Yıl 2021, Cilt 9 , Sayı 1, Sayfalar 194 - 198 2021-01-29

İvmeölçer ve Nesnelerin İnterneti Tabanlı Gerçek Zamanlı İnsan Aktivite Tespiti
Real-Time Human Activity Detection Based on Accelerometers and Internet of Things

Kenan ERİN [1] , Cüneyt BAYILMIŞ [2] , Barış BORU [3]


İnsan aktivite tespiti son zamanlarda popülerliği artan bir makine öğrenmesi problemidir. Hareketi tespit etmek için ivmeölçer, jiroskop v.b sensörler veya kamera yardımıyla görüntü işleme yapılarak tahminler yapılabilmektedir. Bireylerden sensörler vasıtasıyla alınan veriler ön işlemden geçerek sınıflandırma algoritmaları ile sınıflandırılarak kişilerin hangi hareketi yaptıkları tespit edilmeye çalışılmaktadır. Bu çalışma kapsamında mobil cihaz için yapılan android yazılım ile cihazın ivmeölçer sensörü kullanılarak nesnelerin interneti tabanlı insan hareketlerinin tespiti gerçekleştirilmiştir. İlk önce tespiti yapılacak hareketler için veri toplanmıştır ve ön işlemden geçirilmiştir. Daha sonra oluşan veri setinden özellik çıkarımı yapılmıştır. Elde edilen veri üzerine Destek Vektör Makinaları, Rastgele Orman ve K En Yakın Komşuluk algoritmaları uygulanarak yapılan hareketler sınıflandırılmıştır. Sınıflandırma başarıları tespit edilmiş olup en başarılı sınıflandırma algoritması nesnelerin interneti tabanlı uygulama ile gerçek zamanlı sınıflandırma işlemi için kullanılmıştır.
Human activity detection is a machine learning problem that has recently become more popular. Estimations can be done using image processing by means of accelerometer, gyroscope, sensor or camera to detect movement. The data obtained from the individuals through sensors is pre-processed and classified with classification algorithms to determine which movement they make. Within the scope of this study, the internet based human movements were determined by using the accelerometer sensor of a device with an android software made for the mobile device. First, data was collected and pre-processed for the movements to be determined. Then feature extraction was performed from the data set. The movements were classified by using Support Vector Machines, Random Forest and K Nearest Neighbour algorithms on the resulting data. Classification successes have been determined and the most successful classification algorithm has been used for real time classification of objects with internet based application.
  • [1] Uddin, M. Z. “A wearable sensor-based activity prediction system to facilitate edge computing in smart healthcare system. Journal of Parallel and Distributed Computing”, 123, 46-53,2019.
  • [2] Yamada, Y., Shinkuma, R., Iwai, T., Onishi, T., Nobukiyo, T., & Satoda, K. “Temporal traffic smoothing for IoT traffic in mobile networks”. Computer Networks, 146, 115-124, 2018..
  • [3] M. M. Hassan, M. Z. Uddin, A. Mohamed, and A. Almogren, “A robust human activity recognition system using smartphone sensors and deep learning,” Futur. Gener. Comput. Syst., vol. 81, pp. 307–313, 2018.
  • [4] S. H. Cha, J. Seo, S. H. Baek, and C. Koo, “Towards a well-planned, activity-based work environment: Automated recognition of office activities using accelerometers,” Build. Environ., vol. 144, no. April, pp. 86–93, 2018.
  • [5] C. Catal, S. Tufekci, E. Pirmit, and G. Kocabag, “On the use of ensemble of classifiers for accelerometer-based activity recognition,” Appl. Soft Comput. J., vol. 37, pp. 1018–1022, 2015.
  • [6] M. Babiker, O. O. Khalifa, K. Kyaw Htike, A. Hassan, and M. Zaharadeen, “Automated Daily Human Activity Recognition for Video Surveillance Using Neural Network,” Proc. 4th IEEE Int. Conf. Smart Instrumentation, Meas. Appl., no. November, pp. 28–30, 2017.
  • [7] Y. Chen and C. Shen, “Performance Analysis of Smartphone-Sensor Behavior for Human Activity Recognition,” IEEE Access, vol. 5, pp. 3095–3110, 2017.
  • [8] M. A. Ayu, S. A. Ismail, A. F. Abdul Matin, and T. Mantoro, “A comparison study of classifier algorithms for mobile-phone’s accelerometer based activity recognition,” Procedia Eng., vol. 41, no. Iris, pp. 224–229, 2012.
  • [9] Ermes, M., Pärkkä, J., Mäntyjärvi, J., & Korhonen, I. "Detection of daily activities and sports with wearable sensors in controlled and uncontrolled conditions". IEEE transactions on information technology in biomedicine.,vol. 12,pp. 20-26,2008.
  • [10] C. Cortes, V. Vapnik, Support-vector networks, Machine learning, vol. 20(3), pp. 273-297,1995
  • [11] Breiman, L.." Random forests". Machine learning,vol. 45,pp. 5-32, 2001.
  • [12] Ericsson mobility report june 2017 (https://www.ericsson.com/assets/local/mobilityreport/documents/2017/ericsson-mobility-report-june-2017.pdf )
Birincil Dil tr
Konular Mühendislik
Yayınlanma Tarihi Ocak 2021
Bölüm Makaleler
Yazarlar

Orcid: 0000-0003-4714-1161
Yazar: Kenan ERİN (Sorumlu Yazar)
Kurum: Sakarya Uygulamalı Bilimler Üniversitesi
Ülke: Turkey


Orcid: 0000-0003-1058-7100
Yazar: Cüneyt BAYILMIŞ
Kurum: SAKARYA UNIVERSITY
Ülke: Turkey


Orcid: 0000-0002-0993-3187
Yazar: Barış BORU
Kurum: SAKARYA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ
Ülke: Turkey


Tarihler

Başvuru Tarihi : 13 Ekim 2020
Kabul Tarihi : 10 Aralık 2020
Yayımlanma Tarihi : 29 Ocak 2021

IEEE K. Erin , C. Bayılmış ve B. Boru , "İvmeölçer ve Nesnelerin İnterneti Tabanlı Gerçek Zamanlı İnsan Aktivite Tespiti", Academic Platform Journal of Engineering and Science, c. 9, sayı. 1, ss. 194-198, Oca. 2021, doi:10.21541/apjes.809777