Design of wearable systems for activity monitoring and their applications using neural networks and data fusion techniques
Aktivite izleme için giyilebilir sistemlerin tasarımı ve sinir ağları ve veri füzyon teknikleri kullanılarak uygulamaları
- Tez No: 704818
- Danışmanlar: DOÇ. DR. YAVUZ ŞENOL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hareket analizi, depresyon ve hareketsizlik gibi sağlık sorunlarının değerlendirilmesinde uzmanlara yardımcı olur. Erken teşhis ve geri dönüşü olmayan deformiteleri önlemek için sürekli izleme önemlidir. Video tabanlı sistemler, yüksek doğrulukları nedeniyle popülerdir. Ancak, maliyetleri yüksek ve iç mekan kullanımı için uygundurlar. Bu zorlukların üstesinden gelmek için; akıllı giysi, kablosuz akıllı tabanlık ve kablosuz atalet ölçüm birimleri gibi çeşitli giyilebilir cihazlar tasarlandı. Tasarlanan giyilebilir sistemler, yürüyüş analizi ve aktivite tanıma için değerli bilgiler sağlamıştır. İlk olarak; akıllı giysi ve füzyon teknikleri kullanılarak alt ekstremite eklem açıları tahmin edildi. Uygulanan tekniklerin performansını değerlendirmek için referans cihaz olarak video tabanlı bir sistem kullanılmıştır. İkinci olarak; aktivite tanıma için ideal sensör konumlarının tespiti planlanmıştır. İnsan vücudunun çeşitli noktalarına atalet ölçüm birimi yerleştirildi. Toplanan veriler değerlendirme için yapay sinir ağlarına beslendi. Üçüncü olarak; aktivite tanıma evrişimli sinir ağları, uzun kısa vadeli sinir ağları ve evrişimli uzun-kısa vadeli sinir ağları dahil olmak üzere çeşitli derin öğrenme sinir ağları kullanılarak amaçlandı. Son olarak; sinir ağları ile akıllı tabanlık ve kablosuz atalet ölçüm birimleri kullanılarak farklı sensör modaliteleri için aktivite tanıma performansı değerlendirildi. Dört çalışmanın sonuçları gösteriyor ki; i) akıllı giysimiz video tabanlı bir sistemle benzer performans göstermektedir, ii) göğüs ve bacak, aktivite tanıma için en ideal konumlar, iii) konvolüsyonel uzun kısa vadeli sinir ağları, aktivite tanıma için test edilen diğer ağlardan daha iyi performans sunmaktadır ve iv) akıllı tabanlık, bacağa takılan IMU sensörleri ile benzer aktivite tanıma performansını sağlamaktadır.
Özet (Çeviri)
Motion analysis assists experts in the evaluation of health problems including depression and immobility. Continuously monitoring is important for early detection and to prevent irreversible deformities. Videobased systems are popular due to their high accuracy. However; they are expensive and convenient for indoor use. To overcome these challenges, we presented various wearable devices; namely a smart garment, wireless smart insoles, and wireless inertial measurement units (IMUs). Designed wearable systems provide valuable information for gait analysis and activity recognition. Firstly, lower limb joint angles were predicted using smart garment and fusion techniques during activities. Videobased system was used as a reference device to evaluate the performance of applied techniques. Secondly, it was planned to determine the ideal sensor locations for activity recognition. IMU sensors were placed on various points of the human body and collected data was fed into artificial neural networks for evaluation. Thirdly, activity recognition were aimed using various deep learning neural networks, namely convolutional neural networks, long-short term neural networks, and convolutional longshort term neural networks. Finally, activity recognition performance was evaluated for different sensor modalities including smart insoles and IMU sensors using neural networks. The results of four studies show that; i) our smart garment presents similar performance with a video based system, ii) chest and leg are the most ideal positions for activity recognition, iii) convolutional long short term neural networks outperform the other tested networks for activity recognition, and iv) smart insoles provide the same activity recognition performance with IMU sensors attached on the leg.
Benzer Tezler
- Wearable surface electromyography (sEMG) technologies with graphene textile electrodes
Grafen tekstil elektrotlarla giyilebilir yuzey elektromiyografi (sEMG) teknolojileri
ÖZBERK ÖZTÜRK
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT KAYA YAPICI
- Human action recognition in ambient assisted living usingcontinuous inertial data
Ortam destekli yaşam için kesintisiz atalet verisi kullanarak insan aktivitelerinin tanınması
GAMZE USLU
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEBNEM BAYDERE
- Graphene conductive inks for an effective textile based respiratory sensor system
Tekstil esaslı solunum sensör sistemi için grafen iletken mürekkepler
KIVANÇ ÖZIŞIK
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. HÜLYA CEBECİ
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
Yüksek Lisans
Türkçe
1985
Şehircilik ve Bölge PlanlamaEge ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
- Kam yapma aparatı
Cam milling attachment
ORHAN UZUN
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN