Browsing by Subject "Triaxial accelerometer"

Now showing 1 - 5 of 5

Open Access
Düşme tespiti için sınıflandırma yöntemlerinin karşılaştırılması
(IEEE, 2014-04) Çatalbaş, Bahadır; Yücesoy, Burak; Seçer, G.; Aslan, Murat
Bu bildiride giyilebilir yapıda olan ve üç boyutlu ölçüm alabilen bir ivmeölçerin çıktılarını kullanarak düşme tespiti yapan farklı algoritmaların karşılaştırılması yapılmıştır. Karşılaştırma amacıyla destek vektör makineleri, yapay sinir ağları ile elde edilen sınıflandırıcılar ve kural bazlı bir sınıflandırıcı kullanılmıştır. Sınıflandırıcıların tasarlanması ve dogrulanması amacıyla 7 farklı denekten üçer defa düşme ve düşme dışındaki günlük aktivitelere ilişkin ivmeölçer verileri toplanmıştır. Yapılan karşılaştırma sonucunda tespit doğruluğu en yüksek algoritmanın %87,76 ile destek vektör makineleri olduğu bulunmuştur. En yüksek düşme tespit oranı da %90,91 ˘ olarak kural bazlı sınıflandırıcı kullanımıyla elde edilmiştir. En yüksek özgüllük oranı %89,47 ile yine destek vektör makineleri ile elde edilmiştir.
Open Access
Human activity classification with miniature inertial and magnetic sensor signals
(IEEE, 2011) Yüksek, Murat Cihan; Barshan, Billur
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. 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: naïve Bayesian (NB), artificial neural networks (ANN), dissimilaritybased classifier (DBC), various decision-tree algorithms, Gaussian mixture model (GMM), and support vector machines (SVM). The methods that result in the highest correct differentiation rates are found to be GMM (99.1%), ANN (99.0%), and SVM (98.9%). © 2011 EURASIP.
Open Access
Human activity recognition using inertial/magnetic sensor units
(Springer, Berlin, Heidelberg, 2010) Altun, Kerem; Barshan, Billur
This paper provides a comparative study on the different techniques of classifying human activities that are performed using body-worn miniature inertial and magnetic sensors. The classification techniques implemented and compared in this study are: Bayesian decision making (BDM), the least-squares method (LSM), the k-nearest neighbor algorithm (k-NN), dynamic time warping (DTW), support vector machines (SVM), and artificial neural networks (ANN). Daily and sports activities are classified using five sensor units worn by eight subjects on the chest, the arms, and the legs. Each sensor unit comprises a triaxial gyroscope, a triaxial accelerometer, and a triaxial magnetometer. Principal component analysis (PCA) and sequential forward feature selection (SFFS) methods are employed for feature reduction. For a small number of features, SFFS demonstrates better performance and should be preferable especially in real-time applications. The classifiers are validated using different cross-validation techniques. Among the different classifiers we have considered, BDM results in the highest correct classification rate with relatively small computational cost. © 2010 Springer-Verlag Berlin Heidelberg.
Open Access
Investigation of personal variations in activity recognition using miniature inertial sensors and magnetometers
(IEEE, 2012-04) Yurtman, Aras; Barshan, Billur
In this paper, data acquired from five sensory units mounted on the human body, each containing a tri-axial accelerometer, gyroscope, and magnetometer, during 19 different human activities is used to calculate inter-subject and inter-activity variations using different methods and the results are summarized in various forms. Absolute, Euclidean, and dynamic time-warping distances are used to assess the similarity of the signals. The comparisons are made using the raw and normalized time-domain data, raw and normalized feature vectors. Firstly, inter-subject distances are averaged out per activity and per subject. Based on these values, the "best" subject is defined and identified according to his/her average distance to the others. Then, the averages and standard deviations of inter-activity distances are presented per subject, per unit, and per sensor. Moreover, the effects of removing the mean and the different distance measures on the results are discussed. © 2012 IEEE.
Open Access
Minyatür eylemsizlik duyucuları ve manyetometre sinyallerinin işlenmesiyle insan aktivitelerinin sınıflandırılması
(IEEE, 2011-04) Yüksek, Murat Cihan; Barshan, Billur
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.