Late Fusion Based Convolutional Network Model in Detection of Vital Signals with Radar Technology
| dc.contributor.author | Özkaya, Umut | |
| dc.date.accessioned | 2025-01-21T14:28:05Z | |
| dc.date.available | 2025-01-21T14:28:05Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | In this study, a method based on Convolutional Neural Networks (CNN) and fusion technology was proposed for the classification of vital signals. In order to obtain more information from 1-D radar signals, 2-D data were obtained with the spectrogram technique. An automated classification framework has been implemented by using pre-trained Google Net, VGG-16 and ResNet-50 models. The performance in the test data is increased by applying late fusion process to the highest performing VGG-16 and GoogleNet CNN structures. The performance of the proposed method is 92.54% Accuracy (ACC), 92.41% Sensitivity (SEN), 97.18% Specificity (SPE), 93.54% Precision (PRE), 92.66% F1-Score, and 90.25% Matthews Correlation Constant (MCC). Thanks to the proposed method, radar technology, which is one of the non-destructive detection technologies, comes to the forefront compared to wearable technologies | |
| dc.description.abstract | Bu çalışmada hayati sinyallerin sınıflandırılması için Evrişimsel Sinir Ağları (ESA) ve füzyon teknolojine dayalı bir yöntem önerildi. Tek boyutlu radar sinyallerinden daha fazla bilgi edinmek amacıyla spektrogram tekniği ile 2 boyutlu veriler elde edildi. GoogleNet, VGG-16 ve ResNet-50 ön eğitimli ESA kullanılarak otomatik bir sınıflandırma çerçevesi uygulanmıştır. En yüksek performansa sahip VGG-16 ve GoogleNet ESA yapılarına geç füzyon işlemi uygulanarak test verilerindeki performans artırılmıştır. Önerilen yöntemin performans 92.54% Doğruluk (DOĞ), 92.41% Duyarlılık (DUY), 97.18% Özgüllük (ÖZG), 93.54% Hassasiyet (HAS), 92.66% F1-Skoru ve 90.25% Matthews Korelasyon Sabiti (MKS)’dir. Önerilen yöntem sayesinde tahribatsız algılama teknolojilerinden biri olan radar teknolojisi giyilebilir teknolojilere göre daha ön plana çıkmaktadır. | |
| dc.identifier.dergipark | 1231940 | |
| dc.identifier.issn | 1308-5514 | |
| dc.identifier.issue | 1-248 | |
| dc.identifier.startpage | 255 | |
| dc.identifier.uri | https://dergipark.org.tr/tr/download/article-file/2882116 | |
| dc.identifier.uri | https://dergipark.org.tr/tr/pub/umagd/issue/72926/1231940 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12587/20207 | |
| dc.identifier.volume | 1 | |
| dc.language.iso | en | |
| dc.publisher | Kırıkkale Üniversitesi | |
| dc.relation.ispartof | Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_20241229 | |
| dc.subject | Radar | |
| dc.subject | Vital Sign | |
| dc.subject | Deep Learning | |
| dc.subject | Convolutional Neural Network | |
| dc.subject | Late Fusion | |
| dc.subject | Radar | |
| dc.subject | Vital Sign | |
| dc.subject | Deep Learning | |
| dc.subject | Convolutional Neural Network | |
| dc.subject | Late Fusion | |
| dc.subject | Electrical Engineering | |
| dc.title | Late Fusion Based Convolutional Network Model in Detection of Vital Signals with Radar Technology | |
| dc.title.alternative | Radar Teknolojisi ile Hayati Sinyallerin Tespitinde Geç Füzyon Tabanlı Evrişimsel Sinir Ağı Modeli | |
| dc.type | Article |
