Tez No	İndirme	Tez Künye	Durumu
539356		Gait analysis and fall risk assessment with wearable inertial sensors / Giyilebilir hareket algılayıcıları ile yürüme analizi ve düşme riski değerlendirmesi Yazar:CAN TUNCA Danışman: PROF. DR. CEM ERSOY Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Düşme kazaları = Accidental falls ; Elektronik sağlık = E-health ; Hareket sensörleri = Motion sensors ; Makine öğrenmesi = Machine learning ; İnsan yürüyüşü = Human gait	Onaylandı Doktora İngilizce 2019 162 s.
Aletli yürüme bantları ve kameralı hareket yakalama sistemleri yürüme analizi için altın standart olarak kabul edilmektedir, fakat yüksek maliyetlidirler ve yalnızca hastanelerde veya yürüme kliniklerinde bulunurlar. Bu nedenle, hastane dışı kullanıma uygun mobil ve yaygın bir alternatif gereklilik haline gelmiştir. Giyilebilir hareket algılayıcılarının hareket analizi için kullanımının literatürde ümit verici örnekleri olmasına rağmen, çoğu çalışma veri toplama ve algılayıcıların yerleştirilmesi ile ilgili problemleri göz ardı etmektedir. Dahası, tipik varsayımların bazıları patolojik yürüme ile uyum göstermemekte ve hataları artırmaktadır. Bu zorlukları aşmak amacıyla, en güncel yürüme analizi yöntemlerini ileriye taşıyan giyilebilir hareket algılayıcılı bir hareket analizi sistemi öneriyoruz. Sistemimiz birçok veri toplama zorluğu ile baş edebilmekte ve patolojik yürüme koşullarında da çalışabilmektedir. Sistem zengin bir yürüme parametreleri kümesi çıkartabilmekte ve kolayca yorumlanabilen adım profili görselleştirmeleri üretebilmektedir. Sistemimizin başarımını doğrulamak ve klinik kullanıma uygunluğunu vurgulamak için 60'tan fazla nörolojik hastadan yürüme verisi topladık ve nörolojik hastalıklara özgü anahtar yürüme parametrelerini belirlemek adına bir öznitelik seçme çalışması yürüttük. Ayrıca, yürüme parametrelerinin yüksek seviyeli bir çıkarım problemi için uygunluğunu göstermek amacıyla, derin öğrenme yöntemlerinden faydalanan bir otomatik düşme riski değerlendirmesi çözümü önerdik. Elde edilen sınıflandırma başarısı var olan çözümlerden daha üstündür. Bu katkılara ek olarak, düşme riski yöntemlerinin yaygın bir sağlık hizmetine nasıl dönüştürülebileceğini gösteren, bir dizi kullanıcının aynı anda ve gerçekçi ortamlarda kullanabileceği bir hesaplama ve iletişim mimarisinin tasarımını ve değerlendirmesini sunduk.
The gold standards for gait analysis are instrumented walkways and camera-based motion capture systems which are highly accurate, but require costly infrastructure and are only available in hospitals and specialized gait clinics. Hence, a mobile and pervasive alternative suitable for non-hospital settings is a clinical necessity. Using wearable inertial sensors for gait analysis has been explored in the literature with promising results; however, the majority of the existing work do not consider realistic conditions where data collection and sensor placement imperfections are imminent. Moreover, some of the typical underlying assumptions are not compatible with pathological gait, decreasing the accuracy. To overcome these challenges, we propose a wearable inertial sensor-based gait analysis system that builds upon the state-of-the-art gait analysis methods. Our system copes with various data collection difficulties and relaxes some of the assumptions invalid for pathological gait. The system is able to extract a rich set of standard gait parameters and produce average stride profile visualizations, easily interpretable by clinicians. To validate the success of our system and highlight its clinical applicability, we collected a gait dataset from more than 60 neurological disorder patients and conducted a feature selection study to identify the key gait parameters in neurological disorders. To demonstrate how the extracted gait parameters can be used for a higher level inference problem, we also introduce an automated fall risk assessment solution, exploiting deep learning methods. The achieved classification accuracies outperform the existing solutions. As a final contribution, we present the design and evaluation of a computing and communication architecture that shows how the fall risk assessment methods can be transformed into a pervasive healthcare service that can handle numerous users concurrently under realistic conditions.