Bilgi teknolojisinin temel bileşenleri, algılama, bilgi işleme ve haberleşmedir. Algılamanın son yıllarda giderek daha çok önem kazanarak endüstri ve otomasyonun yanı sıra günlük hayatta kullanılan tüketici ürünlerine de giderek daha fazla entegre edildiğini görmekteyiz. Bağlam farkında (context-aware) sistemler veya sistem bileşenleri, içinde yer aldıkları ortamla ilgili derledikleri verileri analiz ederek ortama adaptasyon ve davranışsal değişiklik sağlayabilme kabiliyetine sahiptirler. Bu tür sistemlerin oluşturulmasında, birbirinden farklı niteliklere sahip algılayıcılar önemli rol oynamaktadır. Özellikle son yıllarda MEMS teknolojisinin gelişmesiyle ivmeölçer, jiroskop, eğimölçer gibi hareket sensörlerinin boyutları giderek küçülmüş, hafiflemiş, performansları iyileşmiş ve maliyetleri de azalmıştır. Buna bağlı olarak bu tür cihazların uygulama ve kullanım alanları da oldukça genişlemiş ve yaygınlaşmıştır. Sözkonusu hareket sensörleri, düşük donanım ve yazılım maliyetleri ile video işlemeye dayalı hareket tanıma ve ayırt etme sistemlerine önemli bir alternatif haline gelmişlerdir.
Son yıllarda, insan aktivitelerinin tanınması, izlenmesi ve ayırt edilmesi alanında araştırmalar yoğunlaşmıştır. Yaşlı nüfusun izlenmesi, rehabilitasyonu ve ek destek alması, düşme, incinme gibi acil müdahale gerektiren durumların zaman kaybetmeden saptanması, Avrupa Birliği tarafından oldukça önemsenmekte ve desteklenmekte olan araştırma konularıdır. Özellikle yalnız yaşayan ve günlük hayatlarında desteğe gereksinim duyan insanların kendi evlerinde izlenmesinde, geçirdikleri ameliyatlar sonrasında fiziksel rehabilitasyon gören hastaların iyileşme süreçlerinin takibinde ve fizyoterapi seanslarının hastanın hastaneye gitmesine gerek kalmadan evden yapılmasında hareket tanıma ve sınıflandırma yöntemleri kullanılmaktadır.
Günlük aktivitelerin ve düşme gibi olası sıra dışı aktivitelerin izlenmesinde kullanılan başlıca iki yaklaşım bulunmaktadır. Bunlardan ilki, kullanıcının bulunduğu ortamın sensörlerle donatılmasına dayalıdır. Ancak, bu tür bir yaklaşım, diğer dezavantajlarının yanı sıra kişinin hareketlerini sensörlerle donatılmış bulunan ortama sınırlandırmaktadır. Alternatif yaklaşım olan giyilebilir algılama ise hem iç, hem de dış mekanda kullanılabilmesi, işlemsel yükünün kamera sistemlerine göre çok daha düşük olması, kullanıcı mahremiyetini ihlal etmemesi gibi nedenlerden dolayı oldukça revaçtadır. Giyilebilir algılayıcılardan elde edilen verilerin analizinde makine öğrenme yöntemleri kullanılarak daha güvenilir sonuçlar elde edilebilmektedir.
Giyilebilir algılayıcıların uygulama ve yaygın etki alanları arasında yaşlı, hasta, engelli ve çocukların uzaktan izlenmesi, evde fizyoterapi ve rehabilitasyon, biyomekanik, ergonomi, sporda ve dansta hareket ve egzersiz eğitimi ve kaydı, yaşlılarda ve sporcularda düşmelerin ve incinmelerin zaman kaybetmeden sezimi, animasyon, film yapımı, sanal gerçeklik, oyun ve simülatör tasarımı gibi önemli ve birbirinden çok farklı alanlar bulunmaktadır. İnsan bedeninde harcanan enerji seviyesinin ölçülmesi ve yürüme analizi ise yaşam standardını yükseltmeye yönelik uygulamalar arasında sayılabilir.
Örnek Yayınlar:
B. Barshan, A. Yurtman, “Classifying daily and sports activities invariantly to the positioning of wearable motion sensor units,” IEEE Internet of Things Journal, 7(6):4801-4815, June 2020.
A. Yurtman, B. Barshan, “Novel non-iterative orientation estimation for wearable motion sensor units acquiring accelerometer, gyroscope, and magnetometer measurements,” IEEE Transactions on Instrumentation and Measurement, 69(6):3206-3215, June 2020.
A. Yurtman, B. Barshan, B. Fidan, “Activity recognition invariant to wearable sensor orientation using differential rotational transformations represented by quaternions,” Sensors (MDPI), 18(8), article no: 2725, August 2018, Special Issue on Data Analytics and Applications of Wearable Sensors in Healthcare.
I. Umay, B. Fidan, B. Barshan, “Localization and tracking of implantable biomedical sensors,” Sensors (MDPI), 17(3), article no: 583, March 2017.
A. T. Özdemir and B. Barshan, “Detecting falls with wearable sensors using machine learning techniques,” Sensors (MDPI), 14(6):10691-10708, 18 June 2014.
K. Altun, B. Barshan, O. Tunçel, “Comparative study on classifying human activities with miniature inertial and magnetic sensors,” Pattern Recognition, 43(10):3605-3620, October 2010.