Makine öğrenmesi yöntemleri ile insan aktivite tespit sistemi tasarımı

Abstract

İnsan aktivitelerinin tespiti, mobil cihazların ve buna bağlı olarak içerisindeki sensörlerin gelişimi ve makine öğrenmesi yöntemlerinin giderek yaygınlaşması ile yaygın olarak çalışılan oldukça popüler bir problem haline gelmiştir. Bu problemin çözümü için, toplanan farklı hareketlere ait sensör verileri gerçekleştirilen hareketler ile etiketlenerek bir sınıflandırma problemine dönüştürülür. Toplanan veri üzerinde sınıflandırma algoritmaları gerçeklenerek farklı insan aktiviteleri ayırt edilmeye çalışılır. İnsan aktivitelerinin tespiti, kişiye özel günlük kalorilerin hesaplanması, kişinin gerçekleştirdiği hareketlere göre sağlık durumunun analizi gibi sağlık uygulamaları olarak veya yaşlı insanların bulundukları ortamda gerçekleştirdiği hareketler ile gözetlenmesi, insan pozisyon takibi ve çeşitli güvenlik uygulamalarında kullanılmaktadır.Bu tez çalışması kapsamında, bir insan aktivite tespit sistemi gerçekleştirilmiştir. WISDM (Wireless Sensor Data Mining) ham veri seti kullanılarak, sürekli zamanlı dalga öznitelikleri ve Saklı Markov Modellerine dayalı öznitelikler çıkarılmış ve bu özniteliklerin insan aktivite tanımlamadaki etkileri incelenmiştir. Kurulmuş olan makine öğrenmeleri algoritmaları kullanılarak gerçek zamanlı bir uygulama örneğide bu tez çalışması kapsamında gerçekleştirilmiştir. Deneysel sonuçlar ile gerçek zamanlı uygulama arasındaki farklılıklar incelenmiş ve buna bağlı olarak insan aktivitelerinin tespitinde karşılaşılabilecek sorunlara değinilmiş ve bu sorunların çözümü hakkında öneriler sunulmuştur.

Consequently the evolution of mobile sensors and the increasingly widespread use of machine learning methods, detection of human activities has become a prevalent problem. For the solution of this problem, the sensor data of the different activities collected are converted into a classification problem by being labeled with the movements performed. By using classification algorithms on the collected data, different human activities are tried to predict.Human Activity Recognition (HAR) is used in health care applications such as the calculation of personal calories daily, analysis of health status of the person or observation of movements of elderly people for their surveillance, human position tracking or various security applications.Within the scope of this thesis, a human activity detection system has developed. Using WISDM (Wireless Sensor Data Mining) raw data set, continuous time wave attributes and Hidden Markov Models based attributes were extracted and their effects on human activity detection were examined. We compared experimental results and real-time system, and consequently, the problems that may be encountered in defining human activities are discussed and the solution of these problems have proposed.