Yürüme verisi ve konum mahremiyeti

Abstract

Akıllı giysiler, giydirilebilir sensörler ve benzeri küçük cihazlar askeri, sağlık ve kişisel uygulamaların geliştirilmesinde çok değerli geri bildirimler sağlar. Bu bildirimler, toplanan bilgilerin basit kullanımlarının ötesinde, istenmeyen sonuçlarda çıkarılabilir. Temel konular insanlar olduğunda, bu tür çıkarımlar, bireylerin yasal gizliliğiyle beklenen ve korunanları kolayca ihlal edebilir. Bu tür veri analizi hakkında bir fikir edinmek için projemiz yürüyüş verileri ve yer gizliliği konusunda seçildi. Yürüme verileri genellikle koşma, yürüme, merdiven çıkma, düşme gibi aktivite tanımlama veya osteoartrit gibi tıbbi durumların izlenmesi ile ilgilidir. Buna rağmen; bireylerin günlük fiziksel aktivitelerini (adım sayısı vb.) izlemek için çeşitli mobil uygulama formunda çeşitli kişisel asistanlar var. Tartıştığımız bu veriler, küresel konumlandırma (GPS) verilerine başvurmadan bir bireyin konumunu belirlemek için kullanılabilir. Bu proje bu sorunu ele aldı. Gönüllü bireyler üzerinden pil ile beslenen IMU sensor ve kablosuz WiFi modüller kullanılarak 3-eksen ivme verileri toplandı. Bu amaçla tasarlanan elektronik devre kişinin her bir ayağı için dizüstü ve dizaltına bölgelerine yerleştirildi (toplam 4 adet). Kablosuz tasarım birden fazla bireyden veri toplamaya izin verdi. Veri toplama işlemi eğimli yolda yukarı çıkma, eğimli yolda aşağı inme, merdiven inme, merdiven çıkma ve düz yolda gerçekleştirildi. Toplanan veriler eğitim, validasyon ve test verisi olarak 3'e ayrıldı. Şu aşamada veriler kullanıcı konumunu belirlemek için graf algoritmalarının yanısıra çeşitli makine öğrenmesi algoritmaları ile sınıflandırma için kullanılmaktadır. Abstract Smart garments, wearable sensors and similar small devices provide invaluable feedback in development, be it military, health or personal satisfaction. Beyond the straightforward use of collected information one can infer unintended knowledge. When the underlying subjects are people such deductions can easily violate the expected and protected by law privacy of individuals. To get an insight of what seemingly unrelated information can be extracted our project selected gait data and location privacy. Gait data is usually associated with activity recognition, such as running, walking, climbing stairs, falling; or with monitoring certain medical conditions such as osteoarthritis. However, there are various personal assistants in the form of say mobile applications that keep track of daily physical activity of individuals (such as steps count). Such data we argue can be used to locate the position of an individual without resorting to global positioning (GPS) data. This project takes on that problem. Using battery powered wireless modules with soldered accelerometers we collected the sensor data in a central processing unit (also battery powered). The wireless modules were attached to human subjects four units per person one below the knee one above the knee on each leg. Data was gathered on different terrains: slope going up and down, stairs going up and down, and level surface. The wireless nature allowed as to collect gait data by more than on subject at a time usually two. During collection the data is recorded based on the terrain the data is gathered and is treated as learning, validation and test data. At the current stage we have moved on on developing various Machine Learning algorithms to classify data as well as graph algorithms to deduce user location.