Jiroskop ve İvme Ölçer Verileriyle Makine Öğrenmesi Algoritmaları Kullanılarak İnsan Aktivitesi Tanımlama

Yıl 2021, Sayı: 28, 811 - 818, 30.11.2021

Cem Özkaya Mustafa Yasin Esas

https://doi.org/10.31590/ejosat.1011461

Öz

Günümüzde akıllı cihazlar aracılığıyla (telefon, saat vb.) fiziksel hareket ve yakılan kalori miktarının takip edilmesi cihaz kullanıcıları tarafından yaygın olarak kullanılmaktadır. Bu akıllı cihazlar vasıtasıyla elde edilen verilere dayalı olarak gerçekleştirilen aktivitenin yüksek doğrulukla tanımlanması bazı hastalıkların veya fizyolojik eksikliklerin ortaya çıkarılması ve tedavisinde fikir verebilmektedir. Bu kapsamda çalışmamızda akıllı telefon vasıtasıyla elde edilmiş olan jiroskop ve ivmeölçer verilerine dayalı olarak yüksek doğrulukla aktivite tanımlanması çalışması gerçekleştirilmiştir. Yapılan çalışmada aktivite tanımlaması olarak merdiven inme, merdiven çıkma, koşma ve ayakta durma verileri sınıflandırılmıştır. Bu verileri ait on iki adet öznitelik tespit edilmiş ve bu öznitelikler sınıflandırma algoritmalarında kullanılmıştır. Çalışma, MatLab “Classification Learner Toolbox” uygulamasında bulunan sınıflandırma yöntemleri kullanılarak gerçekleştirilmiştir. Elde edilen bulgular literatür ile uyumlu ve katkı sağlayacak niteliktedir. Çalışmada hareket tanımlaması kapsamında %90 seviyelerinde doğruluk oranları elde edilmiştir. Çalışmamız ön araştırma niteliğinde olup, sonraki çalışmalarımız için faydalı bulgular içermektedir.

Anahtar Kelimeler

İnsan aktivitesi tanımlama, Jiroskop, İvmeölçer, Aktivite sınıflandırma, Sınıflandırma yöntemleri, Makine öğrenmesi

Identifying Human Activity Using Machine Learning Algorithms with Gyroscope and Accelerometer Data

Öz

Today, tracking physical movement and the amount of calories burned through smart devices (phone, watch, etc.) is widely used by device users. Identifying the activity performed with high accuracy based on the data obtained by these smart devices can give an idea in the detection and treatment of some diseases or physiological deficiencies. In this context, in our study, a high-accuracy activity identification study was carried out based on the gyroscope and accelerometer data obtained via a smart phone. In the study, the data of stair down, stair up, running and standing were classified as activity definitions. Twelve features of this data were identified and these features were used in classification algorithms. The study was carried out using the classification methods available in the MatLab "Classification Learner Toolbox" application. The obtained findings are compatible with the literature and contribute to it. In the study, accuracy rates of 90% were obtained within the scope of motion identification. Our study is a preliminary research and contains useful findings for our further studies.

Anahtar Kelimeler

Human activity identification, Gyroscope, Accelerometer, Activity classification, Classification methods, Machine learning

Kaynakça

• Malekzadeh, M., Clegg, RG., Cavallaro, A., Haddadi, H., "Mobile sensor data anonymization", In Proceedings of the International Conference on Internet of Things Design and Implementation (IoTDI '19), ACM, New York, NY, USA, 49-58, 2019.
• Yan, W., Sun, Cang S., Yu, H., "A survey on wearable sensor modality centred human activity recognition in health care ", Expert Systems With Applications, 137 (2019) 167–190, 2019.
• Jia, H., Chen, S., "Integrated data and knowledge driven methodology for human activity recognition", Information Sciences, 536(2020), 409-430, 2020.
• Nweke, H.F., Teh, Y.W., Al-garadi, M.A., Alo, U.R., "Deep learning algorithms for human activity recograniton using mobile and wearable sensor networks: State of the art and research challenges", Expert Systems With Applications 105 (2018), 233-261, 2020.
• Subasi, A., Fllatah, A., Alzobidi, K., Brahimi, T., Sarirete, A., "Smartphone-Based Human Activity Recognation Using Bagging and Boosting", Procedia Computer Science 163 (2019), 54-61, 2019.
• Jobanputra, C., Bavishi, J., Doshi, N., "Human Activity Recognation: A Survey", Procedia Computer Science 155 (2019), 698-703, 2019.