Akıllı cihaz algılayıcıları ile aktivite ve ulaşım türü tespiti

Abstract

Hareket algılayıcılarından elde edilen veriler kullanılarak gerçekleştirilen aktivite sınıflandırma çalışmaları son yıllarda rağbet görmektedir. Bu çalışmalarda veriler hem insan vücuduna yerleştirilen giyilebilir algılayıcılar hem de akıllı cihazlardan elde edilmektedir. Bu tezde, sınıflandırma için iki farklı cihaz (akıllı telefon ve akıllı saat) kullanılmış ve üç ayrı sınıflandırma çalışması gerçekleştirilmiştir. Bunlar, akıllı telefon algılayıcı verileri kullanılarak insan hareketlerinin sınıflandırılması, akıllı telefon algılayıcı verileri kullanılarak ulaşım türü sınıflandırılması ve akıllı saat algılayıcı verileri kullanılarak insan hareketlerinin sınıflandırılmasıdır. Sınıflandırma için sınıflandırıcı toplulukları (AdaboostM1, Bagging, Rastgele alt uzaylar ve Oylama) ve makine öğrenmesi (Naive Bayes, kNN, Rastgele Orman ve C4.5) yöntemleri kullanılmış ve performansları karşılaştırılmıştır. Veri setini oluşturmak amacıyla, Android ve Android Wear tabanlı mobil uygulamalar geliştirilmiş ve kişi yürürken, koşarken, merdiven inerken ve çıkarken, asansör kullanırken, hareketsiz dururken, bisiklet sürerken, araba veya otobüs ile seyahat ederken akıllı telefondan, yazı yazarken (kâğıda, tahtaya ve klavye), yürürken, koşarken, temizlik yaparken (süpürge), diş fırçalarken ve hareketsiz durumdayken akıllı saatten algılayıcı verileri toplanmıştır. Değerlendirmeler sonucunda en başarılı algılayıcı kombinasyonu ve sınıflandırma yöntemi geliştirilen çevrimiçi eylem tanıma uygulamalarında kullanılmıştır.Test sonuçlarına göre en yüksek doğruluk oranları akıllı telefon ile ulaşım türü sınıflandırması için ivmeölçer ve jiroskop algılayıcıları kullanılarak Bagging+kNN yönteminden, akıllı telefon ile insan hareketlerinin sınıflandırılması için GPS, ivmeölçer ve jiroskop algılayıcıları kullanılarak Rastgele Orman yönteminden, akıllı saat ile insan hareketlerinin sınıflandırılması için ivmeölçer, jiroskop, kalp hızı ve adımsayar algılayıcıları kullanılarak Bagging+kNN yönteminden elde edilmiştir. Sistem mimarileri ve deneysel sonuçlar örnekler üzerinde açıklanmış ve geliştirilen sistemlerinin nasıl iyileştirileceği tartışılmıştır.

Activity classification studies by using data obtained from motion sensors have been popular in recent years. In these studies, data are obtained from both wearable sensors placed on human body and smart devices. In this thesis, two different devices (smartphone and smartwatch) were used and three separate classification studies were carried out. These are human motion classification by using smartphone sensor data, transportation mode classification by using smartphone sensor data and human motion classification by using smartwatch sensor data. Ensemble classifiers (AdaboostM1, Bagging, Random Subspaces and Voting) and machine learning methods (Naive Bayes, kNN, Random Forest and C4.5) were used for classification and their performances were compared. In order to build the dataset, Android and Android Wear based mobile applications were developed and GPS, accelerometer and gyroscope sensor data were collected from smartphone while walking, running, ascending and descending stairs, using elevator, stationary, riding bicycle, travelling by bus or car, accelerometer, gyroscope, step counter and heart rate sensor data were collected from smartwatch while writing (on the paper, on the board and using keyboard), walking, running, cleaning (vacuuming), brushing teeth and stationary. As a result of evaluations, the most successful sensor combination and classification method were used in the developed online activity recognition applications. According to the test results, the highest accuracy rates were obtained from Bagging ensemble of kNN method by using accelerometer and gyroscope sensors for human motion classification with smartphone; Random Forest method by using GPS, accelerometer and gyroscope sensors for transportation mode classification with smartphone; Bagging ensemble of kNN by using accelerometer, gyroscope, step counter and heart rate sensors for human motion classification with smartwatch. System architectures and experimental results with examples were explained and how to improve the developed systems was discussed.