Sağlık verilerinin analizi için mobil ve bulut yazılımı tasarımı

Abstract

Günümüzde her an yanımızda taşıdığımız akıllı telefonlar sayesinde sağlık durumumuz hakkında bilgi verebilecek birçok verinin toplanabilmesi mümkündür. Akıllı telefonlar hem kendi içerilerinde barındırdıkları algılayıcılardan hem de etraflarındaki çeşitli cihazlar ile haberleşerek onların içerisinde bulunan algılayıcılardan elde ettikleri verileri kullanarak sağlık durumumuz hakkında bilgi verebilmektedir. Sağlık verilerinin takip amaçlı izlenmesinin yanı sıra işlenerek anlamlı bilgiler sağlaması mümkündür.Bu tez çalışmasında sağlık verileri kullanılarak kişilerin gelecekteki sağlık durumlarını tahmin edebilecek mobil ve bulut tabanlı bir sistemin tasarlanması amaçlanmıştır. Bu amaç doğrultusunda sağlık verilerini toplayacak bir mobil uygulama geliştirilmiştir. Akıllı bileklik ve telefondan gelen veriler analiz edilerek kullanıcıların gelecek zaman dilimlerinde gerçekleştirecekleri fiziksel aktivite seviyeleri tahmin edilmektedir. Makine öğrenimi yöntemi kullanılarak oluşturulan modelin mobil ve bulut yazılımlar üzerinde çalıştığı alternatif çözümler sunularak kullanım senaryoları karşılaştırılmıştır. Oluşturulan modelin performansının referans yönteme göre daha başarılı olduğu tespit edilmiştir.

Nowadays it is possible to collect a lot of data that can give us information about our health condition using the smartphones we carry with us at any moment. Smartphones provide information about our health situation using the data both they get from the sensors in them and the sensors in various devices around them. In addition to tracking the health data, processing them provides significant information about our health situation.In this thesis study, it is aimed to design a mobile and cloud based system that can predict the future health status of people by using the health data. For that purpose, a mobile application has been developed to collect health data. Data from the smart bands and phones are analyzed to predict the future physical activity levels of the users. Alternative solutions that machine learning model works on mobile and cloud software are presented and the use-case scenarios are compared. As a result, it has been found that the performance of the designed model is much more successful than the reference method.