[論文レビュー] Radar Classification of Contiguous Activities of Daily Living

Ronny G. Guendel|arXiv (Cornell University)|Dec 17, 2019

Advanced SAR Imaging Techniques参考文献 42被引用数 4

ひとこと要約

本稿では、連続する日常的行動（ADL）をラジオ波ベースで分類する手法を提案する。範囲マップにルーティーン変換を適用して移動運動を検出するとともに、エネルギーベースのパワー・バースト・カーブ（PBC）を用いて、在位運動の開始・終了時刻を特定する。人間の行動記録（ethogram）を活用し、現在の運動状態に応じて分類クラスを動的に削減することで、前向き時間方向で最大99.7%、後ろ向き時間方向で98.9%の分類精度を達成。歩行→転倒→座位のような複雑な運動シーケンスにおいても、グローバル分類器を上回る性能を発揮する。

ABSTRACT

We consider radar classifications of Activities of Daily Living (ADL) which can prove beneficial in fall detection, analysis of daily routines, and discerning physical and cognitive human conditions. We focus on contiguous motion classifications which follow and commensurate with the human ethogram of possible motion sequences. Contiguous motions can be closely connected with no clear time gap separations. In the proposed motion classification approach, we utilize the Radon transform applied to the radar range-map to detect the translation motion, whereas an energy detector is used to provide the onset and offset times of in-place motions, such as sitting down and standing up. It is shown that motion classifications give different results when performed forward and backward in time. The number of classes, thereby classification rates, considered by a classifier, is made variable depending on the current motion state and the possible transitioning activities in and out of the state. Motion examples are provided to delineate the performance of the proposed approach under typical sequences of human motions.

研究の動機と目的

• 歩行の次に転倒や座位が続くなど、明確な時間的境界のない連続的かつ非分離可能なADLを分類する課題に対処する。
• 運動の文脈やシーケンスにかかわらず、すべてのADLを均一に扱う従来のラジオ波分類器の限界を克服する。
• 時間的文脈と運動状態のダイナミクスを組み込むことで、歩行→転倒や歩行→座位といった曖昧な運動遷移の分類精度を向上させる。
• 信頼性を高め、微細な運動遷移を検出可能にするために、前向きおよび後ろ向きの時間方向の両方で分類を実行する。
• 人間の行動記録を根拠に、現在の運動状態と可能な遷移を考慮して分類クラス数を動的に調整することで、計算負荷を低減するとともに、分類精度を向上させる。

提案手法

• 歩行などの移動運動を検出するために、範囲マップにルーティーン変換を適用し、移動に対応する線形エネルギーパターンを同定する。
• 座位への移行、立ち上がり、転倒などの在位運動の開始・終了時刻を検出するために、パワー・バースト・カーブ（PBC）エネルギー検出器を用いる。
• 人間の運動を4つの主要な状態（立位、座位、歩行、横臥）をもつ状態機械としてモデル化し、人間の行動記録を用いてそれら間の遷移行動（例：立ち上がり、転倒）を定義する。
• 各状態において、入力および出力可能な遷移のみを考慮することで、分類クラス数を動的に削減し、分類器の焦点を高め、精度を向上させる。
• 範囲マップおよびマイクロドップラー・スペクトログラムに2次元主成分分析（2D-PCA）を適用し、その後、最近傍法（NN）分類を実行する。主成分の数は各状態に応じて調整する。
• 前向きおよび後ろ向きの時間方向の両方で分類を実行し、時間的非対称性を評価するとともに、運動認識の信頼性を高める。

実験結果

リサーチクエスチョン

• RQ1 前向きおよび後ろ向きの時間方向にADLを分類することで、連続運動シーケンスの分類精度にどのような影響を与えるか？
• RQ2 運動状態と行動記録の制約に基づいて有効クラス数を削減することで、すべてのADLクラスを用いる場合と比較して、分類性能がどの程度向上するか？
• RQ3 ルーティーン変換とパワー・バースト・カーブ（PBC）は、ラジオ波センシングデータにおいて移動運動と在位運動を効果的に区別できるか？
• RQ4 歩行から転倒や座位への遷移といった曖昧な遷移を含む運動シーケンスが、分類精度に与える影響は何か？また、提案手法はこれを緩和できるか？
• RQ5 固定されたグローバル分類器と比較して、状態依存の分類器に動的クラス削減を適用した場合の性能向上はどの程度か？

主な発見

• 提案手法は、例3（物体を拾い上げる）において前向き時間方向で99.70%の分類精度を達成し、後ろ向き時間方向（99.60%）およびグローバル分類器を上回った。
• 歩行→転倒→座位のシーケンス（例2）において、提案手法は前向き時間方向で96.95%、後ろ向き時間方向で98.90%の精度を達成し、グローバル分類器（前向き92.70%、後ろ向き96.70%）を顕著に上回った。
• 歩行→転倒のシーケンス（例1）において、提案手法は前向き時間方向で91.70%、後ろ向き時間方向で97.20%の精度を達成し、曖昧な遷移に対して後ろ向き分類がしばしば高い精度を示すことを示した。
• 全例の平均分類率は、グローバル分類器を用いた場合、前向きで98.26%、後ろ向きで98.60%であったが、提案手法は特定のシーケンスにおいて前向き時間方向で最大99.70%の精度を達成した。
• 人間の行動記録に基づいて状態ベースの分類器を構築し、動的クラス削減を実施することで、固定された全クラス分類器と比較して、複雑な連続運動シーケンスにおける性能が顕著に向上した。
• 前向きと後ろ向きの時間方向で分類結果が著しく異なることが示され、二重方向分類が運動認識の信頼性と信頼性を高めることを示した。