Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması
Yıl: 2017 Cilt: 21 Sayı: 3 Sayfa Aralığı: 980 - 990 Metin Dili: Türkçe DOI: 10.19113/sdufbed.32689 İndeks Tarihi: 28-11-2018
Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması
Öz: 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.
Anahtar Kelime: Konular:
Classification of Human Motions with Smartwatch Sensors
Öz: The devices generated with the developments in wearable technology are quickly becoming a part of daily life. Especially, sensors they have increase the usefulness of these devices. The aim of this study is detection of human motions by using smartwatch sensors. For this purpose, a mobile application has been developed which runs on smartwatches. Sensor data for 9 different types of human motions have been collected via smartwatches and patterns have been formed with 4 second window intervals. Created patterns have been tested with 10 different machine learning methods and their performances have been compared.
Anahtar Kelime: Konular:
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- 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.
- Witten I.H., Frank E. 2005. Data mining: Practical machine learning tools and techniques. San Francisco, CA: Morgan Kaufmann Publishers, 525s.
- 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.
- Using the Step Counter Sensor, http://developer.android.com/guide/topics/sen sors/sensors_motion.html#sensors-motionstepcounter (Erişim Tarihi: 05.04.2016)
- 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
- Use WEKA in your Java code, https://weka.wikispaces.com/Use+WEKA+in+y our+Java+code (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.
- Moto 360, http://www.motorola.com/us/products/moto360 (Erişim Tarihi: 05.04.2016)
- Zhao, Y., Zhang, Y. 2008. Comparison of decision tree methods for finding active objects. Advances in Space Research, 41(12), 1955-1959.
- Frank, E., Wang, Y., Inglis, S., Holmes, G., Witten, I. H. 1998. Using model trees for classification. Machine Learning, 32(1), 63-76.
- Korb K.B, Nicholson A.E. 2011. Bayesian Artificial Intelligence. 2, David Blei, David Madigan, Marina Meila, Fionn Murtagh, Boca Raton, 452s.
- Özkan, Y., Selçukcan Erol, Ç. 2015. Biyoenformatik DNA Mikrodizi Veri Madenciliği. Papatya Yayıncılık Eğitim, İstanbul, 432s.
- Breiman, L. 2001. Random Forests. Machine Learning. 45(1), 5-32.
- 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.
- Feng T., Timmermans H.J.P. 2010. Comparative Evaluation of Algorithms for GPS Data Imputation. 13th WCTR, 15 Temmuz, Rio de Janerio, 1-11.
- 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.
- 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.
- 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.
- 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.
- Wang, S., Chen, C. Ma, J. 2010. Accelerometer based transportation mode recognition on mobile phones. Wearable Computing Systems (APWCS), 44-46
- Guiry, J.J., van de Ven P., ve Nelson J. 2014. Multisensor fusion for enhanced contextual awareness of everyday activities with ubiquitous devices. Sensors, 14(3), 5687-5701.
- Dong, Y., Scisco, J., Wilson, M., Muth, E., Hoover, A. 2014 Detecting periods of eating during freeliving by tracking wrist motion. Biomedical and Health Informatics, 18(4), 1253-1260.
- 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.
- 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.
- da Silva F. G., Galeazzo E. 2013. Accelerometer based intelligent system for human movement recognition. In Advances in Sensors and Interfaces, 20-24.
- 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.
- 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.
- 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.
- 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.
- Riboni D., Bettini C. 2011. COSAR: hybrid reasoning for context-aware activity recognition. Personal and Ubiquitous Computing, 15(3), 271-289.
- 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.
- 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.
- Su, X., Tong, H., Ji, P. 2014. Activity Recognition with Smartphone Sensors. Tsinghua Science and Technology, 19(3), 235-249.
- Sağbaş, E.A., Ballı, S. 2016. Giyilebilir Akıllı Cihazlar: Dünü, Bugünü ve Geleceği, Akademik Bilişim Konferansı, 3-5 Şubat, Aydın, Baskıda.
| APA | Ballı S, SAĞBAŞ E (2017). Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. , 980 - 990. 10.19113/sdufbed.32689 |
| Chicago | Ballı Serkan,SAĞBAŞ ENSAR ARİF Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. (2017): 980 - 990. 10.19113/sdufbed.32689 |
| MLA | Ballı Serkan,SAĞBAŞ ENSAR ARİF Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. , 2017, ss.980 - 990. 10.19113/sdufbed.32689 |
| AMA | Ballı S,SAĞBAŞ E Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. . 2017; 980 - 990. 10.19113/sdufbed.32689 |
| Vancouver | Ballı S,SAĞBAŞ E Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. . 2017; 980 - 990. 10.19113/sdufbed.32689 |
| IEEE | Ballı S,SAĞBAŞ E "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması." , ss.980 - 990, 2017. 10.19113/sdufbed.32689 |
| ISNAD | Ballı, Serkan - SAĞBAŞ, ENSAR ARİF. "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması". (2017), 980-990. https://doi.org/10.19113/sdufbed.32689 |
| APA | Ballı S, SAĞBAŞ E (2017). Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(3), 980 - 990. 10.19113/sdufbed.32689 |
| Chicago | Ballı Serkan,SAĞBAŞ ENSAR ARİF Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 21, no.3 (2017): 980 - 990. 10.19113/sdufbed.32689 |
| MLA | Ballı Serkan,SAĞBAŞ ENSAR ARİF Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol.21, no.3, 2017, ss.980 - 990. 10.19113/sdufbed.32689 |
| AMA | Ballı S,SAĞBAŞ E Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2017; 21(3): 980 - 990. 10.19113/sdufbed.32689 |
| Vancouver | Ballı S,SAĞBAŞ E Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2017; 21(3): 980 - 990. 10.19113/sdufbed.32689 |
| IEEE | Ballı S,SAĞBAŞ E "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması." Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21, ss.980 - 990, 2017. 10.19113/sdufbed.32689 |
| ISNAD | Ballı, Serkan - SAĞBAŞ, ENSAR ARİF. "Akıllı Saat Algılayıcıları ile İnsan Hareketlerinin Sınıflandırılması". Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 21/3 (2017), 980-990. https://doi.org/10.19113/sdufbed.32689 |
