Yazar "Topuz, Elif Kevser" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • [ X ]
    Öğe
    Human activity recognition from multiple sensors data using deep CNNs
    (Springer, 2024) Kaya, Yasin; Topuz, Elif Kevser
    Smart devices with sensors now enable continuous measurement of activities of daily living. Accordingly, various human activity recognition (HAR) experiments have been carried out, aiming to convert the measures taken from smart devices into physical activity types. HAR can be applied in many research areas, such as health assessment, environmentally supported living systems, sports, exercise, and security systems. The HAR process can also detect activity-based anomalies in daily life for elderly people. Thus, this study focused on sensor-based activity recognition, and we developed a new 1D-CNN-based deep learning approach to detect human activities. We evaluated our model using raw accelerometer and gyroscope sensor data on three public datasets: UCI-HAPT, WISDM, and PAMAP2. Parameter optimization was employed to define the model's architecture and fine-tune the final design's hyper-parameters. We applied 6, 7, and 12 classes of activity recognition to the UCI-HAPT dataset and obtained accuracy rates of 98%, 96.9%, and 94.8%, respectively. We also achieved an accuracy rate of 97.8% and 90.27% on the WISDM and PAMAP2 datasets, respectively. Moreover, we investigated the impact of using each sensor data individually, and the results show that our model achieved better results using both sensor data concurrently.
  • [ X ]
    Öğe
    Human activity recognition using deep convolutional neural network
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2021) Topuz, Elif Kevser; Kaya, Yasin
    İnsan aktivitesi tanıma problemleri, insanların davranış kalıplarının belirlenmesi için bir kişinin günlük yaşamını kaydetme ve analiz etme süreçlerini içerir. Aktivite verilerini toplamak için video tabanlı aktivite tanıma ve sensör temelli aktivite tanıma gibi çeşitli yöntemler geliştirilmiştir. Derinlik sensörleri, giyilebilir (taşınabilir) cihazlar ve RGB kameralar aracılığıyla insanların yürüme, oturma, koşma, zıplama, merdiven inme, merdiven çıkma gibi aktivitelerini kayıt altına alınarak çalışmalar yapılmıştır. Aktivite tanıma ile özellikle sağlık, nesnelerin interneti, akıllı şehirler, taşımacılık ve güvenlik alanlarında sistemler geliştirilmiştir. Etkinlik tanıma yoluyla güvenlik izleme ve tehdit algılama için faaliyete duyarlı yaklaşımlar geliştirilmiştir. Faaliyet bazlı anormallikler izlenerek potansiyel tehditler tespit edilebilir ve uygun önlemler alınabilir. Hemen hemen birçok akıllı cihazda bulunan ivmeölçer, jiroskop ve manyetometre sensörleri sayesinde veri toplamak oldukça kolaylaşmıştır. Elde edilen verileri sınıflandırmak için ANN, CNN, RNN ve LSTM gibi derin öğrenme yöntemleri kullanılmaktadır. Araştırmamızda esas olarak sensör tabanlı aktivite tanımaya odaklandık. İvmeölçer ve jiroskop verilerinden oluşan UCI-HAR veri setindeki ham veriler kullanılarak 1 boyutlu konvülasyonel sinir ağı ile sınıflandırmalar yapıldı. Datalar üzerinde matematiksel veya istatistiksel herhangi bir öznitelik çıkarımı yapılmadı. Ham veriler median filtreleme ile filtrelenmiştir. 6, 7 ve 12 aktivite üzerinde gerçekleştirilen deneylerde sırasıyla 96.95%, 95.03% ve 93.08% sınıflandırma doğruluğu elde edilmiştir.
  • [ X ]
    Öğe
    SUPER-COUGH: A Super Learner-based ensemble machine learning method for detecting disease on cough acoustic signals
    (Elsevier Sci Ltd, 2024) Topuz, Elif Kevser; Kaya, Yasin
    Sound classification has obtained considerable attention in recent years due to its wide range of applications in various fields, such as speech recognition, sound surveillance, music analysis, and environmental monitoring. Because of its success, audio classification can also be employed in medical applications. Coughing is the most common disease symptom, and cough sounds might be used to diagnose them. This research focuses on identifying observable features of cough and classifying them into positive, negative, or symptomatic categories. A novel ensemble learning model based on the super learner (SL) is proposed to diagnose the disease using cough sounds utilizing various audio features such as Frequency Distribution, Time Domain Features, Spectral Features, and Time-Frequency Features. The SL method is a cross -validated approach to stacked generalization, and it can select an optimal learner from a set of learners and improve performance by selecting and merging models using cross -validation. The proposed SL model comprises DT, RF, LR, SVM, ET, and k -NN algorithms. We use the public Coughvid dataset, and the proposed model achieves a correct classification rate for symptomatic cases, which was 90.90%, and the positive predictive value for COVID-19 cases was 84.50%. The SL3 model attains 72%, 78%, 73%, 74.4%, and 78.85% precision, recall, f1 -score, accuracy, and average AUC values, respectively. The numerical results show that the proposed model might be implemented to diagnose various other diseases that can be determined from respiratory sounds.