SOUND BASED LOCATION DETECTION USING MACHINE LEARNING METHODS

Abstract

Günümüzde insan yaşamının her alanında ses çok önemli bir rol oynamaktadır. Kişisel güvenlikten başlayarak çevremizde kritik denetimlere kadar her ortamda işlenen suçların sayısı artmaktadır. Bu artışla birlikte suçluların tespiti ve olayların aydınlatılması büyük önem arz etmektedir. Suçlunu takibi için ses verileri tanımlayıcı bilgi olarak kullanılabilmektedir. Evlerimizde gerçekleştirilen faaliyetler farklı ses sinyalleri üretmektedir. Evin içerisindeki farklı konumlarda farklı faaliyetler gerçekleştirilmekte ve her konumdaki sesin akustik özellikleri farklılık göstermektedir. Üretilen ses sinyallerinin tespit edilmesi sonucunda kişinin hangi konumda bulunduğu tahmin edilebilir. Bu amaçla ev içi seslerden oluşan yeni bir ses veriseti toplanmıştır. YouTubedaki ev konumlarına göre yapılacak faaliyetlerle ilişkili videolar kullanılmıştır. Oluşturulan verisetine KNN, SVM, rastgele orman (REF) vb. gibi son araştırmalar tarafından kullanılan popüler makine öğrenmesi sınıflandırıcıları uygulandı. Derin öğrenme, daha büyük miktarda veri ile daha iyi sonuç verse de, derin öğrenme ile kombinasyon uygulanabilir. Son olarak, modelimiz, araştırmalarla elde edilen mevcut sonuçlarla karşılaştırıldığında, sınıflandırılmış ses konumunun konumunu dikkate değer bir performansla belirlemiştir.

Today, sound plays a significant role in every aspect of human life. The number of crimes committed in every environment, from personal security to critical inspections in our environment, is increasing. With this increase, the identification of criminals and the clarification of events are of great importance. Audio data can be used as descriptive information to track the criminal. Activities carried out in our homes produce different sound signals. Various activities are carried out in other locations in the house, and the acoustic properties of the sound in each location differ. As a result of the detection of the produced sound signals, the person's position can be estimated. For this purpose, a new sound dataset consisting of household sound was collected. Videos related to activities to be performed according to home locations on YouTube were used in the generated dataset.In this thesis, the popular machine learning classifiers that have been used by recent research have been applied, such as KNN, SVM, random forest (REF), etc Finally, our model, the Cubic-SVM, determined the position of the classified sound and achieved a good result with an accuracy of 96.85 for identifying the location of the classified sound, compared with existing results obtained by the researchers.