This study provides a comparative assessment on the different techniques ofclassifying human activities that are performed using body-worn miniature inertialand magnetic sensors. The classification techniques compared in thisstudy are: naive Bayesian (NB) classifier, artificial neural networks (ANNs),dissimilarity-based classifier (DBC), various decision-tree methods, Gaussianmixture model (GMM), and support vector machines (SVM). The algorithms forthese techniques are provided on two commonly used open source environments:Waikato environment for knowledge analysis (WEKA), a Java-based software;and pattern recognition toolbox (PRTools), a MATLAB toolbox. Human activitiesare classified using five sensor units worn on the chest, the arms, and the legs.Each sensor unit comprises a tri-axial gyroscope, a tri-axial accelerometer, and atri-axial magnetometer. A feature set extracted from the raw sensor data usingprincipal component analysis (PCA) is used in the classification process. Threedifferent cross-validation techniques are employed to validate the classifiers. Aperformance comparison of the classification techniques is provided in terms oftheir correct differentiation rates, confusion matrices, and computational cost.The methods that result in the highest correct differentiation rates are found tobe ANN (99.2%), SVM (99.2%), and GMM (99.1%). The magnetometer is thebest type of sensor to be used in classification whereas gyroscope is the leastuseful. Considering the locations of the sensor units on body, the sensors wornon the legs seem to provide the most valuable information.Keywords: inertial sensors, gyroscope, accelerometer, magnetometer, activityrecognition and classification, feature extraction and reduction, cross validation,Bayesian decision making, artificial neural networks, support vector machines,decision trees, dissimilarity-based classifier, Gaussian mixture model, WEKA,PRTools.

Bu çalışmada insan vücuduna takılan minyatür eylemsizlik duyucuları vemanyetometreler kullanılarak çeşitli aktiviteler örüntü tanıma yöntemleriyleayırdedilmiş ve karşılaştırmalı bir çalışmanın sonuçları sunulmuştur. Ayırdetmeişlemi için basit Bayesçi (BB) yöntem, yapay sinir ağları (YSA), benzeşmezliktabanlısınıflandırıcı (BTS), çeşitli karar ağacı (KA) yöntemleri, Gauss karışımmodeli (GKM) ve destek vektör makinaları (DVM) kullanılmıştır. Kullanılanyöntemlerin algoritmaları, açık kaynak Java tabanlı bir uygulama olan Waikatoenvironment for knowledge analysis (WEKA) ile MATLAB araç kutusu olanpattern recognition toolbox (PRTools) yazılımlarından sağlanmıştır. Aktivitelergövdeye, kollara ve bacaklara takılan beş duyucu ünitesinden gelen verilerinişlenmesiyle ayırdedilmiştir. Her ünite, her biri üç-eksenli olmak üzere birerivmeölçer, dönüölçer ve manyetometre içermektedir. Sınıflandırma için hamduyucu verisinden asal bileşenler analizi ile elde edilen öznitelikler kullanılmıştır.Sınıflandırıcılar üç farklı çapraz sağlama yöntemi ile sınanmıştır. Sınıflandırmayöntemlerinin başarımları, başarı oranları, hata matrisleri ve işlem yüklerine görekarşılaştırılmıştır. C¸ alışmanın sonuçclarına göre, en iyi ilk üçc baçsarı oranı sırasıylaYSA (%99.2), DVM (%99.2) ve GKM (%99.1) yöntemleri ile elde edilmiçstir.Ayırdetme içsleminde kullanılabilecek en iyi duyucu tipinin manyetometre, enbaçsarısızının ise dönüölçcer olduğu ortaya çcıkmıçstır. Duyucu ünitelerinin vücutüzerindeki yerleri karçsılaçstırıldığında ise, bacaklara takılan ünitelerin en değerlibilgileri sağladığı görülmüçstür.Anahtar Kelimeler: eylemsizlik duyucuları, dönüölçcer, ivmeölçcer, manyetometre,insan aktivitelerinin tanınması ve ayırdedilmesi, öznitelik çcıkarma, çcaprazsağlama, Bayesçci karar verme, yapay sinir ağları, destek vektör makinaları,karar ağaçcları, benzeçsmezlik-tabanlı sınıflandırıcı, Gauss karıçsım modeli, WEKA,PRTools.

82