设计应用

基于TsFresh-Stacking的毫米波雷达人体跌倒检测方法

作者:李牧,王昭,骆宇
发布日期:2023-06-21
来源:网络安全与数据治理 6期

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。
毫米波雷达 机器学习 人体跌倒 TsFresh 集成学习算法