Bileğe giyilen akıllı telefonun ivmeölçer verilerini kullanarak aktivite tanıma

Abstract

İnsanların gündelik hayatta yapmış olduğu aktiviteleri ve hareketleri hakkında doğru bilgileri elde etme ihtiyacı gün geçtikçe artmaktadır. Bu anlamda tıbbi, askeri, güvenlik vb. alanlarda aktivite tanıma ile ilgili çeşitli çalışmalar yapılmaktadır. Bu tez çalışmasında akıllı telefonlarda bulunan ivmeölçer algılayıcısından elde edilen ivme değerleri kullanarak aktivite tanıma gerçekleştirilmiştir. Bu amaçla geliştirilen cep telefonu uygulaması kullanılarak iki farklı telefon pozisyonu (pantolon cebinde ve bilekte) ve dokuz farklı aktivite (oturma ayakta durma, koşma, uzanma, yemek yeme, merdiven çıkma, merdiven inme, araba sürme, yürüme) için iki adet veri seti oluşturulmuştur. Elde edilen ham veriler işlenerek yirmi iki öznitelikli (ortalama, standart sapma, korelasyon vb.) veri setine dönüştürülmüş ve ardından dört farklı sınıflandırma yöntemi (k-en yakın komşu, Näive Bayes, Rastgele Orman ve Destek Vektörü Makineleri) aracılığıyla aktivite sınıflandırması gerçekleştirilmiştir. Yöntemlerin uygulanması sonucu oluşan doğruluk yüzdeleri, farklı parametreler ile incelenmiş ve bulgular üç farklı başlık altında paylaşılmıştır. Bu bulgular arasında en dikkat çekici olan, cep telefonu pozisyonun elde edilen doğruluk yüzdelerini önemli miktarda etkilemesidir. Bileklikte taşınarak oluşturulan veri setinden elde edilen doğruluk yüzdesinin pantolon cebinde taşınarak oluşturulan veri setinden elde edilen doğruluk yüzdesinden belirgin şekilde fazla olduğu ve bunun bilek bölgesindeki hareket yoğunluğunun aktivite tanıma işlemi için ekstra bilgi sunmasından kaynaklandığı gözlemlenmiştir.

The need to get the exact information about the activities and movements of the people in everyday life has been increasing day by day. Various studies have been made on activity recognition in the fields such as medical, military, security and etc. for this purpose. In this thesis, activity recognition has been conducted by using the acceleration values obtained from the accelerometer sensor at the smartphones. By using a mobile phone application developed for this purpose, two data sets were created for two different phone positions (in the pocket of the pants and at the wrist) and nine different activities (sitting, standing, running, lying, eating, going up stairs, going down stairs, driving car, walking). The obtained raw data were processed and transformed into a data set with twenty-two features (mean, standard deviation, correlation, etc.) and then activities were classified by using four different classification methods (k-nearest neighbors, Näive Bayes, Random Forest, and Support Vector Machines). The accuracy percentages, that were obtained by applying the methods, are examined with various parameters and the findings were written under three headings. The most striking one among these findings is that the position of the mobile phone significantly affects the accuracy percentages obtained. It is observed that the accuracy percentage obtained from the data set created by carrying the smartphone at the wristband is significantly greater than the percentage of accuracy obtained from the data set created by carrying in the pocket of the pants. It shows that the motion intensity in the wrist region provides extra information for activity recognition.