Mobil cihaz sensörleri özellikle ayakta durma, koşma, yürüme, basamak çıkma gibi fiziksel aktivitelerin otomatik olarak sınıflandırılması, sağlık hizmetlerinde hastaların izlenmesi ve gelişmiş kullanıcı arayüzlerinin geliştirilmesi gibi uygulamalar için oldukça çekici hale gelmiştir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Sensör teknolojilerinin gelişimi ve mobil cihazlara uyumu ile birlikte mobil kullanıcı davranışlarının ve aktivitelerinin modellenmesi için yeni fırsatlar ve çalışma alanları ortaya çıkmıştır.
📊
Key Findings & Data:Sensör teknolojilerinin gelişimi ve mobil cihazlara uyumu ile birlikte mobil kullanıcı davranışlarının ve aktivitelerinin modellenmesi için yeni fırsatlar ve çalışma alanları ortaya çıkmıştır.
💡
Conclusion & Impact:Mobil cihaz sensörleri özellikle ayakta durma, koşma, yürüme, basamak çıkma gibi fiziksel aktivitelerin otomatik olarak sınıflandırılması, sağlık hizmetlerinde hastaların izlenmesi ve gelişmiş kullanıcı arayüzlerinin geliştirilmesi gibi uygulamalar için oldukça çekici hale gelmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Fiziksel aktivite tanıma · sınıflandırma · mobil cihaz sensörleri
Özet
Sensör teknolojilerinin gelişimi ve mobil cihazlara uyumu ile birlikte mobil kullanıcı davranışlarının ve aktivitelerinin modellenmesi için yeni fırsatlar ve çalışma alanları ortaya çıkmıştır. Mobil cihaz sensörleri özellikle ayakta durma, koşma, yürüme, basamak çıkma gibi fiziksel aktivitelerin otomatik olarak sınıflandırılması, sağlık hizmetlerinde hastaların izlenmesi ve gelişmiş kullanıcı arayüzlerinin geliştirilmesi gibi uygulamalar için oldukça çekici hale gelmiştir.
YÜKSEL, A. S., ŞENEL, F. A., ÇANKAYA, İ. A. (2018). Yazma davranışlarının mobil cihaz sensörleri kullanılarak sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 9 - Sayı: 1, 133–142. https://ajindex.com/articles/656054
Alberts, J. L., Hirsch, J. R., Koop, M. M., Schindler, D. D., Kana, D. E., Linder, S. M. ve Thota, A. K., (2015). Using accelerometer and gyroscopic measures to quantify postural stability, Journal of athletic training, 50, 6, 578-588.
Choi, E. S., Bang, W. C., Cho, S. J., Yang, J., Kim, D. Y. ve Kim, S. R., (2005). Beatbox music phone: gesture-based interactive mobile phone using a tri-axis accelerometer, IEEE International Conference on In Industrial Technology, 97-102,
China Cover, T. ve Hart, P., (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27.
Cristianini, N. ve Shawe-Taylor, J., (2000). An introduction to support vector machines: and other kernel-based learning methods. Cambridge University Press. Győrbíró, N., Fábián, Á. ve Hományi, G., (2009). An activity recognition system for mobile phones, Mobile Networks and Applications, 14, 1, 82-91.
Hall, M. A. ve Smith, L. A., (1999). Feature Selection for Machine Learning: Comparing a Correlation-Based Filter Approach to the Wrapper, Twelfth International Florida Artificial Intelligence Research Society Conference, 235-239,
Florida. Haykin, S. S., (2009). Neural networks and learning machines. Prentice Hall/Pearson. Johnson, D. A. ve Trivedi, M. M., (2011). Driving style recognition using a smartphone as a sensor platform, 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), 1609-1615,
Washington DC. LeMoyne, R., Mastroianni, T., Cozza, M., Coroian, C. Ve Grundfest, W., (2010). Implementation of an iPhone for characterizing Parkinson’s disease tremor through a wireless accelerometer application, Annual International Conference on Engineering in Medicine and Biology Society (EMBC), 4954-4958,
Buenos Aires. Li, Q., Stankovic, J. A., Hanson, M. A., Barth, A. T., Lach, J. ve Zhou, G., (2009). Accurate, fast fall detection using gyroscopes and accelerometer-derived posture information, Sixth International Workshop on Wearable and Implantable Body Sensor Networks, 138-143,
Washington DC. Machado, I. P., Gomes, A. L., Gamboa, H., Paixão, V. ve Costa, R. M., (2015). Human activity data discovery from triaxial accelerometer sensor: Non-supervised learning sensitivity to feature extraction parametrization, Information Processing & Management, 51, 2, 204-214.
Mannini, A. ve Sabatini, A. M., (2010). Machine learning methods for classifying human physical activity from on-body accelerometers, Sensors, 10, 2 1154-1175.