Human activity prediction using lifelogging data
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: İngilizce
Öğrenci: GİZEM SARIARSLAN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Emre Akbaş
Eş Danışman: Adnan Yazıcı
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yaşam günlükleri, hızla gelişen teknolojiyle yeni bir ilginç alandır. İnsanlar, giyilebilir kameraları, akıllı saatleri ve akıllı telefon uygulamalarını kullanarak hayatlarının her anını kaydeder. Yaşam günlükleri, kaydedilen bu verileri oluşturur ve aktivite, vücut ölçümleri, görüntüler ve konum gibi çok modelli veriler içerir. Bu veriler, kişinin faaliyetine göre değişmektedir. Bu çalışmada, yaşam günlükleri kullanılarak insan etkinliği öğrenmesi gerçekleştirildi. NII Testbeds ve Bilgi Erişim Araştırması Topluluğu (NTCIR) yaşam kurucu veri seti seçildi. Bu veri kümesi, iki kullanıcıdan gelen yaşam boyu veriyi içerir. Çok modelli verilere sahiptir. Veri kümesi, iki kullanıcının etkinlik, biyometrik, görüntü, konum ve müzik verilerini bulundurmakta. Veri setindeki biyometrik veriler, aktivite öğrenmesi için çalışıldı. Biyometrik verilere Rastgele Orman, Karar Ağacı, K-En Yakın Komşu, Naif Bayes, Karar Destek Makineleri, Sinir Ağları gibi iyi bilinen algoritmalar uygulanmıştır. Catboost, XGBoost, LightGBM gibi bazı son teknoloji algoritmalar da aktivite öğrenmesi için biyometrik verilere uygulanmıştır. Ayrıca, bazı sentetik özellikler biyometrik veri özellikleri üzerindeki matematiksel operatörler kullanılarak üretildi, uygulanan algoritmalar ile eğitildi ve test edildi. Ayrıca, sentetik özellikleri içeren veri setindeki özellik seçiminde genetik algoritmalar kullanılmıştır. Son olarak, görüntü ve biyometrik verilerden elde edilen sonuçlar kullanılarak iki farklı geç füzyon yöntemi uygulanmıştır. Birincisi, görüntü ve biyometrik verilerin sonuçlarından en yüksek sınıf olasılık oranına sahip etkinliği seçmektir. İkincisi, faaliyet olasılıklarının görüntü ve biyometrik verilerden ayrı olarak öğrenilmiş olmasıdır. Bu puanlar birleştirildi. Daha sonra bu veriler üzerinde etkinliği daha doğru öğrenmek için yeni bir sınıflandırıcı kullanıldı. Sonuç olarak, deneylerimiz sınıflandırma temelli geç füzyonun ilk yöntemden daha iyi tahmin puanına sahip olduğunu göstermektedir. Bununla birlikte, iki geç füzyon yöntemleri, tekli öğrenme modeline kıyasla tahmin puanını 3 sınıf için 89.08\%'dan 95.29\%'a ve 16 sınıf için 60.77\%'den 88.18\%'e iyileştirmiştir.