Sis Bilişim ve IoT Tabanlı Sağlık ve Taktik Analiz İzleme Modeli

Abstract

In sports, negative consequences such as injury or tactical weakness may occur for the teams depending on the conditions such as excitement, stress, and fatigue during the match. For this reason, it is necessary to constantly control the health of the player and make some strategic analyzes during the match. According to the results of the tactical analysis, the technical team can make moves that affect the match. The effects can sometimes lead to positive and sometimes negative results. For positive moves, the accuracy of the analyzes must be high. In this dissertation, an architecture based on fog computing and Internet of things (IoT) is proposed in order to reduce the effects of negative situations on the game and to protect against injuries. In addition, a machine learning-based tactical analysis model that can work in this architecture is proposed. Players are monitored during the match with sensors such as blood pressure, body temperature, heart rate, precise location. The data received from the sensors are processed in the fog computing layer and the resulting information is sent to the devices of the technical team and club doctors. In the proposed architecture, an algorithm that uses a priority queue in the fog layer is proposed so that important events can be processed in a much shorter time. This architecture is tested using iFogSim. When compared with similar studies, it is determined that the proposed structure significantly reduces the delay time and provides high efficiency. Authentication and data privacy are ensured by the federated lightweight authentication of things (FLAT) method used in architecture. In addition, data integrity is ensured by using a software-defined network controller based on blockchain technology. A machine learning and federated learning-based tactical analysis model that can work in fog computing and IoT-based infrastructure is proposed. A machine learning model is trained and classified using data from previous matches. The model is tested using different variants of discriminant analysis, k-nearest neighbor (KNN), naive Bayes, support vector machine (SVM), decision trees, and ensemble learning methods. AdaBoost, which is one of the ensemble learning methods and optimized for the most suitable parameters, has the highest performance with 87.2%. This method can be used for the proposed model in the proposed architecture.

Spor müsabakalarında sporcular için maç esnasında heyecan, stres, yorgunluk gibi koşullara bağlı olarak sakatlık veya taktiksel zafiyet gibi olumsuz sonuçlar ortaya çıkabilmektedir. Bu nedenle sağlık durumlarının sürekli kontrol edilmesi ve maç esnasında bir takım stratejik analizlerin yapılması gerekmektedir. Taktiksel analizlerin sonucuna göre teknik ekip maçın gidişatına etki eden hamleler yapmaktadır. Etkiler, bazen olumlu bazen olumsuz sonuçlar doğurabilmektedir. Faydalı hamleler için analizlerin doğruluk oranlarının yüksek olması gerekmektedir. Bu tez kapsamında olumsuz durumların oyuna etkisini azaltmak ve sakatlıklardan korunmak için sis bilişim ve nesnelerin İnterneti (Internet of things-IoT) tabanlı bir mimari ve bu mimari içinde çalışabilen makine öğrenmesi temelli bir taktik analiz modeli önerilmektedir. Sporcular maç esnasında kan basıncı, vücut ısısı, kalp atış hızı, hassas konum gibi sensörler ile izlenmektedir. Sensörlerden alınan veriler sis bilişim katmanında işlenmekte ve ortaya çıkan bilgiler teknik ekip ve kulüp doktorlarının cihazlarına gönderilmektedir. Önerilen mimaride önemli olayların çok daha kısa sürede işlenebilmesi için sis katmanında öncelik kuyruğu kullanan bir algoritma önerilmektedir. Bu mimari iFogSim kullanılarak test edilmektedir. Benzer çalışmalar ile karşılaştırıldığında önerilen yapının gecikme süresini önemli ölçüde düşürdüğü ve yüksek verim sağladığı görülmektedir. Mimaride kullanılan nesnelerin birleşik hafif kimlik doğrulaması (federated lightweight authentication of things-FLAT) yöntemi ile kimlik doğrulama ve veri gizliliği sağlanmaktadır. Ayrıca, blokzincir teknolojisine dayalı yazılım tanımlı ağ denetleyicisi kullanılarak veri bütünlüğü sağlanmaktadır. Sis bilişim ve IoT tabanlı altyapıda çalışması için örnek olarak makine öğrenmesi ve birleşik öğrenme tabanlı taktik analiz yöntemi önerilmektedir. Önceki maçlardan elde edilen veriler kullanılarak bir makine öğrenmesi modeli eğitilmekte ve sınıflandırılmaktadır. Model diskriminant analizi, k-en yakın komşuluk (k-nearest neighbor-KNN), naive Bayes, destek vektör makinesi (support vector machine-SVM), karar ağaçları ve topluluk öğrenmesi yöntemlerinin farklı türevleri kullanılarak test edilmektedir. Topluluk öğrenme yöntemlerinden biri olan ve en uygun parametreler için optimize edilen AdaBoost %87,2 ile en yüksek başarıma sahiptir. Önerilen mimaride önerilen model için bu yöntem kullanılabilmektedir.