This study investigates the effectiveness of machine learning methods in identifying earthquake-prone areas in Kazakhstan and its neighboring regions. By leveraging a comprehensive dataset encompassing significant earthquake data from 1900 to 2023, various machine learning algorithms were employed, including RandomForest, GradientBoosting, Logistic Regression, Support Vector Classification (SVC), K-Nearest Neighbors (KNeighbors), Decision Tree, XGBoost, LightGBM, AdaBoost, and MLPClassifier. The primary objective was to analyze and compare the performance of these models in predicting earthquake magnitudes and frequencies. The results reveal that certain algorithms significantly outperformed others in terms of accuracy, underscoring the potential of machine learning techniques to enhance earthquake prediction capabilities. Notably, XGBoost and RandomForest demonstrated the highest predictive accuracy, suggesting their suitability for application in seismic risk assessment. These findings offer valuable insights for governmental agencies engaged in disaster management and prevention planning, highlighting the practical implications of integrating advanced analytical techniques in their strategies. In addition to model performance analysis, a visual heatmap was generated to illustrate the geographical distribution of earthquake occurrences across the studied regions. This visual representation effectively identifies high-risk areas, serving as a crucial tool for local authorities and researchers in making informed decisions regarding safety measures and emergency preparedness. This research contributes to the expanding body of knowledge on earthquake prediction utilizing machine learning, emphasizing the necessity for continuous improvement in predictive models by incorporating additional environmental and geological factors. The implications of these findings extend beyond academic discourse, holding significant potential for enhancing public safety in regions vulnerable to seismic activity. As such, this study advocates for the integration of machine learning methodologies in disaster management frameworks to mitigate risks and enhance preparedness in earthquake-prone regions.

Мақалада компьютерлік көру және позаны бағалау технологиялары негізінде фитнес жаттығуларын нақты уақыт режимінде бақылау мен бағалаудың ғылыми-әдістемелік негіздері талданады. Зерттеудің мақсаты - бір камералы ортада орындалатын фитнес жаттығуларын бағалауға арналған жүйелердің құрылымын, негізгі есептеу белгілерін және қолданбалы шешімдерін ғылыми тұрғыдан жүйелеу. Зерттеуде аналитикалық шолу, жүйелі талдау және салыстырмалы синтез әдістері қолданылды. Дереккөз базасы адамның қалпын бағалау, қозғалысты талдау, қашықтықтан жаттығуды бақылау және нақты уақыт режиміндегі кері байланыс жүйелері бойынша заманауи жұмыстардан тұрды. Талдау нәтижесінде фитнес жаттығуларын нақты уақыт режимінде бағалаудың төрт деңгейлі құрылымы анықталды: дененің тірек нүктелерін анықтау, кинематикалық ерекшеліктерді алу, қозғалыс фазасын және орындау сапасын бағалау және пайдаланушыға түсіндірілетін кері байланыс беру. Сондай-ақ, геометриялық, уақытша және сапалық ерекшеліктерді бірлесіп пайдалану мұндай жүйелердің сенімділігін арттыратыны анықталды. Жұмыстың ғылыми жаңалығы фитнес жаттығуларын бағалау процесін бөлек алгоритмдер жиынтығы ретінде емес, өзара байланысты сандық талдау циклі ретінде ұсынудан тұрады. Бұл тәсілдердің практикалық маңыздылығы олардың үйде жаттығу, онлайн фитнес платформалары, дене шынықтыруды бақылау және бастапқы оңалту үшін қолданылуында.

Patients confined to bed for extended periods must frequently change sleeping posture to prevent pressure ulcers, which are difficult and undesirable to treat. In this study, three IMU sensors were placed on 108 bedridden patients to collect data for five different postures, resulting in 1,800,000 data points per sensor. These were converted into Eulerx, Eulery, and Eulerz values. The goal was to detect the sleep posture using a single IMU sensor. Four cases were defined: Case 1 used only IMU1, Case 2 only IMU2, Case 3 only IMU3, and Case 4 combined all three. Euler signals were converted into RGB images, framing the problem as an image classification task. A total of 2000 images were used, with 400 for training and 100 for testing in each case. A U-Net model was applied, achieving high IoU scores: 98.00%, 99.56%, 99.72%, and 98.20% respectively. Accuracy scores were 98.98%, 99.78%, 99.86%, and 99.09%, confirming U-Net’s effectiveness.