Examination of wireless sensor data using traditional data mining algorithms

Abstract

Günümüzde akıllı telefonlar daima sürekli gelişmekte ve bu cihazlar günlük yaşamın her yerinde olmaktadır. Akıllı cihazlar, ses algılayıcıları (yani mikrofonlar), ışık algılayıcıları, sıcaklık algılayıcıları, yön algılayıcıları (yani manyetik pusula) ve ivme algılayıcıları (diğer bir deyişle ivmeölçerleri) gibi birçok güçlü algılayıcı içermektedir. Ucuz ve küçük sensörlerin geliştirilmesi bu alanı gerçeğe dönüştürdü ve bu sensörler veri madenciliği ve veri madenciliği uygulamaları için yeni ve heyecan verici bir fırsat sunuyor. Normalde önerdiğimiz yaklaşımlar, aktivite tanımayı gerçekleştirmek için ivmeölçer sensörleri kullanmaktadır. Etkinlik tanıma, yalnızca bir kullanıcı göz önüne alındığında belirli bir anda hangi etkinliklerin gerçekleşeceğini tahmin etme görevidir. Tezin amacı, yürüyüş, koşu, oturma, ayakta durma ve merdiven gibi günlük aktivitelerini gerçekleştiren 29 kullanıcı için fiziksel aktiviteyi belirlemek ve toplam kullanıcı etkinliğini 10 saniye içinde belirlemektir. Çalışma, veri madenciliği tekniklerinin algoritmalarına karşı esnekliği nedeniyle Weka Workbench'i kullanmıştır. Seçilen algoritmalar SVM, Karar ağacı, Naïve Bayes sınıflandırıcısı ve K-Star seçkinlerdi. Sonuçta, tüm veri madenciliği algoritmalarının veri yönetimine göre doğru olmadığı tespit edilmiştir. Bu tezin temel amacı çevrede kullanılacak genelleştirilmiş bir model oluşturmaktır. Çalışmalarımız önemli derecede yararlıdır, bu modelin performansı, kullanıcının yeterli miktarda egzersiz yapıp kullanmadığını ölçmek ve tüketilen günlük kalori sayısını tahmin etmek için kullanılabilecek genel bir etkinlik düzeyini göstermeye yardımcı olur.

Today, smartphones are always on constant evolution and these devices are becoming ubiquitous part of daily life. The smart devices now contain many powerful sensors such as audio sensors (i.e., microphones), light sensors, temperature sensors, direction sensors (i.e., magnetic compass), and acceleration sensors (i.e., accelerometers). The development of inexpensive and small sensors made this area a reality and these sensors provide us with a new and exciting opportunity for data mining and data mining applications. Normally the approaches we propose use accelerometer sensors to perform activity recognition. Activity recognition is the task of predicting which activities are taking place at a certain moment of time when considering only one individual user. The idea of thesis is to identify the physical activity for twenty-nine users performing their daily activity such as walking, jogging, sitting, standing, and stairs, and then determine the total user activity over 10 seconds. The study has employed Weka Workbench due to its flexibility towards the algorithms of data mining techniques. The selected algorithms were SVM, Decision-tree, Naïve Bayes classifier, and K-Star are the eminent ones. Conclusively, it has been established that not all the data mining algorithms are accurate with respect to the data management. The main goal of this thesis is to build a generalized model to be used in the environment. Our work has a significant usefulness, the performance of this model helps to indicate an overall activity level, which could be used to measure if the user is getting an enough amount of exercise and estimate the number of daily calories consumed.