kaiyun官方注册
您所在的位置: 首页> 微波|射频> 设计应用> 基于TsFresh-Stacking的毫米波雷达人体跌倒检测方法
基于TsFresh-Stacking的毫米波雷达人体跌倒检测方法
网络安全与数据治理 6期
李牧,王昭,骆宇
(西安理工大学自动化与信息工程学院,陕西西安710048)
摘要:针对雷达频谱图空间信息较少,且通过单一机器学习算法进行毫米波雷达人体跌倒行为识别精度低、稳定性差的问题,使用人体空间雷达点云时序数据,提出了融合TsFresh特征提取和Stacking堆叠集成学习的跌倒识别方法。首先,采用TIIWR6843毫米波雷达采集人体动作对应的人体运动跟踪时序数据,构建包含不同年龄、身高、体重信息、跌倒方式的数据集。其次,结合TsFresh时序特征提取工具和基于随机森林模型的特征重要性提取人体跌倒关键时序特征。最后,提出了融合随机森林、支持向量机、K最邻近算法、XGBoost和CatBoost 5种单元机器学习模型的Stacking堆叠式集成学习方法。结果表明,与典型单一机器学习算法相比,Stacking集成学习算法具有明显的性能提升,能够有效提升人体跌倒行为识别准确性和泛化性。
中图分类号:TN957.51
文献标识码:A
DOI:10.19358/j.issn.2097-1788.2023.06.012
引用格式:李牧,王昭,骆宇.基于TsFresh-Stacking的毫米波雷达人体跌倒检测方法[J].网络安全与数据治理,2023,42(6):71-78.
A millimeter-wave radar human fall detection algorithm based on TsFreshStacking
Li Mu, Wang Zhao, Luo Yu
(College of Automation and Information Engineering,Xi′an University of Technology,Xi′an 710048,China)
Abstract:Aiming at the problems of less spatial information in radar spectrum,low accuracy and poor stability of human fall behavior recognition by millimeter wave radar using a single machine learning algorithm, a fall recognition method combining TsFresh feature extraction and Stacking ensemble learning is proposed using time series data of human space radar point cloud. Firstly, the TIIWR6843 millimeterwave radar is used to collect the time series data of human motion tracking corresponding to human movements,and a data set containing information of different ages,heights,weights,and fall patterns is constructed.Secondly,the key timeseries features of human falls are extracted by combining the TsFresh timeseries feature extraction tool and the feature importance based on the random forest model.Finally,a Stacking ensemble learning method is proposed,which integrates random forest,support vector machine,Knearest neighbor algorithm,XGBoost and CatBoost 5 unit machine learning models.The results show that,compared with the typical single machine learning algorithm,the Stacking ensemble learning algorithm has obvious performance improvement,and can effectively improve the accuracy and generalization of human fall behavior recognition.
Key words :mmWave radar; machine learning; human fall; TsFresh; ensemble learning algorithm

0 引言

意外跌倒识别对老年群体和临床患者是非常重要的健康监测问题。目前,典型的人体跌倒行为识别研究方法主要分为两类。一类为接触式传感器:安装位置包括腰部、四肢、脚底等。Wang等人通过三维加速度计结合阈值法对跌倒行为进行识别分类;马少卿等人使用陀螺仪传感器结合自适应互补滤波算法实现了跌倒检测的定位判断;Dhole等基于智能头盔和惯性传感器采集的脑电图和行为数据,融合小波能量和 RF分类器,实现了98%的跌倒识别准确率。另一类为非接触式传感器:包括计算机视觉识别、雷达识别等。焦盛喜等人基于机器视觉领域的YOLOV5模型,提高了跌倒行为识别检测速度和精度;Thakur 采用视频图像,针对跌倒系统误报性高问题提出一种基于KNN的多标签分类器;Kim等基于雷达微多普勒特征采用支持向量机算法完成7类活动的识别;元志安等采用距离多普勒热图基于卷积神经网络和长短时记忆网络实现对运动行为的分类;Seyfioglu等人使用雷达微多普勒特征,提出3层卷积网络自编码器,利用无监督预训练来初始化后续卷积层中的权重;Jin等人基于雷达点云信息,使用混合变分 RNN 自动编码器(HVRAE)计算身体运动的异常水平,有效降低数据集的大小。



本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005377




作者信息:

李牧,王昭,骆宇

(西安理工大学自动化与信息工程学院,陕西西安710048)


微信图片_20210517164139.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map