İnsan Hareketlerinin Tanınması için Parçacık Sürü Optimizasyonu Tabanlı Topluluk Sınıflandırıcı Yöntemi

Yıl 2020, Cilt: 32 Sayı: 2, 381 - 390, 24.09.2020

İlhan Aydın , Büşran Aşıcı

https://doi.org/10.35234/fumbd.671403

Cited By: 1

Öz

İnsan hareket tespiti, teknolojinin gelişmesi ile birçok çalışmanın odak noktasıdır. Hareket tespiti çalışmalarını akıllı evler, sağlık sistemleri, izleme ve güvenlik sistemleri, oyun sektörü ve spor gibi alanlarda görebilmekteyiz. Bu çalışmamızda çoğu insanın günlük olarak sıkça yaptıkları yürüme, merdivenden çıkma, merdivenden inme, oturma, ayakta durma ve uzanma aktivitelerini tespit etmek için ivme sensörü verileri kullanılmıştır ve verilerden özellik çıkarımları yapılmıştır. Ortalama alma, karelerin ortalaması, oto korelasyon, frekans spektrumunda tepe değerlerinin ve pozisyonlarının hesaplanması gibi özellikler ivme verilerinin her ekseni için çıkarılmıştır. Birçok çalışmada ivme verileri ile çıkarılan özellikler bir sınıflandırma algoritması ile test edilir. Hareket tespiti için büyük veri kümeleri üzerinde tek bir sınıflandırıcı ile yüksek başarımın elde edilmesi çoğu zaman zordur. Uygulama zaman aralığı değiştiğinde tek bir öğrenme algoritması kullanmak kabul edilebilir bir performans sunmayabilir. Herhangi bir sınıflandırıcı, bir “m” zaman aralığında iyi sonuç verirken farklı bir zaman aralığında iyi sonuç vermeyebilir. Bu sebeple birden fazla sınıflandırıcının uygun şekilde birleştirilmesi ile daha yüksek başarımlar elde edilebilir. Topluluk sınıflandırıcıda, birkaç sınıflandırıcı birlikte son çıkışı oluşturur. Bu yüzden bu çalışmada topluluk seçim yöntemi önerilmiştir ve yöntemde parçacık sürü optimizasyonu tabanlı bir topluluk kullanılmaktadır. Çalışmamızda, sınıflandırıcılar bir araya getirilmekte ve sınıflandırma performansını en fazla arttıran en iyi sınıflandırıcı grup otomatik olarak seçilmektedir. Parçacık sürü optimizasyonu ile sınıflandırıcı kombinasyonu yapıldığında başarımın %98’in üzerinde olduğu kanıtlanmıştır.

Anahtar Kelimeler

Hareket tanıma, parçacık sürü optimizasyonu, topluluk sınıflandırma, makine öğrenmesi

Kaynakça

• [1] Wong MS, Lo KH, Wong WY. Clinical Applications of Sensors for Human Posture and Movement Analysis: A Review. Prosthetics and Orthotics International 2007; 31(1): 62–75.
• [2] Kwolek B, Kepski M. Human fall detection on embedded platform using depth maps and wireless accelerometer. Computer Methods and Programs in Biomedicine 2014; 117(3): 489-501.
• [3] Siddiqi MH, Ali R, Rana MS, Hong EK, Kim ES, Lee S. Video-based human activity recognition using multilevel wavelet decomposition and stepwise linear discriminant analysis. Sensors 2014; 14: 6370-6392.
• [4] Shih HC. A survey of content-aware video analysis for sports. IEEE Transactions on Circuits and Systems for Video Technology 2017, 28(5), 1212-1231.
• [5] Lara OD, Labrador MA. A Survey on Human Activity Recognition using Wearable Sensors. IEEE Communications Surveys & Tutorials 2013; 15(3): 1192-1209.
• [6] Aydin I. Fuzzy integral and cuckoo search based classifier fusion for human action recognition. Advances in Electrical and Computer Engineering, 2018; 18(1): 3-11.
• [7] Attal F, Mohammed S, Dedabrishvili M, Chamroukh Fi, Oukhellou L, Amirat Y. Physical Human Activity Recognition Using Wearable Sensors. Sensors 2015; 15(12): 31314-31338.
• [8] Yin J, Yang Q, Pan JJ. Sensor-Based Abnormal Human-Activity Detection. IEEE Transactions on Knowledge and Data Engineering 2008; 20(8): 1082-1090.
• [9] Yin X, Shen W, Samarabandu J, Wang X. Human activity detection based on multiple smart phone sensors and machine learning algorithms. 2015 IEEE 19th International Conference on Computer Supported Cooperative Work in Design (CSCWD); 2015; Calabria.
• [10] Yatani K, Truang KN. BodyScope: A wearable acoustic sensor for activity recognition. Proceedings of the 2012 ACM Conference on Ubiquitous Computing; 2012; Pittsburgh, Pennsylvania.
• [11] Huang P, Hsu LP. Development of a wearable biomedical health-care system. 2005 IEEE/RSJ International Conference on Intelligent Robots and Systems; 2005. 1760-1765.
• [12] Cornacchia M, Ozcan K, Zheng Y, Velipasalar S. A Survey on Activity Detection and Classification Using Wearable Sensors. IEEE Sensors Journal 2017; 17(2): 386-403.
• [13] Zawar HMS. Different Approaches for Human Activity Recognition– A Surway. 11 Jun 2019. [Online]. Available: https://www.groundai.com/project/different-approaches-for-human-activity-recognition-a-survey/1.
• [14] Mirmahboub B, Samavi S, Karimi N, Shirani S. Automatic Monocular System for Human Fall Detection Based on Variations in Silhouette Area. IEEE Transactions on Biomedical Engineering 2013; 60(2): 427-436.
• [15] Khan MS, Yu M, Feng P, Wang L, Chambers J. An unsupervised acoustic fall detection system using source separation for sound interference suppression. Signal Processing 2015; 110: 199-210.
• [16] Kwolek B, Kepski M. Fuzzy inference-based fall detection using kinect and body-worn accelerometer. Applied Soft Computing 2016; 40: 305-318.
• [17] Yao Y, Fu Y. Contour Model-Based Hand-Gesture Recognition Using the Kinect Sensor. IEEE Transactions on Circuits and Systems for Video Technology 2014; 24(11): 1935-1944.
• [18] Mastorakis G, Makris D. Fall detection system using Kinect’s infrared sensor. Journal of Real-Time Image Processing 2014; 9(4): 635–646.
• [19] Yang L, Ren Y, Zhang W. 3D depth image analysis for indoor fall detection of elderly people. Digital Communications and Networks 2016; 2: 24-34.
• [20] Kepski M, Kwolek B. Embedded system for fall detection using body-worn accelerometer and depth sensor. 2015 IEEE 8th International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS); 2015
• [21] Wang A, Chen G, Yang J, Zhao S, Chang CY. A comparative study on human activity recognition using inertial sensors in a smartphone. IEEE Sensors Journal 2016; 16(11):4566-4578.
• [22] Chen YP, Yang JY, Liou SN, Lee GY, Wang JS. Online classifier construction algorithm for human activity detection using a tri-axial accelerometer. Applied Mathematics and Computation 2008, 205(2), 849-860.
• [23] Eberhart R, Kennedy J. Particle swarm optimization. In Proceedings of the IEEE international conference on neural networks; 1995: (Vol. 4, pp. 1942-1948).
• [24] Karaboğa D. YAPAY ZEKA OPTİMİZASYON ALGORİTMALARI. NOBEL YAYIN DAĞITIM TİC. LTD. STİ., 2011.
• [25] Anguita D, Ghio A, Oneto L, Parra X, Reyes-Ortiz JL. A Public Domain Dataset for Human Activity Recognition Using Smartphones. 21th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, ESANN 2013; 2013; Belgium.
• [26] Jain A, Kanhangad V. Human activity classification in smartphones using accelerometer and gyroscope sensors. IEEE Sensors Journal 2017; 18 (3): 1169-1177.