基于TsFresh-Stacking的毫米波雷達人體跌倒檢測方法
網絡安全與數據治理 6期
李牧，王昭，駱宇
(西安理工大學自動化與信息工程學院，陜西西安710048)
摘要： 針對雷達頻譜圖空間信息較少，且通過單一機器學習算法進行毫米波雷達人體跌倒行為識別精度低、穩定性差的問題，使用人體空間雷達點云時序數據，提出了融合TsFresh特征提取和Stacking堆疊集成學習的跌倒識別方法。首先，采用TIIWR6843毫米波雷達采集人體動作對應的人體運動跟蹤時序數據，構建包含不同年齡、身高、體重信息、跌倒方式的數據集。其次，結合TsFresh時序特征提取工具和基于隨機森林模型的特征重要性提取人體跌倒關鍵時序特征。最后，提出了融合隨機森林、支持向量機、K最鄰近算法、XGBoost和CatBoost 5種單元機器學習模型的Stacking堆疊式集成學習方法。結果表明，與典型單一機器學習算法相比，Stacking集成學習算法具有明顯的性能提升，能夠有效提升人體跌倒行為識別準確性和泛化性。
中圖分類號：TN957.51
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.06.012
引用格式：李牧，王昭，駱宇.基于TsFresh-Stacking的毫米波雷達人體跌倒檢測方法［J］.網絡安全與數據治理，2023，42（6）：71-78.
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.06.012
引用格式：李牧，王昭，駱宇.基于TsFresh-Stacking的毫米波雷達人體跌倒檢測方法［J］.網絡安全與數據治理，2023，42（6）：71-78.
A millimeter-wave radar human fall detection algorithm based on TsFreshStacking
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 TIIWR6843 millimeterwave 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 timeseries features of human falls are extracted by combining the TsFresh timeseries 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,Knearest 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
意外跌倒識別對老年群體和臨床患者是非常重要的健康監測問題。目前，典型的人體跌倒行為識別研究方法主要分為兩類。一類為接觸式傳感器：安裝位置包括腰部、四肢、腳底等。Wang等人通過三維加速度計結合閾值法對跌倒行為進行識別分類;馬少卿等人使用陀螺儀傳感器結合自適應互補濾波算法實現了跌倒檢測的定位判斷;Dhole等基于智能頭盔和慣性傳感器采集的腦電圖和行為數據，融合小波能量和 RF分類器，實現了98%的跌倒識別準確率。另一類為非接觸式傳感器：包括計算機視覺識別、雷達識別等。焦盛喜等人基于機器視覺領域的YOLOV5模型，提高了跌倒行為識別檢測速度和精度；Thakur 采用視頻圖像，針對跌倒系統誤報性高問題提出一種基于KNN的多標簽分類器；Kim等基于雷達微多普勒特征采用支持向量機算法完成7類活動的識別；元志安等采用距離多普勒熱圖基于卷積神經網絡和長短時記憶網絡實現對運動行為的分類；Seyfioglu等人使用雷達微多普勒特征，提出3層卷積網絡自編碼器，利用無監督預訓練來初始化后續卷積層中的權重；Jin等人基于雷達點云信息，使用混合變分 RNN 自動編碼器(HVRAE)計算身體運動的異常水平，有效降低數據集的大小。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005377
作者信息：
李牧，王昭，駱宇
(西安理工大學自動化與信息工程學院，陜西西安710048)
此內容為AET網站原創，未經授權禁止轉載。