[论文解读] 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 4

一句话总结

该论文提出了一种基于雷达的连续日常生活活动（ADLs）分类系统，利用范围图上的Radon变换检测平移运动，并采用基于能量的功率脉冲曲线（PBC）识别原位运动的起始与结束。通过利用人类行为图谱动态根据当前运动状态减少分类类别，该方法在正向时间方向上实现高达99.7%的分类准确率，在反向时间方向上达到98.9%，在如行走-跌倒-就坐等复杂运动序列中优于全局分类器。

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.

研究动机与目标

• 解决连续且不可分割的日常生活活动（如行走后接跌倒或就坐）的分类挑战，此类活动缺乏清晰的时间边界。
• 克服传统雷达分类器对所有ADLs一视同仁的局限，无论运动上下文或序列如何。
• 通过引入时间上下文与运动状态动态，提升对模糊运动转换（尤其是行走-跌倒与行走-就坐）的分类准确率。
• 通过在正向与反向时间方向均实现鲁棒分类，提升可靠性并检测细微的运动转换。
• 通过以人类行为图谱为指导，根据当前运动状态及可能的转换动态调整分类类别数量，降低计算负载并提高准确率。

提出的方法

• 对雷达范围图应用Radon变换，通过识别对应于运动的线性能量模式来检测平移运动（如行走）。
• 使用功率脉冲曲线（PBC）能量检测器，检测原位运动（如坐下、起立或跌倒）的起始与结束时间。
• 将人类运动建模为具有四个主要状态（站立、就坐、行走、躺卧）的状态机，并利用人类行为图谱定义它们之间的转换动作（如起立、跌倒）。
• 通过仅考虑可能的输入与输出转换，在每个状态下动态减少分类类别数量，提升分类器的专注度与准确率。
• 对范围图与微多普勒谱图应用二维主成分分析（2D-PCA），随后采用最近邻（NN）分类，且根据状态调整主成分数量。
• 在正向与反向时间方向均执行分类，以评估时间非对称性并提升运动识别的置信度。

实验结果

研究问题

• RQ1 在正向与反向时间方向对连续运动序列进行ADL分类，如何影响分类准确率？
• RQ2 基于运动状态与行为图谱约束减少活跃类别数量，与使用全部ADL类相比，能在多大程度上提升分类性能？
• RQ3 Radon变换与功率脉冲曲线（PBC）能否有效区分雷达感知数据中的平移运动与原位运动？
• RQ4 涉及模糊转换的运动序列（如行走进入跌倒或就坐）如何影响分类准确率？所提方法能否缓解此问题？
• RQ5 与在所有ADL上使用固定全局分类器相比，采用基于状态的分类器并结合动态类别减少，其性能增益如何？

主要发现

• 所提方法在示例-3（拾取物体）中实现了正向时间分类准确率99.70%，优于反向时间方法（99.60%）与全局分类器。
• 在行走-跌倒-就坐序列（示例-2）中，所提方法在正向时间达到96.95%准确率，反向时间达到98.90%，显著优于全局分类器（正向92.70%，反向96.70%）。
• 在行走-跌倒序列（示例-1）中，所提方法在正向时间达到91.70%准确率，反向时间达到97.20%，表明反向分类在模糊转换中通常表现更优。
• 使用全局分类器时，所有示例的平均分类率分别为正向98.26%与反向98.60%，而所提方法在特定序列中正向时间最高达到99.70%。
• 基于人类行为图谱采用基于状态的分类器并动态减少类别数量，显著提升了在复杂连续运动序列上的性能，优于固定全类别分类器。
• 该方法表明，正向与反向时间分类结果存在显著差异，表明双向分类可增强活动识别的可靠性与置信度。