Giyilebilir sensör işaretlerinden hareket tanıma için yeni yaklaşımlar
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Son yıllarda insan hareketlerinin tanınması, izlenmesi ve ayırt edilmesi alanında birçok faklı çalışma yapılmaktadır. Hareket tanıma (HT) için genellikle iki ana yaklaşım kullanılmaktadır. Bunlar vizyon tabanlı (bilgisayarlı görü) yaklaşım ve sensör (algılayıcı) tabanlı yaklaşımdır. Sensör tabanlı yaklaşım, insan hareketlerinin durumunu yansıtan fizyolojik sinyallerin sürekli izlenmesini sağlayarak vücut hareketlerini algılamayı sağlamaktadır. HT sisteminde hareketleri birbirinden en iyi şekilde ayırt eden özniteliklerin belirlenmesi gerekmektedir. Öznitelik seçimi yapıldıktan sonra makine öğrenmesi yöntemleri ile sınıflandırma işlemleri gerçekleştirilmektedir. Özniteliklerin iyi seçilmemesi durumunda sınıflandırma performansı düşeceğinden, öznitelik çıkarımı örüntü tanıma sürecinde önemli bir rol oynamaktadır. Bu çalışmada HT için sensör işaretlerinden öznitelik çıkarımını gerçekleştiren yeni yaklaşımlar önerilmektedir. Çalışma kapsamında öznitelik çıkarımı için dokuz farklı yeni yaklaşım önerilmiştir. Bu yaklaşımlar: Bir Boyutlu Yerel İkili Örüntüler (1B-YİÖ), Ortalama Tabanlı Bir Boyutlu Yerel İkili Örüntüler (OT-1B-YİÖ), Medyan Tabanlı Bir Boyutlu Yerel İkili Örüntüler (MT-1B-YİÖ), Çok Ölçekli Bir Boyutlu Yerel İkili Örüntüler (ÇÖ-1B-YİÖ), Ağırlıklandırılmış Bir Boyutlu Sağlam Yerel İkili Örüntüler (A-1B-YİÖ), Komşuluk Tabanlı Bir Boyutlu Yerel İkili Örüntüler (KT-1B-YİÖ), Kaydırmalı Bir Boyutlu Yerel İkili Örüntüler (K-1B-YİÖ), Üçlü Desenli Bir Boyutlu Yerel İkili Örüntüler (ÜD-1B-YİÖ) ve İndirgenmiş Bir Boyutlu Yerel İkili Örüntüler (İ-1B-YİÖ) yöntemleridir. Önerilen yaklaşımlar görüntü işleme uygulamalarında sıkça kullanılan Yerel İkili Örüntüler metoduna dayalı olarak geliştirilen Bir Boyutlu Yerel İkili Örüntüler metodu baz alınarak geliştirilmiştir. Önerilen HT sistemi altı aşamadan oluşmaktadır. Birinci aşamada, insanların çeşitli fiziksel hareketlerine ait sensör işaretlerinin temini yapılmıştır. İkinci aşamada, bu sensör işaretlerine geliştirilen öznitelik çıkarım yöntemleri uygulanarak daha anlamlı işaretler elde edilmiştir. Üçüncü aşamada, elde edilen anlamlı işaretlerin histogramları oluşturulmuştur. Dördüncü aşamada, oluşturulan histogramlardan öznitelikler elde edilmiştir. Beşinci aşamada, elde edilen öznitelikler Rastgele Orman Algoritması (RO) makine öğrenmesi yöntemi ile sınıflandırılmıştır. Altıncı aşamada, çeşitli kriterlere göre geliştirilen öznitelik çıkarım yöntemlerinin karşılaştırılmaları yapılmıştır. Geliştirilen yöntemler ile elde edilen özniteliklerin Rastgele Orman algoritmasına göre sınıflandırılmaları yapılarak en yüksek başarı oranının %95,83 oranı ile İ-1B-YİÖ metodunda gerçekleştiği gözlenmiştir. In recent years, there have been many different studies in the field of recognition, monitoring and differentiation of human movements. Two main approaches are generally used for activity recognition (AR). These are a vision-based approach and sensor-based approach. The sensor-based approach enables continuous monitoring of physiological signals that reflect the state of human movements, enabling the sensation of body movements. In the AR system, it is necessary to identify the attributes that best distinguish the movements from each other. After the feature selection is made, classification methods are carried out by machine learning methods. As the classification performance is reduced if the attributes are not selected well, attribute extraction plays an important role in the pattern recognition process. In this study, novel approaches to extracting features from sensor signals for AR are proposed. Nine different new approaches have been proposed for feature extraction. These approaches are: One-Dimensional Local Binary Patterns (1D-LBP), Average Based One-Dimensional Local Binary Patterns (AB-1D-LBP), Median Based One-Dimensional Local Binary Patterns (MB-1D-LBP), Multi-Dimensional One-Dimensional Local Binary Patterns (MD-1D-LBP), Weighted One Dimensional Robust Local Binary Patterns (W-1D-LBP), Neighborhood Based One-Dimensional Local Binary Patterns (NB-1D-LBP), One-Dimensional Local Binary Patterns with Shift (S-1D-LBP), Ternary Patterned One-Dimensional Local Binary Patterns (TP-1D-LBP) and Reduced One-Dimensional Local Binary Patterns (R-1D-LBP). The proposed approaches are developed based on the One-Dimensional Local Binary Patterns method developed based on the Local Binary Patterns method used frequently in image processing applications. The proposed AR system consists of six stages. In the first stage, sensor signals of various physical movements of the people were provided. In the second stage, more significant signals have been obtained by applying the feature extraction methods developed in these sensor signals. In the third stage, histograms of the significant signs obtained were generated. In the fourth stage, attributes were obtained from generated histograms. In the fifth stage, the obtained attributes are classified by Random Forest Algorithm machine learning method. In the sixth stage, the comparison of feature extraction methods developed according to various criteria was made. According to the Random Forest algorithm, the highest success rate was 95,83% and the R-1D-LBP method was used. In this study, it has been observed that AR treatment is performed with high success rates by using all new approaches and sensor signals.
Collections