[논문 리뷰] Radar Classification of Contiguous Activities of Daily Living

Ronny G. Guendel|arXiv (Cornell University)|2019. 12. 17.

Advanced SAR Imaging Techniques참고 문헌 42인용 수 4

한 줄 요약

이 논문은 범위-맵에 라돈 변환을 적용하여 이동 운동을 탐지하고, 에너지 기반의 파wr 버스트 곡선(Power Burst Curve, PBC)을 사용해 정지 운동의 시작 및 종료를 식별함으로써 연속적인 일상 활동(ADL)을 레이더 기반으로 분류하는 시스템을 제안한다. 인간의 행동도표(ethogram)를 활용해 현재 운동 상태에 따라 분류 클래스를 동적으로 감소시킴으로써, 보행-넘어지기-앉기와 같은 복잡한 운동 시퀀스에서 전방 시간 기준 최대 99.7%의 정확도와 역방향 시간 기준 98.9%의 정확도를 달성하여, 전역 분류기보다 우수한 성능을 보였다.

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.

연구 동기 및 목표

• 보행-넘어지기-앉기와 같이 명확한 시간 경계가 없는 연속적이고 분리 불가능한 ADL을 분류하는 과제를 해결한다.
• 모든 ADL를 동일하게 다루는 전통적인 레이더 분류기의 한계를 극복하여, 운동 맥락이나 순서에 관계없이 분류 성능을 향상시킨다.
• 시간적 맥락과 운동 상태의 동적 특성을 통합함으로써, 특히 보행-넘어지기 및 보행-앉기 전이와 같은 모호한 운동 전이의 정확도를 향상시킨다.
• 신뢰성과 미세한 운동 전이 탐지를 향상시키기 위해 전방 및 역방향 시간 방향에서 모두 견고한 분류를 가능하게 한다.
• 인간의 행동도표를 기반으로 현재 운동 상태와 가능한 전이를 고려해 분류 클래스 수를 동적으로 조정함으로써 계산 부담을 줄이고 정확도를 향상시킨다.

제안 방법

• 보행과 같은 이동 운동을 탐지하기 위해 범위-맵에 라돈 변환을 적용하여 운동에 해당하는 선형 에너지 패턴을 식별한다.
• 앉기, 일어나기, 넘어지기와 같은 정지 운동의 시작 및 종료 시간을 탐지하기 위해 파워 버스트 곡선(Power Burst Curve, PBC) 에너지 검출기를 사용한다.
• 스탠딩, 시팅, 워킹, 레이잉의 네 가지 주요 상태로 인간 운동을 상태 기반 기계로 모델링하고, 인간의 행동도표를 활용해 상태 간 전이 동작(예: 일어나기, 넘어지기)을 정의한다.
• 현재 상태에서 가능한 들어오고 나가는 전이만 고려함으로써 각 상태에서 분류 클래스 수를 동적으로 감소시켜 분류기의 집중도와 정확도를 향상시킨다.
• 범위-맵과 마이크로도플러 스펙트로그램에 대해 2차원 주성분 분석(2D-PCA)을 적용한 후, 주성분 수를 상태에 따라 조정하면서 최근접 이웃(Nearest Neighbor, NN) 분류를 수행한다.
• 전방 및 역방향 시간 방향에서 분류를 수행하여 시간 비대칭성을 평가하고 운동 인식의 신뢰도를 향상시킨다.

실험 결과

연구 질문

• RQ1 전방 및 역방향 시간 방향에서 ADL을 분류할 경우, 연속된 운동 시퀀스의 정확도에 어떤 영향을 미치는가?
• RQ2 운동 상태와 행동도표 제약 조건에 기반해 활성 클래스 수를 줄일 경우, 모든 ADL 클래스를 사용하는 것과 비교해 분류 성능 향상 정도는 어느 정도인가?
• RQ3 라돈 변환과 파워 버스트 곡선(Power Burst Curve, PBC)이 레이더 센싱 데이터에서 이동 운동과 정지 운동을 효과적으로 구분할 수 있는가?
• RQ4 보행에서 넘어지기나 앉기로의 전이와 같이 모호한 전이를 포함하는 운동 시퀀스가 분류 정확도에 미치는 영향은 무엇이며, 제안된 방법이 이를 완화할 수 있는가?
• RQ5 고정된 전역 분류기와 비교해, 상태 기반 분류기와 동적 클래스 감소를 통한 성능 향상은 어느 정도인가?

주요 결과

• 제안된 방법은 예제-3(물체 들어 올리기)에서 전방 시간 기준 99.70%의 정확도를 달성하여, 역방향 시간 기준 99.60%와 전역 분류기보다 뛰어난 성능을 보였다.
• 보행-넘어지기-앉기 시퀀스(예제-2)에서 제안된 방법은 전방 시간 기준 96.95%의 정확도와 역방향 시간 기준 98.90%의 정확도를 기록했으며, 전역 분류기(전방 92.70%, 역방향 96.70%)보다 뚜렷이 뛰어난 성능을 보였다.
• 보행-넘어지기 시퀀스(예제-1)에서는 전방 시간 기준 91.70%의 정확도와 역방향 시간 기준 97.20%의 정확도를 기록했으며, 이는 모호한 전이에 대해 역방향 분류가 종종 더 높은 정확도를 제공함을 시사한다.
• 모든 예제에 대한 평균 분류율은 전역 분류기의 경우 전방 98.26%, 역방향 98.60%였지만, 제안된 방법은 특정 시퀀스에서 전방 시간 기준 최대 99.70%의 정확도를 달성했다.
• 인간의 행동도표를 기반으로 한 상태 기반 분류기와 동적 클래스 감소를 통한 적용은 고정된 전역 분류기보다 복잡한 연속 운동 시퀀스에서 성능 향상에 크게 기여했다.
• 전방 및 역방향 시간 기준 분류 결과가 상당히 다름을 확인하여, 双방향 분류가 운동 인식의 신뢰성과 확신을 높이는 데 기여함을 입증했다.