Akıllı Sensör Verileri Üzerinde Makine Öğrenmesi Yöntemleri Kullanılarak İnsan Aktivitelerinin Tanımlanması
Öz
Akıllı sensör teknolojilerindeki gelişmeler ve giyilebilir cihazların maliyetlerinin düşmesi sonucunda bu cihazlardan elde edilen sensör verileri kullanılarak günlük insan aktivitelerinin tanımlanmasına yönelik nesnelerin interneti tabanlı çalışmalar günümüzde önemli bir araştırma konusudur. İnsan aktivitelerinin tanımlanması sağlık, hasta takibi ve güvenlik gibi alanlarda aktiviteye bağlı sorunların çözümüne katkı sağlayabilmektedir. Bu çalışma, akıllı sensörlerden elde edilen veriler üzerinde makine öğrenmesi yöntemlerini kullanarak insan aktivitelerinin tanımlanmasını amaçlamaktadır. Çalışmada Karar Ağacı, OneVsOne ve Çok Katmanlı Algılayıcı sınıflandırıcıları ile modeller oluşturulmuş ve aktiviteleri içeren veri seti ile eğitim ve test aşamaları gerçekleştirilmiştir. Elde edilen sonuçlar karşılaştırılmış ve en iyi sonuca Çok Katmanlı Algılayıcı modeli ile ulaşıldığı görülmüştür.
Anahtar Kelimeler
Nesnelerin İnterneti , Akıllı Sensörler , Makine Öğrenmesi , Yapay zeka
Kaynakça
- Abaklıoğlu, M. (2019). The importance of internet (IOT) technology for smartcity and objects for the future cities. İstabul: Ulusal Tez Merkezi.
- Abidine, M. B., & Fergani, B. (2021). Activity Recognition From Smartphone Data Using WSVM-HMM Classification. International Journal of E-Health and Medical Communications , 20.
- Anguita, D., Ghio, A., Oneto, L., Parra, X., & Ortiz, J. (2012). Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly Support Vector Machine. Ambient Assisted Living and Home Care. , 7657. doi:https://doi.org/10.1007/978-3-642-35395-6_30
- Chai, S. S., Cheah, L. W., Goh, K. L., Chang, Y. R., Sim, K. Y., & Chin, K. O. (2021). A Multilayer Perceptron Neural Network Model to Classify Hypertension in Adolescents Using Anthropometric Measurements: A Cross-Sectional Study in Sarawak. Computational and Mathematical Methods in Medicine, 11. doi:10.1155/2021/2794888
- Choudhury, T., Consolvo, S., Harrison, B., Hightower, J., LaMarca, A., & LeGrand, L. (2008). The Mobile Sensing Platform: An Embedded Activity Recognition System. IEEE Pervasive Computing, 32-41. doi:10.1109/MPRV.2008.39
- Ferrari, A., Micucci, D., Mobilio, M., & Napoletano, P. (2021). Trends in human activity recognition using smartphones. Journal of Reliable Intelligent Environments, 189-213. doi:10.1007/s40860-021-00147-0
- Galar, M., Barrenechea, E., Fernandez, A., & Herrera, F. (2014). Enhancing difficult classes in one-vs-one classifier fusion strategy using restricted equivalence functions. FUSION 2014 - 17th International Conference on Information Fusion. . Salamanca: ResearchGate.
- Jijo, B. T., & Abdulazeez, A. M. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. Journal of Applied Science and Technology Trends, 20-28. doi:10.38094/jastt20165
- Kaur, P., Kumar, R., & Kumar, M. (2019). A healthcare monitoring system using random forest and internet of things (IoT). Multimedia Tools and Applications, 19905–19916. doi:10.1007/s11042-019-7327-8
- Kurama, V. (2020, 1 1). A Complete Guide to Decision Trees. 4 18, 2022 tarihinde https://blog.paperspace.com/: https://blog.paperspace.com/decision-trees/ adresinden alındı