Geri Dön

Giyilebilir sensör verileri ile hayvan davranışı sınıflandırmada transfer öğrenme ve alan uyarlaması

Transfer learning and domain adaptation for animal behavior classification using wearable sensor data

PDF İndir

  1. Tez No: 1015584
  2. Yazar: FURKAN SAY
  3. Danışmanlar: DOÇ. DR. ÇİĞDEM ACI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Veteriner Hekimliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Veterinary Medicine, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada hayvanların vücuduna takılan Ataletsel Ölçüm Ünitesi (IMU, Inertial Measurement Unit) verileriyle köpek, keçi ve at türleri arasında davranış sınıflandırması gerçekleştirilmiştir. Veri işleme hattında Düzenlenmiş En Yakın Komşular (ENN, Edited Nearest Neighbors) ve Tomek Links ile gürültü temizliği, Çok Etiketli Sentetik Azınlık Aşırı Örnekleme Tekniği (MLSMOTE, Multi-Label Synthetic Minority Over-sampling Technique) ve Koşullu Gradyan Cezalı Wasserstein Çekişmeli Üretici Ağ (cWGAN-GP, Conditional Wasserstein Generative Adversarial Network with Gradient Penalty) ile sınıf dengeleme, Temel Bileşen Analizi (PCA, Principal Component Analysis) ile boyut indirgeme uygulanmıştır. Davranışsal Aktarılabilirlik Benzerlik Skoru (BTSS, Behavioral Transferability Similarity Score) analiziyle altı ortak davranış kategorisi tanımlanmıştır. Dört derin öğrenme mimarisi; dikkat mekanizmalı Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM, Bidirectional Long Short-Term Memory), dikkat mekanizmalı Kapılı Yinelemeli Birim (GRU, Gated Recurrent Unit), Transformer ve Tek Boyutlu Evrişimli Sinir Ağı (CNN1D, 1D Convolutional Neural Network) üç eğitim aşamasında değerlendirilmiştir: Transfer Öğrenme (TL, Transfer Learning), Alan Çekişmeli Sinir Ağı (DANN, Domain-Adversarial Neural Network) ve Sözde Öz-Eğitim (PST, Pseudo Self-Training). Altı kaynak-hedef çifti ve 72 deneylik yarı-denetimli (w_tgt=0,2) çerçevede TL aşamasındaki ortalama Macro-F1 skor değeri 0,356'dan DANN ile 0,711'e yükselmiştir (Wilcoxon, p<0,001). Dikkat mekanizmalı modeller (GRU 0,737, BiLSTM 0,736) Transformer ve CNN1D'den anlamlı biçimde üstün bulunmuştur (Friedman p=0,013, Nemenyi p=0,037). En yüksek transfer başarısı Keçi→At çiftinde elde edilmiştir (Macro-F1 skor=0,747); Tırıs, Yürüme ve Ayakta Durma davranışlarında Sınıf F1 skorları 0,91'i aşmıştır. PST aşaması 24 deneyin 23'ünde DANN performansını düşürmüştür. Tam denetimsiz koşulda (w_tgt=0) Macro-F1 skoru 0,03'e düşmüş ve Gradyan Tersine Çevirme Katmanının (GRL, Gradient Reversal Layer) negatif transfere yol açtığı gösterilmiştir; düşük bir etiket sinyali (w_tgt=0,01) bile Macro-F1 skoru 0,63'e taşımıştır. Önerilen K-Ortalamalar (K-Means, K-Means Clustering) Head Adaptation yöntemi denetimsiz koşulda Macro-F1 skor =0,40 değerine ulaşarak DANN'ın (0,03) on üç katı performans sağlamıştır.

Özet (Çeviri)

In this research, behavior classification was performed across dog, goat, and horse species using data from Inertial Measurement Units (IMUs) attached to the animals' bodies. In the data processing pipeline, noise removal was performed using Edited Nearest Neighbors (ENN) and Tomek Links, followed by the Multi-Label Synthetic Minority Over-sampling Technique (MLSMOTE) and the Conditional Wasserstein Generative Adversarial Network with Gradient Penalty (cWGAN-GP) for class balancing, and Principal Component Analysis (PCA) for dimensionality reduction. Six common behavioral categories were identified using the Behavioral Transferability Similarity Score (BTSS) analysis. Four deep learning architectures—Bidirectional Long Short-Term Memory (BiLSTM) with attention mechanisms, Gated Recurrent Unit (GRU) with attention mechanisms, Transformer, and 1D Convolutional Neural Network (CNN1D) were evaluated across three training phases: Transfer Learning (TL), Domain-Adversarial Neural Network (DANN), and Pseudo Self-Training (PST). Across six source-target pairs and 72 experiments in a semi-supervised (w_tgt=0.2) setting, the average Macro-F1 score increased from 0.356 in the TL phase to 0.711 with DANN (Wilcoxon, p<0.001). Attention-based models (GRU 0.737, BiLSTM 0.736) were found to be significantly superior to Transformer and CNN1D (Friedman p=0.013, Nemenyi p=0.037). The highest transfer success was achieved in the Goat→Horse pair (Macro-F1 score=0.747); Class F1 scores exceeded 0.91 for Trot, Walk, and Stand behaviors. The PST phase reduced DANN performance in 23 out of 24 experiments. Under fully unsupervised conditions (w_tgt=0), the Macro-F1 score dropped to 0.03, demonstrating that the Gradient Reversal Layer (GRL) caused negative transfer; even a low label signal (w_tgt=0.01) raised Macro-F1 score to 0.63. The proposed K-Means Head Adaptation method achieved a Macro-F1 score of 0.40 under unsupervised conditions, delivering thirteen times the performance of DANN (0.03).

Benzer Tezler

  1. Tez No

    1020906

    Davranışsal ve fizyolojik veriler ile evcil hayvan sağlığını değerlendirmek için giyilebilir sistem tasarımı

    Design of a wearable system for the assessment of domestic animal health based on behavioral and physiological data

    GONCA NURAN ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATMA PATLAR AKBULUT

  2. Tez No

    637631

    Random forest classification of tomato fields with planet satellite image data and accuracy assessment

    Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi

    BETÜL ŞALLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  3. Tez No

    980290

    A real tıme mental stress predıctıon usıng multı-modal sensor data and explaınable aı (XAI)

    Çok modlu sensör verileri ve açıklanabilir yapay zeka (XAİ) kullanarak gerçek zamanlı zihinsel stres tahmini

    HEBA H.M. JADALLAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilim ve Teknolojiİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    Prof. Dr. RAFET AKDENİZ

    PROF. DR. MHD WASIM RAED

  4. Tez No

    637456

    Step length estimation using sensor fusion for indoor positioning

    İç mekan konumlandırması için sensor füzyonu ile adım uzunlugu tahmini

    HASBİ SEVİNÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE

  5. Tez No

    636717

    Laser induced graphene based flexible gas sensor for wearable electronics

    Giyilebilir elektronikler için lazer kaynaklı grafen bazlı esnek gaz sensörü

    MEHMET MERT BÜYÜKTURGAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NURİ SOLAK

Geri Dön