İnsan etkinliği ve yoğunluğu tanımada sensör düzenlerini değerlendirmek için kapsamlı bir IMU veri seti

Spor takip cihazınızın nerede durduğunu önemsemesinin nedeni

Spor saatleri ve adım sayıcılar günlük yürüyüşünüzden spor salonu antrenmanınıza kadar her şeyi izleme vaadi sunar. Ancak bu şık kayışların altında şaşırtıcı derecede zor bir tasarım sorusu yatar: sensörleri vücutta nereye yerleştirmeliyiz ki hareketimizi yeterince gözlemlesinler ama bizi kablolara bağlı bir robota dönüştürmesinler? Bu çalışma, bilim insanlarının tam da bu soruyu yanıtlamasına yardımcı olan zengin yeni bir veri seti sunuyor; farklı giyilebilir düzenlerin ne yaptığımızı ve ne kadar çaba harcadığımızı nasıl algıladığını gösteriyor.

Birçok takip cihazı, tek büyük kör nokta

İnsan etkinliği tanıma, cihazların hareket verilerine dayanarak oturup oturmadığınızı, yürüyüp yürümediğinizi, koşup koşmadığınızı veya bisiklete binip binmediğinizi çıkarmasını sağlayan teknolojidir. Kameralar da bunu yapabilir, ancak vücuda takılan sensörler evde, kliniklerde ve günlük yaşamda uzun süreli ve mahremiyeti koruyan kullanım için daha uygundur. Bununla birlikte mevcut veri setlerinin çoğu bu araştırma için yalnızca birkaç sensörü seçilmiş vücut bölgelerine—örneğin cebinizdeki bir telefon veya bilekte tek bir bant—yerleştirir. Bu sınırlı görüş, önemli bir ödünleşmeyi incelemeyi zorlaştırır: etkinlikleri ve yoğunluklarını doğru şekilde tanımak için gerçekten kaç sensöre ve nerelere ihtiyaç vardır, aynı zamanda rahat ve pratik bir kullanım nasıl sağlanır?

Tüm vücudu kapsayan bir hareket haritası oluşturmak

Bu boşluğu kapatmak için araştırmacılar, 30 sağlıklı genç erişkinden 12 yaygın etkinliği yaptıkları sırada hareket verileri topladı; bunlar arasında uzanma, oturma, ayakta durma, farklı yürüyüş hızları, merdiven çıkma, bisiklet, koşu, zıplama ve kürek yer aldı. Her katılımcı baştan ayağa 17 küçük hareket birimi giydi: başta, üst sırtta, alt sırtta, omuzlarda, kollarda, bileklerde, uyluklarda, baldırlarda ve ayaklarda. Bu birimler her bir vücut segmentinin üç boyutta nasıl hareket ettiğini saniyede 60 örnekle, tutarlı bir küresel koordinat sisteminde kaydetti. Ekip ayrıca boy ve uzuv uzunlukları gibi temel vücut ölçümlerini kaydetti ve etkinlik türünü ve enerji harcaması tablolarına dayalı olarak oturarak yapılan düşük yoğunluktan şiddetliye kadar etkinliğin çaba düzeyini dikkatle etiketledi.

Ham hareketten tanınabilir desenlere

Veriler toplandıktan sonra sinyaller yarım saniyeden 10 saniyeye kadar kısa, üst üste binen zaman pencerelerine bölündü. Geleneksel makine öğrenimi modelleri için ekip her pencereyi sinyallerin zaman ve frekans davranışını tanımlayan el yapımı özellik setlerine indirgeyerek ortalamalar, değişkenlikler ve baskın ritimler gibi nitelikleri çıkardı. Ardından 12 etkinliği ayırt etme ve bunları dört çaba düzeyinde gruplama olmak üzere iki görevde dört yaygın kullanılan modeli—iki klasik yaklaşım ve iki derin öğrenme ağı—eğittiler. Tüm eğitim ve testler kişi bazında gerçekleştirildi: her kişinin verileri yalnızca bir rolde yer aldı; böylece modellerin bireysel hareket stilini ezberlemek yerine gerçekten genel desenleri öğrendiği garanti altına alındı.

Gerçekten önemli olan: zaman ve yerleşim

Sonuçlar, iyi seçilmiş özelliklerle klasik modellerin etkinlikleri yaklaşık %96–97 doğrulukla ve çaba düzeylerini daha da güvenilir şekilde tanıyabildiğini gösteriyor. Ham sinyaller üzerinde doğrudan eğitilmiş derin öğrenme modelleri, özellikle daha kısa zaman pencerelerinde neredeyse aynı performansı gösteriyor. Tüm yaklaşımlarda yaklaşık 2–5 saniyelik pencereler hızlı yanıt ile güvenilir sınıflandırma arasında en iyi dengeyi kuruyor: yürüyüş veya kürek çekme ritmini yakalayacak kadar uzun, ancak gerçek zamanlı geri bildirim için yararlı olacak kadar kısa. Sensör yerleşimine bakıldığında bulgular çarpıcı. Kalça, uyluk, baldır ve ayakları kapsayan alt vücut odaklı bir düzen, yoğunluğu değerlendirmede özellikle olmak üzere çoğu durumda tüm vücut kapsamasının performansına eşdeğer ya da onu aşan sonuçlar verebiliyor. Alt sırtta, uylukta ve baldırda yer alan üç sensörlü minimal bir düzen hâlâ %90’ın üzerinde doğruluk sağlarken, tek sensörlü düzenler—özellikle bilekte olanlar—daha belirgin şekilde daha düşük performans sergiliyor.

Daha akıllı, daha sade giyilebilirler tasarlamak

Bu yeni veri seti daha fazla sensörün her zaman daha iyi olmadığını öne sürüyor: bacakların baskın olduğu günlük hareketler için kompakt, iyi seçilmiş bir sensör kümesi çok daha karmaşık sistemlerle başa çıkabilir. Bu içgörü, daha hafif, daha ucuz ve kullanımı daha kolay ancak yine de insanların ne yaptıklarını ve ne kadar çaba harcadıklarını güvenilir biçimde izleyebilen geleceğin giyilebilir cihazlarının tasarımına rehberlik edebilir. Yazarlar tüm veri setini ve kodu herkese açık hale getirerek sensör düzenlerini iyileştirmek, yeni algoritmalar keşfetmek ve nihayetinde bu araçları yaşlı yetişkinler, hastalar ve daha çeşitli gerçek dünya ortamlarına genişletmek için bir test yatağı sağlıyorlar.

Atıf: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

Anahtar kelimeler: giyilebilir sensörler, insan etkinliği tanıma, ataletsel ölçüm birimleri, sensör yerleşimi, fiziksel aktivite yoğunluğu