使用毫米波雷达进行人类多活动分类:在时间域和PCANet中的特征融合
Yier Lin1,2, Haobo Li3, Daniele Faccio4
1School of Electronic Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
本研究引入了一种用于识别人类日常活动的新方法,使用统计偏移功能和主要组件分析网络 (PCANet) 融合. 该方法实现了高精度,在分类各种活动方面表现出了强的表现.
科学领域:
- 人类活动识别 人类活动识别
- 信号处理 信号处理
- 机器学习是机器学习.
背景情况:
- 准确识别人类日常活动对于医疗保健,安全和人机交互的应用至关重要.
- 现有的方法经常与复杂的活动模式作斗争,需要广泛的功能工程.
- 需要强大而高效的技术来分析时空数据以进行活动分类.
研究的目的:
- 开发一种创新的方法来识别人类的日常活动.
- 为了加强分类,将统计偏移功能与主要组件分析网络 (PCANet) 融合属性集成.
- 评估在各种人类活动中提出的方法的有效性和稳定性.
主要方法:
- 利用了九个特征向量,包括六个统计偏移特征,这些特征是从高度和 azimuth 数据中得出的,以及三个PCANet融合属性.
- 采用并发1D网络,使用卷积神经网络 (CNN) 和双向长短期内存 (BiLSTM) 进行特征融合.
- 应用3D距离-度-时间数据的时间融合,然后使用常规模型进行PCANet集成和分类.
- 集成的马格纳乌-希尔光谱仪用于时间频率分析.
主要成果:
- 该方法在14个类别的人类日常活动中的21000个样本上得到了验证.
- 拟议的方法表现出卓越的稳定性,特别是在Margenau-Hill光谱图中.
- 当使用随机森林分类器时,该方法实现了高性能指标:98.25%的灵敏度,98.25%的精度,98.25%的F1分数,98.25%的特异性,99.87%的精度和99.75%的准确度.
- 在分类有效性方面表现优于其他分类器.
结论:
- 开发的技术有效地识别出各种人类日常活动.
- 统计偏移特征和PCANet融合属性的集成为活动识别提供了强大而准确的解决方案.
- 该研究强调了先进的信号处理和机器学习技术在复杂的人类行为分析方面的潜力.


