Yıl 2017, Cilt 21, Sayı 3, Sayfalar 980 - 990 2017-05-08

Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması

Ensar Arif SAĞBAŞ [1] , Serkan BALLI [2]

848 399

Giyilebilir teknolojideki gelişmelerle birlikte ortaya çıkan cihazlar hızla gündelik hayatın bir parçası haline gelmiştir. Özellikle sahip oldukları algılayıcılar, bu cihazların kullanışlılığını artırmaktadır. Bu çalışmanın amacı, akıllı saatlerin sahip olduğu algılayıcılar kullanılarak insan hareketlerinin tespit edilmesidir. Bu amaçla, akıllı saatler üzerinde çalışabilen bir mobil uygulama geliştirilmiştir. Geliştirilen uygulama ile 9 farklı insan hareketi için algılayıcı verileri akıllı saat aracılığı ile toplanmış ve 4 saniyelik pencere aralıkları ile desenler oluşturulmuştur. Oluşturulan desenler 10 farklı makine öğrenmesi yöntemi ile test edilmiş ve performansları karşılaştırılmıştır.
Hareket sınıflandırma, Akıllı saat; İvmeölçer; Adımsayar; Makine öğrenmesi
  • [1] Sağbaş, E.A., Ballı, S. 2016. Giyilebilir Akıllı Cihazlar: Dünü, Bugünü ve Geleceği, Akademik Bilişim Konferansı, 3-5 Şubat, Aydın, Baskıda.
  • [2] Su, X., Tong, H., Ji, P. 2014. Activity Recognition with Smartphone Sensors. Tsinghua Science and Technology, 19(3), 235-249.
  • [3] Khan A.M., Lee Y.K., Kim T.S. 2008. Accelerometer signal-based human activity recognition using augmented autoregressive model coefficients and artificial neural nets. Engineering in Medicine and Biology Society, 5172-5175.
  • [4] Yang, J.Y., Wang, J.S. ve Chen, Y.P. 2008. Using acceleration measurements for activity recognition: An effective learning algorithm for constructing neural classifiers. Pattern recognition letters, 29(16), 2213-2220.
  • [5] Riboni D., Bettini C. 2011. COSAR: hybrid reasoning for context-aware activity recognition. Personal and Ubiquitous Computing, 15(3), 271-289.
  • [6] Sağbaş, E.A., Ballı, S. 2016. Akıllı Telefon Sensör Verileri ile Eylem Tanımada Lojistik Regresyon ve kNN Yöntemlerinin Karşılaştırılması, 1st International Conference on Engineering Technology and Applied Science, 21-22 April, Afyonkarahisar, 894-899.
  • [7] Chernbumroong S., Atkins A.S., Yu H. 2011. Activity classification using a single wrist-worn accelerometer. In Software, Knowledge Information, Industrial Management and Applications, 1-6.
  • [8] Kwapisz J.R., Weiss G.M. ve Moore, S.A. 2014. Activity recognition using cell phone accelerometers. ACM SigKDD Explorations Newsletter, 12(2), 74-82.
  • [9] Lara, O.D., Pérez A.J., Labrador M.A., Posada J.D. 2012. Centinela: A human activity recognition system based on acceleration and vital sign data. Pervasive and mobile computing, 8(5), 717-729.
  • [10] da Silva F. G., Galeazzo E. 2013. Accelerometer based intelligent system for human movement recognition. In Advances in Sensors and Interfaces, 20-24.
  • [11] Dadashi, F., Arami, A., Crettenand, F., Millet, G. P., Komar, J., Seifert, L., Aminian, K. 2013 A hidden Markov model of the breaststroke swimming temporal phases using wearable inertial measurement units. In Body Sensor Networks, 6-9 May, MIT, Cambridge, USA, 1-6.
  • [12] Mortazavi, B. J., Pourhomayoun, M., Alsheikh, G., Alshurafa, N., Lee, S. I., Sarrafzadeh, M. 2014 Determining the single best axis for exercise repetition recognition and counting on smartwatches. In Wearable and Implantable Body Sensor Networks, 16-19 Haziran, Zürich Switzerland, 33-38.
  • [13] Dong, Y., Scisco, J., Wilson, M., Muth, E., Hoover, A. 2014 Detecting periods of eating during free-living by tracking wrist motion. Biomedical and Health Informatics, 18(4), 1253-1260.
  • [14] Guiry, J.J., van de Ven P., ve Nelson J. 2014. Multi-sensor fusion for enhanced contextual awareness of everyday activities with ubiquitous devices. Sensors, 14(3), 5687-5701.
  • [15] Wang, S., Chen, C. Ma, J. 2010. Accelerometer based transportation mode recognition on mobile phones. Wearable Computing Systems (APWCS), 44-46
  • [16] Shoaib M., Bosch S., Scholten H., Havinga P. J., Incel O. D. 2015. Towards detection of bad habits by fusing smartphone and smartwatch sensors. In Pervasive Computing and Communication Workshops, St. Louis, 591-596.
  • [17] Weiss G.M., Timko J.L., Gallagher C.M., Yoneda K., Schreiber A.J. 2016. Smartwatch-based activity recognition: A machine learning approach. Biomedical and Health Information. 426-429.
  • [18] Ballı S., ve Sağbaş, E.A. 2017 The Usage of Statistical Learning Methods on Wearable Devices and a Case Study: Activity Recognition on Smartwatches, Advances in Statistical Methodologies and Their Applications to Real Problems, InTech, Rijeka, Croatia, Baskıda.
  • [19] Chandra B., Gupta M., 2011. Robust approach for estimating probabilities in Naïve–Bayes Classifier for gene expression data. Expert Systems with Applications, 38(3), 1293-1298.
  • [20] Feng T., Timmermans H.J.P. 2010. Comparative Evaluation of Algorithms for GPS Data Imputation. 13th WCTR, 15 Temmuz, Rio de Janerio, 1-11.
  • [21] Sökün H., Kalkan H., Cetişli B. 2012. Classification of physical activities using accelerometer signals. In Signal Processing and Communications Applications Conference, 18-20 Nisan, Muğla, 1-4.
  • [22] Breiman, L. 2001. Random Forests. Machine Learning. 45(1), 5-32.
  • [23] Özkan, Y., Selçukcan Erol, Ç. 2015. Biyoenformatik DNA Mikrodizi Veri Madenciliği. Papatya Yayıncılık Eğitim, İstanbul, 432s.
  • [24] Korb K.B, Nicholson A.E. 2011. Bayesian Artificial Intelligence. 2, David Blei, David Madigan, Marina Meila, Fionn Murtagh, Boca Raton, 452s.
  • [25] Frank, E., Wang, Y., Inglis, S., Holmes, G., Witten, I. H. 1998. Using model trees for classification. Machine Learning, 32(1), 63-76.
  • [26] Zhao, Y., Zhang, Y. 2008. Comparison of decision tree methods for finding active objects. Advances in Space Research, 41(12), 1955-1959.
  • [27] Moto 360, http://www.motorola.com/us/products/moto-360 (Erişim Tarihi: 05.04.2016)
  • [28] Bieber, G., Peter, C. 2008. Using physical activity for user behavior analysis. In Proceedings of the 1st international conference on PErvasive Technologies Related to Assistive Environments, Atina, 15-19 Temmuz, p. 94.
  • [29] Use WEKA in your Java code, https://weka.wikispaces.com/Use+WEKA+in+your+Java+code (Erişim Tarihi: 05.04.2016)
  • [30] Sağbaş E.A., Ballı S. 2016. Akıllı Telefon Algılayıcıları ve Makine Öğrenmesi Kullanılarak Ulaşım Türü Tespiti. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 22(5), 376-383
  • [31] Using the Step Counter Sensor, http://developer.android.com/guide/topics/sensors/sensors_motion.html#sensors-motion-stepcounter (Erişim Tarihi: 05.04.2016)
  • [32] Ballı S., 2016. A data mining approach to the diagnosis of failure modes for two serial fastened sandwich composite plates. Journal of Composite Materials. Baskıda.
  • [33] Witten I.H., Frank E. 2005. Data mining: Practical machine learning tools and techniques. San Francisco, CA: Morgan Kaufmann Publishers, 525s.
  • [34] Garner, S. R. (1995). Weka: The waikato environment for knowledge analysis. In Proceedings of the New Zealand computer science research students conference. Hamilton, New Zealand, 57-64.
Konular
Dergi Bölümü Makaleler
Yazarlar

Yazar: Ensar Arif SAĞBAŞ

Yazar: Serkan BALLI

Bibtex @ { sdufenbed382274, journal = {Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi}, issn = {}, eissn = {1308-6529}, address = {Süleyman Demirel Üniversitesi}, year = {2017}, volume = {21}, pages = {980 - 990}, doi = {10.19113/sdufbed.32689}, title = {Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması}, key = {cite}, author = {BALLI, Serkan and SAĞBAŞ, Ensar Arif} }
APA SAĞBAŞ, E , BALLI, S . (2017). Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21 (3), 980-990. Retrieved from http://dergipark.gov.tr/sdufenbed/issue/34610/382274
MLA SAĞBAŞ, E , BALLI, S . "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması". Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 21 (2017): 980-990 <http://dergipark.gov.tr/sdufenbed/issue/34610/382274>
Chicago SAĞBAŞ, E , BALLI, S . "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması". Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 21 (2017): 980-990
RIS TY - JOUR T1 - Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması AU - Ensar Arif SAĞBAŞ , Serkan BALLI Y1 - 2017 PY - 2017 N1 - DO - T2 - Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi JF - Journal JO - JOR SP - 980 EP - 990 VL - 21 IS - 3 SN - -1308-6529 M3 - UR - Y2 - 2018 ER -
EndNote %0 Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması %A Ensar Arif SAĞBAŞ , Serkan BALLI %T Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması %D 2017 %J Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi %P -1308-6529 %V 21 %N 3 %R %U
ISNAD SAĞBAŞ, Ensar Arif , BALLI, Serkan . "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması". Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 21 / 3 (Mayıs 2017): 980-990.