Abstract:In this study, the methods which can detect the basic physical movements of a person (downward, upward, sitting, stop, walking,running) from inertial sensor (IMU) data are evaluated. The performances of classical (ANN, SVM, k-NN) and current approaches(Convolutional Neural Networks-ESA) to map IMU data to activity classes were compared. A three-stage study was carried outfor this aim: 1) data acquisition; 2) creating training/test sets; 3) construction and classification of network architectures. At thestage of data acquisition, to obtain 6 different physical movements from 10 different people, the accelerometer sensor is placed onthe persons. Repetitive movements of persons were recorded. At the second stage, the recorded long-term accelerometer data isdivided into packages in the form of short-term windows. The training set of classical approaches was constructed by featuresextracting from each packet data containing one-dimensional acceleration information. The transformation of one-dimensionalsignals to a two-dimensional image matrix for the training set of the deep learning-based approaches was performed. In the thirdstage, ANN, SVM, k-NN and CNN architectures were constructed, and classification process was carried out. As a result of theexperimental studies, it was found that the accuracy of IMU-activity mapping was 99% with the ANN method and 95% with theCNN method.
Öz:Bu çalışmada, atalet sensör (IMU) verilerinden kişilerin temel fiziksel hareketlerini (aşağı inme, yukarı çıkma, oturma, durma, yürüme, koşma) otomatik algılayabilen yöntemler incelenmiştir. Klasik (YSA, DVM, kNN) ve güncel yaklaşımların (Evrişimsel Sinir Ağları-ESA) IMU verilerini aktivite sınıflarına eşleme performansları karşılaştırılmıştır. Bunun için üç aşamalı bir çalışma gerçekleştirilmiştir: 1) veri elde etme; 2) eğitim/test kümelerini oluşturma; 3) ağ mimarilerinin inşası ve sınıflandırma. Veri elde etme aşamasında, üzerine ivmeölçer sensörü yerleştirilen 10 farklı kişiden 6 farklı fiziksel hareketi tekrarlı bir şekilde gerçekleştirmesi sağlanmış ve hareket esnasında ivmeölçer verileri kaydedilmiştir. İkinci aşamada, kaydedilen uzun süreli ivmeölçer verileri kısa süreli pencereler şeklinde paketlere bölünmüştür. Tek boyutlu ivme bilgilerini içeren her bir paket verisinden öznitelikler çıkarılarak klasik yaklaşımların eğitim kümesi inşa edilmiştir. Güncel yaklaşımın eğitim kümesi için tek boyutlu sinyallerin iki boyutlu görüntü matrisine dönüşümü gerçekleştirilmiştir. Üçüncü aşamada, YSA, DVM, k-NN ve ESA mimarileri inşa edilerek sınıflandırma işlemi gerçekleştirilmiştir. Yapılan deneysel çalışmalar sonucunda IMU-aktivite eşleştirme doğruluğunun YSA yöntemiyle %99, ESA yöntemiyle %95 olduğu görülmüştür.
