Show simple item record

dc.contributor.authorYüksek, Murat Cihanen_US
dc.contributor.authorBarshan, Billuren_US
dc.coverage.spatialAntalya, Turkey
dc.date.accessioned2016-02-08T12:19:20Z
dc.date.available2016-02-08T12:19:20Z
dc.date.issued2011-04en_US
dc.identifier.urihttp://hdl.handle.net/11693/28389
dc.descriptionDate of Conference: 20-22 April 2011
dc.descriptionConference name: IEEE 19th Signal Processing and Communications Applications Conference (SIU), 2011
dc.description.abstractBu 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.en_US
dc.description.abstractThis 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%).
dc.language.isoTurkishen_US
dc.source.titleIEEE 19th Signal Processing and Communications Applications Conference, SIU 2011en_US
dc.relation.isversionofhttp://dx.doi.org/10.1109/SIU.2011.5929835en_US
dc.subjectArtificial Neural Networken_US
dc.subjectClassification techniqueen_US
dc.subjectComparative performance assessmenten_US
dc.subjectDifferentiation rateen_US
dc.subjectGaussian Mixture Modelen_US
dc.subjectHuman activitiesen_US
dc.subjectNaive Bayesianen_US
dc.subjectPattern recognition techniquesen_US
dc.subjectSensor unitsen_US
dc.subjectTri-axial magnetometeren_US
dc.subjectTriaxial accelerometeren_US
dc.subjectAccelerometersen_US
dc.subjectBayesian networksen_US
dc.subjectIntelligent agentsen_US
dc.subjectMagnetic sensorsen_US
dc.subjectPattern recognitionen_US
dc.subjectSignal processingen_US
dc.subjectSupport vector machinesen_US
dc.subjectNeural networksen_US
dc.titleMinyatür eylemsizlik duyucuları ve manyetometre sinyallerinin işlenmesiyle insan aktivitelerinin sınıflandırılmasıen_US
dc.title.alternativeHuman activity classification with miniature inertial and magnetic sensorsen_US
dc.typeConference Paperen_US
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.citation.spage1052en_US
dc.citation.epage1055en_US
dc.identifier.doi10.1109/SIU.2011.5929835en_US
dc.publisherIEEE


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record