Bu çalışmada, giyilebilir minyatür atalet sensör kullanılarak insan alt ekstremite aktivitelerinin sınıflandırılması çalışması gerçekleştirilmiştir. Çalışmada kullanılan atalet sensörü dokuz serbestlik dereceli olup bünyesinde üç eksenli bir jiroskop, üç eksenli bir ivmeölçer ve üç eksenli bir manyetometre barındırmaktadır. Gönüllü kişinin sağ ayak bileğine giydiği takılan bir adet atalet sensör vasıtasıyla kişin yürüme, koşma, merdiven çıkma, oturma hareketleri esnasında hareket verileri toplanmış ve kaydedilmiştir. İlk olarak kaydedilen bu üç sensör verisi sentezlenerek bacağın hareket esnasındaki kinematik yönelim açıları (yunuslama, yuvarlama, yalpa) hesaplanmıştır. Sonrasında bu yönelim açılarına ait iki adet özellik (enerji ve maksimum değer) matrisi hesaplanmıştır. Hesaplanan bu özellik matrisleri hareket sınıflandırma algoritmalarına girdi olarak verilmiştir. Çalışma kapsamında dört adet hareket sınıflandırma algoritması kullanılmıştır. Bunlar karar ağacı, k-en yakın komşu, destek vektör makinası ve rastgele orman sınıflandırma algoritmalarıdır. Tüm alt ekstremite hareket tiplerinde en yüksek sınıflandırma başarısı en yakın komşu sınıflandırıcısı ile elde edilmiş olup yürüme, koşma, oturma, merdiven çıkma hareketleri için sırası ile hareket sınıflandırma doğruluğu %83.3, %100, % 83.3ve %91.6’dir.
In this study, a classification study of human lower extremity activities was carried out using a wearable miniature inertial sensor. The inertial sensor used in the study has nine degrees of freedom and includes a three-axis gyroscope, a three-axis accelerometer and a three-axis magnetometer. Movement data were collected and recorded during the walking, running, climbing stairs and sitting movements of the volunteer by means of an inertial sensor worn on the right ankle of the volunteer. Firstly, these three recorded sensor data were synthesized and the kinematic orientation angles (pitch, roll, yaw) of the leg during the movement were calculated. Then, two property (energy and maximum value) matrices of these orientation angles were calculated. These calculated feature matrices are given as input to motion classification algorithms. Within the scope of the study, four motion classification algorithms were used. These are decision tree, k-nearest neighbor, support vector machine and random forest classification algorithms. The highest classification success in all lower extremity motion types was obtained with the nearest neighbor classifier, and the motion classification accuracy was 83.3%, 100%, 83.3%, and 91.6% for walking, running, sitting, and climbing stairs, respectively.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Publication Date | December 31, 2021 |
Submission Date | May 2, 2021 |
Published in Issue | Year 2021 |