Human activity recognition using deep convolutional neural network
| dc.contributor.advisor | Kaya, Yasin | |
| dc.contributor.author | Topuz, Elif Kevser | |
| dc.date.accessioned | 2025-01-06T17:12:17Z | |
| dc.date.available | 2025-01-06T17:12:17Z | |
| dc.date.issued | 2021 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Siber Güvenlik Ana Bilim Dalı | |
| dc.description | Lisansüstü Eğitim Enstitüsü, Siber Güvenlik Ana Bilim Dalı | |
| dc.description.abstract | 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. | |
| dc.description.abstract | Human activity recognition problems involve the processes of recording and analyzing a person's daily life to identify people's behavioral patterns. Various methods such as Video-Based activity recognition and Sensor-Based activity recognition have been developed to collect activity data. Studies have been carried out by recording activities such as walking, sitting, running, jumping, climbing stairs, climbing stairs by means of depth sensors, wearable (portable) devices, and RGB cameras. Systems have been developed especially in the fields of health, the internet of things, smart cities, transportation, and security with activity recognition. Activity-sensitive approaches have been developed for security monitoring and threat detection through activity recognition. By monitoring activity-based anomalies, potential threats can be identified, and appropriate precautions can be taken. Data collection has become extremely easy because of accelerometer, gyroscope, magnetometer sensors found in almost any smart device. Deep learning methods such as ANN, CNN, RNN, and LSTM are used to classify the obtained data. In our research, we mainly focused on sensor-based activity recognition. Classification tasks were done using 1-D Convolution Neural Network feeding the raw data from the UCI-HAR dataset using accelerometer and gyroscope data. Raw data filtered using Median Filter. We didn't apply any mathematical or statistical feature extraction methods to the data. For the experimental results, we implemented 6, 7, and 12 classes activity recognition, and achieved accuracies of 96.95%, 95.03%, and 93.08%, respectively. | |
| dc.identifier.endpage | 51 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=9MiDp3x86xrwjpi5-14w-eF9ocMP9BYM_nb4xQdY8PB9CThHIDyEuaC5pIbwZ-2c | |
| dc.identifier.uri | https://hdl.handle.net/20.500.14669/357 | |
| dc.identifier.yoktezid | 667902 | |
| dc.language.iso | en | |
| dc.publisher | Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_20241211 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | |
| dc.subject | Computer Engineering and Computer Science and Control | |
| dc.title | Human activity recognition using deep convolutional neural network | |
| dc.title.alternative | Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma | |
| dc.type | Master Thesis |
