Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma

İnsan aktivitesi tanıma problemleri, insanların davranış kalıplarının belirlenmesi için bir kişinin günlük yaşamını kaydetme ve analiz etme süreçlerini içerir. Aktivite verilerini toplamak için video tabanlı aktivite tanıma ve sensör temelli aktivite tanıma gibi çeşitli yöntemler geliştirilmiştir. Derinlik sensörleri, giyilebilir (taşınabilir) cihazlar ve RGB kameralar aracılığıyla insanların yürüme, oturma, koşma, zıplama, merdiven inme, merdiven çıkma gibi aktivitelerini kayıt altına alınarak çalışmalar yapılmıştır. Aktivite tanıma ile özellikle sağlık, nesnelerin interneti, akıllı şehirler, taşımacılık ve güvenlik alanlarında sistemler geliştirilmiştir. Etkinlik tanıma yoluyla güvenlik izleme ve tehdit algılama için faaliyete duyarlı yaklaşımlar geliştirilmiştir. Faaliyet bazlı anormallikler izlenerek potansiyel tehditler tespit edilebilir ve uygun önlemler alınabilir. Hemen hemen birçok akıllı cihazda bulunan ivmeölçer, jiroskop ve manyetometre sensörleri sayesinde veri toplamak oldukça kolaylaşmıştır. Elde edilen verileri sınıflandırmak için ANN, CNN, RNN ve LSTM gibi derin öğrenme yöntemleri kullanılmaktadır. Araştırmamızda esas olarak sensör tabanlı aktivite tanımaya odaklandık. İvmeölçer ve jiroskop verilerinden oluşan UCI-HAR veri setindeki ham veriler kullanılarak 1 boyutlu konvülasyonel sinir ağı ile sınıflandırmalar yapıldı. Datalar üzerinde matematiksel veya istatistiksel herhangi bir öznitelik çıkarımı yapılmadı. Ham veriler median filtreleme ile filtrelenmiştir. 6, 7 ve 12 aktivite üzerinde gerçekleştirilen deneylerde sırasıyla 96.95%, 95.03% ve 93.08% sınıflandırma doğruluğu elde edilmiştir.