A memory efficient novel deep learning architecture enabling diverse feature extraction on wearable motion sensor data

Giyilebilir algılayıcı verilerini analiz ederek insan hareketlerini algılamak için temsili öznitelik çıkarmak güncel bir araştırma alanıdır. Bu çalışmada insan aktivitelerini tanımak için giyilebilir hareket algılayıcıları ve derin öğrenme yöntemleri kullanılarak yenilikçi karma bir derin yapay sinir ağı mimarisi öne sürülmektedir. Sunulan yapıda zaman dizisi sinyalleri ve bu sinyallerin zaman-frekans resimleri (spektrogram) sırasıyla modelin paralel halde çalışan uzun-kısa vadeli bellek ve iki boyutlu evrişimsel sinir ağları kollarını beslemek için kullanılmıştır. Önerilen yapının sınıflandırma başarımı, bu alanda yaygın olarak kullanılmakta olan beş farklı mimari olan tek boyutlu evrişimsel yapay sinir ağları, iki boyutlu evrişimsel yapay sinir ağları, uzun-kısa vadeli bellek ağları, standart tek boyutlu karma ağlar ve alternatif tek boyutlu karma ağlar ile karşılaştırılmıştır. Söz konusu altı modelin üstdeğişken ayarları Bayesçi eniyileme kullanılarak yapılmış ve modellerin başarımları iki farklı veriseti kullanılarak elde edilmiştir. Önerilen karma derin yapay sinir ağı yapısı verisetleri üzerinde 95.66% ve 92.95% doğruluk oranlarıyla en iyi ikinci mimari olan iki boyutlu evrişimsel yapay sinir ağları yapısından 2.45% ve 3.18% daha yüksek başarım elde etmiştir. Kullanıcı kimliği tanıma görevi, bu tezde çalışılmış olan bir diğer konudur. Bu görev için öncelikle hareket algılayıcılardan alınan sinyalleri, kullanıcı kimliği tanımak için elverişli ve elverişsiz olarak sınıflandıran bir ikili model geliştirilmiştir. Kullanışlı olarak sınıflandırılan sinyaller, önerilen derin öğrenme yapısı kullanılarak cihaz kullanıcısının kimliğini saptamak için kullanılmıştır. Hareket tanıma ve kimlik tanıma görevleri arasında öğrenme aktarması yapılarak başarım oranlarında kayda değer bir kayıp yaşanmadan modellerin eğitilme süreleri yaklaşık olarak 8.7–17 kat azaltılmıştır. Son olarak, aktivite ve kullanıcı kimliği tanımak için kullanılan bu modellerin bellek gereksinimlerini düşürmek üzerine çalışılmıştır. Öğrenme aktarması, örnekleme katmanları ve sekiz-bit nicemleme yöntemleri uygulanarak modellerin bellek gereksinimleri yaklaşık olarak 17–116 kat azaltılmıştır.