Muscle load prediction model using wearable sensors

Egzersiz yoğunluğunun ve kas aktivitesinin ölçülmesi, istenilen hareketin kalitesini anlamak açısından büyük önem taşımaktadır. Giyilebilir sensörler kullanılarak vücudun farklı bölgelerine yönelik, çeşitli hareketler için yük seviyelerini niceliksel olarak belirlemeye yönelik çok sayıda çalışma gerçekleştirilmiştir. Bu tezde günlük yaşamın en temel fiziksel aktiviteleri arasında yer alan yürüme ele alınmıştır. Elektromiyografi (EMG), kas aktivitesinin düzeyini ölçmek için kullanılan bir tekniktir. Bu çalışmada amaç, özellik mühendisliği için bir temel oluşturmak ve yürüyüş sırasında minimum sayıda sensör kullanarak EMG sensör çıktısını tahmin edebilen bir makine öğrenmesi modeli geliştirmektir. Deneylerde iki adet basınç ölçebilen ayak tabanı sensörü ile bir adet kombine EMG ve IMU sensörü kullanılmıştır. İlk aşamada, yalnızca ham giriş sinyalleri kullanılarak EMG çıktısını tahmin eden bir makine öğrenmesi modeli oluşturulmuş ve zayıf bir doğruluk elde edilmiştir. Modelin performansını artırmak amacıyla, gecikmeli özellikler, türevler ve hareketli ortalama ile standart sapma gibi pencere tabanlı istatistiksel özellikler veri setine eklenmiş ve doğruluk oranı iyileştirilmiştir. Sonrasında hiperparametre optimizasyonu ve düzenlileştirme teknikleri uygulanarak aşırı öğrenme azaltılmaya çalışılmıştır. Bu adımlar doğrulukta kademeli artışlar sağlasa da, test performansı bir noktada durağanlaşmıştır. Bu sorunun üstesinden gelmek için veri, eğitim ve test setlerine ayrılmadan önce rastgele karıştırılmıştır. Bu yöntemle model, hem eğitim hem de test verilerinde en iyi sonuçlarını vermiş; doğruluk artmış ve aşırı öğrenme önemli ölçüde azaltılmıştır.