Düşme tespiti için sınıflandırma yöntemlerinin karşılaştırılması

dc.citation.epage1318en_US
dc.citation.spage1315en_US
dc.contributor.authorÇatalbaş, Bahadıren_US
dc.contributor.authorYücesoy, Buraken_US
dc.contributor.authorSeçer, G.en_US
dc.contributor.authorAslan, Muraten_US
dc.coverage.spatialTrabzon, Turkey
dc.date.accessioned2016-02-08T11:57:09Z
dc.date.available2016-02-08T11:57:09Z
dc.date.issued2014-04en_US
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.descriptionDate of Conference: 23-25 April 2014
dc.descriptionConference name: 22nd Signal Processing and Communications Applications Conference (SIU), 2014
dc.description.abstractBu 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.
dc.description.abstractA comparative study of various fall detection algorithms based upon measurements of a wearable tri-axial accelerometer unit is presented in this paper. Least squares support vector machine, neural network and rule-based classifiers are evaluated in the scope of this paper. Training and testing data sets, which are necessary for design and testing of the classifiers, respectively, are collected from 7 people. Each subject exercised simulated falls and other daily life activities such as walking, sitting etc. Among three methods, support vector machine-based classifier is found to be superior in terms of both correct detection and false alarm ratio as 87,76% precision and 89.47% specifity. Meanwhile, best sensitivity is achieved with rule-based classifiers. © 2014 IEEE.
dc.identifier.doi10.1109/SIU.2014.6830479en_US
dc.identifier.urihttp://hdl.handle.net/11693/27585
dc.language.isoTurkishen_US
dc.publisherIEEEen_US
dc.relation.isversionofhttp://dx.doi.org/10.1109/SIU.2014.6830479en_US
dc.source.title22nd Signal Processing and Communications Applications Conference, SIU 2014 - Proceedingsen_US
dc.subjectAccelerometeren_US
dc.subjectFall detectionen_US
dc.subjectNeural networksen_US
dc.subjectSupport vector machinesen_US
dc.subjectAccelerometersen_US
dc.subjectAlgorithmsen_US
dc.subjectNeural networksen_US
dc.subjectSignal processingen_US
dc.subjectClassification methodsen_US
dc.subjectComparative studiesen_US
dc.subjectDaily life activitiesen_US
dc.subjectFall detectionen_US
dc.subjectLeast squares support vector machinesen_US
dc.subjectRule-based classifieren_US
dc.subjectTraining and testingen_US
dc.subjectTriaxial accelerometeren_US
dc.subjectSupport vector machinesen_US
dc.titleDüşme tespiti için sınıflandırma yöntemlerinin karşılaştırılmasıen_US
dc.title.alternativeA comparative study of classification methods for fall detectionen_US
dc.typeConference Paperen_US
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
A comparative study of classification methods for fall detection [Düşme tespiti için siniflandirma yöntemlerinin karşilaştirilmasi].pdf
Size:
250.84 KB
Format:
Adobe Portable Document Format
Description:
Full printable version