Derin öğrenme ile giyilebilir sensör tabanlı insan aktivitesi ve demografik grup tanıma

Teknolojinin ilerlemesiyle birlikte, giyilebilir mobil cihazların kullanımı, özellikle sağlık ve günlük aktivite takibi alanlarında önemli bir yer edinmiştir. Bu cihazlardan toplanan veriler, hastalıkların erken teşhisinde kritik bir rol oynamaktadır. Ayrıca, giyilebilir sensör teknolojileri, kullanıcıların aktivite, cinsiyet ve yaş aralığı sınıflandırması yaparak daha kişiselleştirilmiş sağlık bilgisi izleme potansiyeline sahiptir. Bu sayede, bireyin yaş ve cinsiyetine özgü sağlık ihtiyaçlarına etkin bir şekilde yanıt verilebilir ve kişisel sağlık yönetimi daha verimli hale getirebilir. Bu tezde, giyilebilir mobil cihazlar aracılığıyla toplanan veri kümeleri üzerinde insan aktivite tanıma ve demografik grup sınıflandırma problemleri ele alınmaktadır. Problemlerin çözümü için, Naive Bayes, Rastgele Orman, k En Yakın Komşu (kNN), Evrişimsel Sinir Ağları (CNN), Tekrarlayan Sinir Ağı (RNN), Uzun-Kısa Süreli Bellek (LSTM) ve dönüştürücü (Transformer) sınıflandırıcı algoritmaları tasarlanmış ve başarımları detaylı olarak analiz edilmiştir. Analizler sonucunda, LSTM, CNN ve Dönüştürücü modellerin başarımları nedeniyle, bu modellerin dikkat-tabanlı füzyonuna dayalı yeni melez bir model önerilmiştir. Geliştirilen model, mevcut literatürde yer alan yöntemlerle karşılaştırıldığında, insan aktiviteleri ile cinsiyet ve yaş gruplarının sınıflandırılmasında önemli ölçüde iyileşme sağlamıştır. Bu tez çerçevesinde yürütülen deneysel çalışmalarda, çeşitli hiperparametrelerin sınıflandırma performansı üzerindeki etkileri analiz edilmiştir. Tez kapsamında tasarlanan sınıflandırıcılar HPAwIO, MHEALTH, UCI-HAR veri kümeleri üzerinde değerlendirilmiştir. Önerilen füzyona dayalı dikkat-tabanlı model, HPAwIO veri kümesi üzerinde iç ve dış mekan aktivite sınıflandırmasında %85.15, cinsiyet sınıflandırmasında %84.04 ve yaş aralığı sınıflandırmasında %80.54 gibi ortalama doğruluk oranları elde etmiştir. Ayrıca, bu model MHEALTH veri kümesinde gerçekleştirilen aktivite sınıflandırma çalışmalarında %85.35, UCI-HAR veri kümesinde ise %86.07 gibi başarı oranlarına ulaşmıştır. Bu sonuçlar, modelin sınıflandırma görevlerindeki etkinliğini ve genelleştirilebilirliğini göstermektedir, ayrıca modelin farklı veri kümeleri ve senaryolar üzerindeki adaptasyon kabiliyetini ortaya koymaktadır.