Kablosuz algılayıcı ağlar ile makıne öğrenmesi kullanarak insan aktivitesi anlama

Otomatik insan davranışı tanıma, akıllı evler, sağlık izleme uygulamaları ve acil durum servisleri gibi birçok çevresel zeka uygulaması için önemlidir. Sağlık izleme sistemlerini sürdürülebilir yapmak için insan aktivitelerinin otomatik olarak algılandığı akıllı ortamlara ihtiyaç vardır. İnsan davranışlarını anlamak için, akıllı ortamlardan toplanan veriler üzerinde makine öğrenmesi yöntemlerini kullanabiliriz ancak bu yöntemler işaretlenmiş eğitim kümelerine ihtiyaç duyarlar. Bu kümeleri oluşturmak insan çabası gerektirdiğinden pahalıdır. Ayrıca, insan faaliyetlerinin karmaşık yapısı, onları doğru bir şekilde modellemeyi zorlaştırır. Hiyerarşik modeller daha doğru temsil için bir çare olabilir, ancak uygun karmaşıklık düzeylerini bulmak kolay değildir. Son olarak, otomatik insan davranışı izleme sistemlerini dünya ölçeğinde uygulanabilir kılmak için model davranışını her farklı evin sakinlerinin davranışlarını yansıtacak şekilde ayarlamak gereklidir. Her ev için haftalarca eğitim kümesi toplamaktansa, zaman içinde sadece en çok bilgi içeren noktalar için etiket toplayarak, etiketleme eforunu azaltırken öğrenme yönteminin yararlılığını artıracak bir mekanizma geliştirilebilir. Bu tezde, (i) tüm araştırmacılara açık, karşılaştırma amacıyla kullanılabilir veri kümeleri oluşturarak, (ii) makine öğrenmesi modelinde, her aktiviteye özel olarak hiyerarşi seviyesi belirlemek için bir yöntem önererek, (iii) farklı yaklaşımların ve modellerin değerlendirilmesini, alanın özel ihtiyaçlarını gözetecek şekilde geliştirerek, (iv) evde birden fazla kişinin yaşadığı durumları kullanıcılara ek yük getirmeyecek şekilde ele alan yöntemler önererek, (v) geniş ölçekli kurulumlarda etiketleme eforunu azaltmak için aktif ve yarı-denetimli öğrenme teknikleri kullanarak, yukarıda bahsedilen konuları hedef alan çalışmalar yapılmıştır.