Yazma davranışlarının mobil cihaz sensörleri kullanılarak sınıflandırılması

Year 2018, Volume: 9 Issue: 1, 133 - 142, 04.04.2018

Asım Sinan Yüksel , Fatih Ahmet Şenel İbrahim Arda Çankaya

Abstract

Sensör teknolojilerinin gelişimi ve mobil cihazlara uyumu ile birlikte mobil kullanıcı davranışlarının ve aktivitelerinin modellenmesi için yeni fırsatlar ve çalışma alanları ortaya çıkmıştır. Mobil cihaz sensörleri özellikle ayakta durma, koşma, yürüme, basamak çıkma gibi fiziksel aktivitelerin otomatik olarak sınıflandırılması, sağlık hizmetlerinde hastaların izlenmesi ve gelişmiş kullanıcı arayüzlerinin geliştirilmesi gibi uygulamalar için oldukça çekici hale gelmiştir.

Bu çalışmada diğer çalışmalardan farklı olarak yazma eylemi üzerinde durulmuştur. Tasarlanan mobil bir arayüz aracılığı ile aynı cihaz üzerinde 30 farklı kullanıcıdan 20 farklı cümleyi yazmaları istenmiş; yazım esnasında mobil cihazın üç eksenli ivmeölçer ve jiroskop sensörlerinden alınan veriler kaydedilmiştir. Elde edilen veriler önişlemden geçirildikten sonra en uygun öznitelik vektörleri elde edilmiş, bu öznitelikler kullanılarak da kullanıcıların yazma davranışları sınıflandırılmıştır. Sınıflandırmada en çok kullanılan algoritmalardan Yapay Sinir Ağları (YSA), k En Yakın Komşuluk (k-EK), Destek Vektör Makineleri (DVM) algoritmaları uygulanmıştır. Yaptığımız kullanıcı çalışmalarında YSA ile %97.91, k-EK ile %100, DVM’de ise %97.91 başarı oranı yakalanmıştır. En başarılı sonuçlar k-EK ile 1 komşuluk sayısı kullanılarak elde edilmiştir.

Çalışmamız sadece mobil cihazdan alınan sensör verileri üzerinde çalışması ve oluşturulan öznitelikler ile de yüksek ikili sınıflandırma başarısına ulaşması nedeniyle literatüre büyük katkı sağlamaktadır. Buna ek olarak her insanın kendine has yazma davranışının olduğunu ortaya çıkarılmıştır. Mobil cihaz kullanıcılarının yazma davranışları biyometrik özellikler göstermekte olup kullanıcıları birbirinden ayırt edecek, cihazların istenmeyen kişilerin eline geçmesi durumunda gerekli güvenlik önlemlerini alacak bir güvenlik mekanizması olarak kullanılabilir.

Keywords

Fiziksel aktivite tanıma, sınıflandırma, mobil cihaz sensörleri, yazma davranışı

References

• Alberts, J. L., Hirsch, J. R., Koop, M. M., Schindler, D. D., Kana, D. E., Linder, S. M. ve Thota, A. K., (2015). Using accelerometer and gyroscopic measures to quantify postural stability, Journal of athletic training, 50, 6, 578-588.
• Choi, E. S., Bang, W. C., Cho, S. J., Yang, J., Kim, D. Y. ve Kim, S. R., (2005). Beatbox music phone: gesture-based interactive mobile phone using a tri-axis accelerometer, IEEE International Conference on In Industrial Technology, 97-102, China
• Cover, T. ve Hart, P., (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27.
• Cristianini, N. ve Shawe-Taylor, J., (2000). An introduction to support vector machines: and other kernel-based learning methods. Cambridge University Press.
• Győrbíró, N., Fábián, Á. ve Hományi, G., (2009). An activity recognition system for mobile phones, Mobile Networks and Applications, 14, 1, 82-91.
• Hall, M. A. ve Smith, L. A., (1999). Feature Selection for Machine Learning: Comparing a Correlation-Based Filter Approach to the Wrapper, Twelfth International Florida Artificial Intelligence Research Society Conference, 235-239, Florida.
• Haykin, S. S., (2009). Neural networks and learning machines. Prentice Hall/Pearson.
• Johnson, D. A. ve Trivedi, M. M., (2011). Driving style recognition using a smartphone as a sensor platform, 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), 1609-1615, Washington DC.
• LeMoyne, R., Mastroianni, T., Cozza, M., Coroian, C. Ve Grundfest, W., (2010). Implementation of an iPhone for characterizing Parkinson’s disease tremor through a wireless accelerometer application, Annual International Conference on Engineering in Medicine and Biology Society (EMBC), 4954-4958, Buenos Aires.
• Li, Q., Stankovic, J. A., Hanson, M. A., Barth, A. T., Lach, J. ve Zhou, G., (2009). Accurate, fast fall detection using gyroscopes and accelerometer-derived posture information, Sixth International Workshop on Wearable and Implantable Body Sensor Networks, 138-143, Washington DC.
• Machado, I. P., Gomes, A. L., Gamboa, H., Paixão, V. ve Costa, R. M., (2015). Human activity data discovery from triaxial accelerometer sensor: Non-supervised learning sensitivity to feature extraction parametrization, Information Processing & Management, 51, 2, 204-214.
• Mannini, A. ve Sabatini, A. M., (2010). Machine learning methods for classifying human physical activity from on-body accelerometers, Sensors, 10, 2 1154-1175.
• McCulloch, W. S. ve Pitts, W., (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115–133.
• Mursalin, M., Zhang, Y., Chen, Y. ve Chawla, N. V., (2017). Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier, Neurocomputing, 241, 204-214.
• Su, X., Tong, H. ve Ji, P., (2014). Activity recognition with smartphone sensors, Tsinghua Science and Technology, 19, 3, 235-249.
• Zhu, J., Wu, P., Wang, X. ve Zhang, J., (2013). Sensec: Mobile security through passive sensing, International Conference on Computing, Networking and Communications (ICNC), 1128-1133, San Diego CA.