Minyatür eylemsizlik duyucuları ve manyetometre sinyallerinin işlenmesiyle insan aktivitelerinin sınıflandırılması
Author
Yüksek, Murat Cihan
Barshan, Billur
Date
2011-04Source Title
IEEE 19th Signal Processing and Communications Applications Conference, SIU 2011
Publisher
IEEE
Pages
1052 - 1055
Language
Turkish
Type
Conference PaperItem Usage Stats
70
views
views
53
downloads
downloads
Metadata
Show full item recordAbstract
Bu çalışmada insan vücuduna yerleştirilen minyatür eylemsizlik duyucuları ve manyetometreler kullanılarak çeşitli aktiviteler örüntü tanıma yöntemleriyle ayırdedilmiş ve karşılaştırmalı bir çalışmanın sonuçları sunulmuştur. Ayırdetme işlemi için basit Bayeşçi (BB) yöntem, yapay sinir ağları (YSA), benzeşmezlik tabanlı sınıflandırıcı (BTS), ceşitli karar ağacı (KA) yöntemleri, Gauss karışım modeli (GKM) ve destek vektör makinaları (DVM) kullanılmıştır. Aktiviteler gövdeye, kollara ve bacaklara takılan beş duyucu ünitesinden gelen verilerin işlenmesiyle ayırdedilmiştir. Her ünite, her biri üç-eksenli olmak üzere birer ivmeölçer, dönüölçer ve manyetometre içermektedir. Çalışmanın sonuçlarına göre, en iyi ilk üç başarı oranı sırasıyla GKM (%99.12), YSA (%99.09) ve DVM (%98.90) yöntemleri ile elde edilmiştir. This study provides a comparative performance assessment of various pattern recognition techniques on classifying human activities that are performed while wearing miniature inertial and magnetic sensors. Human activities are classified using five sensor units worn on the chest, the arms, and the legs. Each sensor unit comprises a tri-axial accelerometer, a tri-axial gyroscope, and a tri-axial magnetometer. The classification techniques compared in this study are: naive Bayesian (NB), artificial neural networks (ANN), dissimilarity-based classifier (DBC), various decision-tree methods, Gaussian mixture model (GMM), and support vector machines (SVM). According to the outcome of the study, the three methods that result in the highest correct differentiation rates are GMM (99.12%), ANN (99.09%), and SVM (99.80%).
Keywords
Artificial Neural NetworkClassification technique
Comparative performance assessment
Differentiation rate
Gaussian Mixture Model
Human activities
Naive Bayesian
Pattern recognition techniques
Sensor units
Tri-axial magnetometer
Triaxial accelerometer
Accelerometers
Bayesian networks
Intelligent agents
Magnetic sensors
Pattern recognition
Signal processing
Support vector machines
Neural networks