Yüksek, Murat CihanBarshan, Billur2016-02-082016-02-082011-04http://hdl.handle.net/11693/28389Date of Conference: 20-22 April 2011Conference name: IEEE 19th Signal Processing and Communications Applications Conference (SIU), 2011Bu 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%).TurkishArtificial Neural NetworkClassification techniqueComparative performance assessmentDifferentiation rateGaussian Mixture ModelHuman activitiesNaive BayesianPattern recognition techniquesSensor unitsTri-axial magnetometerTriaxial accelerometerAccelerometersBayesian networksIntelligent agentsMagnetic sensorsPattern recognitionSignal processingSupport vector machinesNeural networksConference Paper10.1109/SIU.2011.5929835