Makine öğrenmesi kullanarak insan hareketlerinin sınıflandırılması: Akıllı telefon algılayıcıları örneği

Giyilebilir teknolojideki gelişmelerle birlikte ortaya çıkan cihazlar hızla gündelik hayatın bir parçası haline gelmiştir. Özellikle sahip oldukları algılayıcılar, bu cihazların kullanışlılığını artırmaktadır. İnsan Aktivitesi Tanıma (İAT), insan hareketlerinden etkilenen duyarlı sensörler kullanarak bir kişinin aktivitesini sınıflandırır. İnsan Aktivitesi Tanıma özelliğinin akıllı telefonlarda olması nedeniyle hem kullanıcıların deneyimleri hem de akıllı telefonların yeteneklerini (sensörleri) artırmaktadır ve kullanıcılar bu nedenle akıllı telefonlarını yanlarında taşırlar. Bu gerçekler İAT'ı daha önemli ve popüler hale getirmektedir. İnsan Aktivitesi Tanıma (İAT),akıllı telefonlar ve video kameralar gibi yakalama cihazlarının küresel kullanımı ve bunların insan aktivitesi verilerini yakalama yetenekleri nedeniyle birden fazla uygulamaya sahiptir. Elektronik cihazların ve uygulamalarının sayısı artmaya devam ederken, yapay zekadaki (AI) ilerlemeler, doğru tanıma ve yorumlama için derinden gizlenmiş bilgileri çıkarma becerisinde devrim yarattı. İnsan Aktivitesi Tanıma (İAT), son yirmi yılda uzaktan sağlık izleme, güvenlik ve gözetim ve akıllı ortamlar gibi uygulamalarla büyük ilgi gördü. Bu çalışma, farklı makine öğrenimi sınıflandırma yaklaşımlarını kullanan akıllı telefon sensörlerini kullanarak insan etkinliğinin tanınmasına odaklanmaktadır. Akıllı telefonlarda bulunan ivmeölçer ve jiroskop sensörlerinden alınan veriler, insan aktivitesinin tanınmasında kullanılır. Bu çalışma amacı akıllı telefonun sahip olduğu sensörlerden yararlanarak insan hareketlerinin tespit edilmesidir. Bu nedenle 18 farklı insan hareketi için algılayıcı verileri akıllı telefon aracılığı ile toplanmıştır ve oluşturulan veriler Lojistik Regresyon, Karar Ağacı, Destek Vektör Sınıflandırma ve Rasgele Orman makine öğrenmesi yöntemleri ile test edilmiş ve performansları karşılaştırılmıştır. Elde edilen sonuçlar, Karar Ağacı ve Lojistik Regresyon alt örneklemleri yaklaşık %99 doğrulukla sınıflandırabildiğini göstermektedir. Bu veri seti, akıllı telefonların ve diğer akıllı cihazların yeni etkinlikleri belirlemesini sağlayacak ve araştırmacıların pratik HAR verilerine dayalı daha ince modeller geliştirmelerine yardımcı olacaktır.