[论文解读] A Survey on Radar-Based Fall Detection

Shuting Hu, Siyang Cao+4 more|arXiv (Cornell University)|Dec 7, 2023

Non-Invasive Vital Sign Monitoring参考文献 147被引用 4

一句话总结

本综述对基于雷达的跌倒检测系统进行了全面分析，回顾了2000年至2023年间的74项研究，评估了微多普勒、距离-多普勒及距离-多普勒-角度技术。研究指出，卷积神经网络（CNNs）和循环神经网络（RNNs）等深度学习模型在处理复杂、非结构化的雷达数据方面优于传统机器学习方法，同时指出了实际部署中的关键挑战，并倡导采用标准化数据集和多传感器融合以提升系统的可靠性与可扩展性。

ABSTRACT

Fall detection, particularly critical for high-risk demographics like the elderly, is a key public health concern where timely detection can greatly minimize harm. With the advancements in radio frequency technology, radar has emerged as a powerful tool for human detection and tracking. Traditional machine learning algorithms, such as Support Vector Machines (SVM) and k-Nearest Neighbors (kNN), have shown promising outcomes. However, deep learning approaches, notably Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN), have outperformed in learning intricate features and managing large, unstructured datasets. This survey offers an in-depth analysis of radar-based fall detection, with emphasis on Micro-Doppler, Range-Doppler, and Range-Doppler-Angles techniques. We discuss the intricacies and challenges in fall detection and emphasize the necessity for a clear definition of falls and appropriate detection criteria, informed by diverse influencing factors. We present an overview of radar signal processing principles and the underlying technology of radar-based fall detection, providing an accessible insight into machine learning and deep learning algorithms. After examining 74 research articles on radar-based fall detection published since 2000, we aim to bridge current research gaps and underscore the potential future research strategies, emphasizing the real-world applications possibility and the unexplored potential of deep learning in improving radar-based fall detection.

研究动机与目标

• 系统回顾2000年至2023年间的基于雷达的跌倒检测技术，重点关注信号处理与机器学习的进展。
• 识别并分析现有基于雷达的跌倒检测系统的技术局限，包括环境干扰、硬件限制和校准问题。
• 突出卷积神经网络（CNNs）和循环神经网络（RNNs）等深度学习模型在提升检测精度方面相较于支持向量机（SVM）和k近邻（kNN）等传统方法的日益重要的作用。
• 通过倡导构建全面、大规模的雷达跌倒检测数据集，弥合标准化数据集与实际应用验证之间的差距，以支持可复现的研究。
• 提出未来研究方向，包括终身学习、传感器融合以及面向临床和家庭部署的实时系统优化。

提出的方法

• 对2000年至2023年间发表的74篇经同行评审的基于雷达的跌倒检测研究进行了系统性文献回顾。
• 将检测技术分类为三类：微多普勒分析、距离-多普勒处理，以及利用MIMO雷达和PCB集成天线实现的距离-多普勒-角度三维成像。
• 评估了支持向量机（SVM）、k近邻（kNN）、卷积神经网络（CNNs）和循环神经网络（RNNs）等机器学习与深度学习模型在从雷达特征中分类跌倒事件方面的性能。
• 分析了雷达信号特征，如人体运动产生的微多普勒特征、多普勒频移以及距离-角度分辨率，以实现对跌倒事件的区分。
• 提出了系统级策略，如区域掩蔽、传感器布设优化和设备重新校准，以增强实际应用中的鲁棒性。
• 倡导采用标准化评估指标（精确率、召回率、F1分数）和开放数据共享，以提升研究的可复现性与基准比较能力。

实验结果

研究问题

• RQ1 过去二十年间，基于雷达的跌倒检测技术如何从微多普勒技术演进至三维距离-多普勒-角度系统？
• RQ2 在基于雷达的跌倒检测中，深度学习模型（如CNNs、RNNs）相较于传统机器学习方法（如SVM、kNN）具有哪些关键性能优势？
• RQ3 哪些主要的技术与环境挑战限制了基于雷达的跌倒检测系统的实际部署？
• RQ4 传感器融合与终身学习技术如何提升雷达跌倒检测系统的长期可靠性与适应性？
• RQ5 标准化、大规模的雷达跌倒检测数据集将在推动研究进展和确保该领域可复现性方面发挥何种作用？

主要发现

• 卷积神经网络（CNNs）和循环神经网络（RNNs）等深度学习模型在分类复杂雷达特征（来自跌倒事件）方面优于支持向量机（SVM）和k近邻（kNN）等传统机器学习方法。
• 自2018年以来，距离-多普勒-角度雷达系统中引入距离与角度信息，显著提升了空间分辨率与跌倒检测精度。
• 与基于视觉和声音的替代方案相比，基于雷达的系统在隐私保护和环境鲁棒性方面表现更优，因其不捕获视觉图像，且不受光照条件影响。
• 尽管在受控环境中实验精度较高，但由于环境干扰和硬件限制，实验室结果与实际部署之间仍存在显著性能差距。
• 缺乏标准化、公开可用的数据集严重阻碍了研究的可复现性与基准比较，仅有少数研究报告了如频段范围、功率电平和天线配置等详细雷达参数。
• 未来研究应优先致力于构建全面、大规模的雷达跌倒检测数据集，并采用持续学习框架以增强系统的适应性与长期可靠性。