CoolFace
Apppublic

sancos/Detect_Behavior_with_Sensor_Data

sourceHugging Facemitupdated 4mo agoView on Hugging Face
0likes
App README

🏗️ CMI: Sensör Verisi ile Davranış ve Hareket Tanıma

<p align="center"> <img src="https://img.shields.io/badge/Python-3776AB?style=for-the-badge&logo=python&logoColor=white" alt="Python" /> <img src="https://img.shields.io/badge/Pandas-150458?style=for-the-badge&logo=pandas&logoColor=white" alt="Pandas" /> <img src="https://img.shields.io/badge/Scikit--Learn-F7931E?style=for-the-badge&logo=scikit-learn&logoColor=white" alt="Scikit-Learn" /> <img src="https://img.shields.io/badge/Random%20Forest-228B22?style=for-the-badge&logo=tree-dot-org&logoColor=white" alt="Random Forest" /> <img src="https://img.shields.io/badge/LightGBM-008080?style=for-the-badge&logo=microsoft&logoColor=white" alt="LightGBM" /> <img src="https://img.shields.io/badge/NumPy-013243?style=for-the-badge&logo=numpy&logoColor=white" alt="NumPy" /> </p>

📌 Proje Özeti

Bu çalışma, Child Mind Institute (CMI) tarafından sağlanan giyilebilir sensör verilerini kullanarak, çocukların hareket ve davranış paternlerini yüksek doğrulukla sınıflandırmayı amaçlayan bir yapay zeka projesidir. Proje, özellikle mobil sağlık uygulamalarında (adım sayar, kalori takibi) kullanılacak akıllı hareket algılama motoru için bir temel teşkil etmektedir.

Canlı Uygulama

🚀 Öne Çıkan Özellikler

  • —Yüksek Başarım: Test verileri üzerinde %91 doğruluk oranı.
  • —Akıllı Özellik Mühendisliği: Ham ivme verilerinden Bileşke İvme Şiddeti (acc_mag) üretilerek fiziksel hareketin gücü modele entegre edilmiştir.
  • —Hibrit Veri Yapısı: Sensör verileri ile demografik (yaş, cinsiyet) veriler birleştirilerek kişiselleştirilmiş tahmin yapısı kurulmuştur.

🛠️ Teknik İş Akışı

  1. 1.Veri Analizi: 341 sütunlu ham verinin keşfi ve temizlenmesi.
  2. 2.Feature Engineering: İvme ve dönüş verilerinin vektörel toplamlarının hesaplanması.
  3. 3.Modelleme: Random Forest algoritması ile davranış sınıflandırma.
  4. 4.Değerlendirme: Karmaşıklık matrisi ve F1-skor analizi.

📊 Model Performansı

Sınıf (Davranış)F1-SkoruPerforms GestureMoves Hand to TargetHand at TargetGenel Doğruluk
Performs Gesture%94%94%91
Moves Hand to Target%90%90
Hand at Target%87%87
Genel Doğruluk%91

📦 Kurulum ve Kullanım

  1. 1.Depoyu Klonlayın:
bash
    git clone https://github.com/serdaronal/cmi-behavior-detection.git
  1. 1.Gerekli Kütüphaneleri Yükleyin:
bash
    pip install -r requirements.txt
  1. 1.Modeli Çalıştırın:
bash
    python src/predict.py

<div align="center"> <br> <p><b>Serdar ÖNAL</b></p> <p><i>Kıdemli İnşaat Mühendisi & Yapay Zeka Uygulayıcısı</i></p> <br> <a href="https://github.com/madsancos"> <img src="https://img.shields.io/badge/GitHub-100000?style=for-the-badge&logo=github&logoColor=white" alt="GitHub" /> </a> <a href="https://www.linkedin.com/in/serdar%C3%B6nal1981/"> <img src="https://img.shields.io/badge/LinkedIn-0077B5?style=for-the-badge&logo=linkedin&logoColor=white" alt="LinkedIn" /> </a> <a href="https://www.kaggle.com/serdaronal"> <img src="https://img.shields.io/badge/Kaggle-20BEFF?style=for-the-badge&logo=Kaggle&logoColor=white" alt="Kaggle" /> </a> <br>

</div>