ANOMALY DETECTION FROM BIG DATA OF MOTION SENSORS USING DEEP LEARNING

Abstract

ABSTRACT

In this thesis, the issue of anomaly detection in big data obtained from motion sensors is discussed. The widespread use of motion sensors in various industries has significantly transformed data collection processes, especially in the analysis of human movements. However, accurately detecting anomalies in these large data sets remains a significant challenge. Accurately detecting anomalies in motion sensor data contributes to preventing security hazards, increasing operational efficiency, and improving decision-making processes, especially in the areas of health and safety. In this study, a deep learning-based model was developed using the Feed Forward Neural Network (FFNN) algorithm and particle swarm optimisation (PSO) to solve the anomaly problem in big data obtained from human movements.

In this thesis, a dataset obtained from multi-sensor data of human activities in the smart home environment was used. The proposed (FFNN) algorithm and particle swarm optimization (PSO) based hybrid model achieved a mean absolute error (MAE) of 0.016 and an accuracy rate of 97.95%. The results show that the hybrid FFNN and PSO approach can be used for anomaly detection in various fields based on motion sensor input.

ÖZET

Bu tezde, hareket sensörlerinden elde edilen büyük verilerdeki anormallik tespiti konusunu ele alınmaktadır. Hareket sensörlerinin çeşitli sektörlerde yaygın olarak kullanılması, özellikle insan hareketlerinin analizinden veri toplama süreçlerini önemli ölçüde dönüştürmüştür. Ancak bu geniş veri kümelerindeki anormallikleri doğru bir şekilde tespit etmek önemli bir sorun olarak devam etmektedir. Hareket sensörü verilerinde anormalliklerin doğru bir şekilde tespit edilmesi sağlık ve güvenlik alanları başta olmak üzere güvenlik tehlikelerinin önlenmesi, operasyonel verimliliğin artırılması ve karar verme süreçlerinin geliştirilmesine katkı sağlamaktadır. Bu çalışmada, insan hareketlerinden elde edilen büyük verilerdeki anormallik sorununun çözümü için İleri Beslemeli Sinir Ağı (FFNN) algoritması ve parçacık sürüsü optimizasyonu (PSO) kullanılarak derin öğrenme tabanlı bir model geliştirilmiştir.

Bu tezde, akıllı ev ortamındaki insan faaliyetlerinin çoklu sensör verilerinden elde edilen bir veri seti kullanıldı. Önerilen (FFNN) algoritması ve parçacık sürüsü optimizasyonu (PSO) tabanlı hibrit model 0,016 ortalama mutlak hata (MAE) ve %97,95 doğruluk (accuracy) oranı elde etti. Elde edilen sonuçlar, hibrit FFNN ve PSO yaklaşımının, hareket sensörü girdisine dayanan çeşitli alanlarda anomali tespiti için kullanılabileceğini göstermektedir.