通过带有变点检测和基于置信度的预测过滤的2D张量卷积神经网络（2D Tensor CNN），实现鲁棒的实时人体活动识别

《IEEE Access》：Robust Real-Time Human Activity Recognition via 2D Tensor CNN with Change Point Detection and Confidence-Based Prediction Filtering

　　

摘要：

跌倒是一个严重的健康问题，尤其是在老年人中，延迟发现可能导致严重伤害甚至死亡。基于摄像头或可穿戴设备的传统跌倒检测系统在隐私性、舒适性和可靠性方面存在局限性。为了克服这些挑战，本研究提出了一种实时人体活动识别（HAR）系统，该系统结合了毫米波FMCW雷达和卷积神经网络（CNN），并采用了基于置信度的预测滤波（CBPF）和变化点检测（CPD）算法。雷达点云数据被转换为二维表示，即多普勒距离、多普勒时间和距离时间，然后被分类为四种主要活动：坐着、站立、行走和跌倒。目前的基于CNN的HAR雷达方法在计算效率和预测稳定性方面仍存在局限性，因为分类是在每一帧上单独进行的，没有考虑活动之间的显著时间变化。在本文中，通过应用置信度阈值并在更新最终标签之前强制时间一致性（连续预测计数），设计了CBPF算法来提高分类稳定性。同时，CPD模块检测多普勒模式中的显著变化，这些变化表明活动的转换，并且只将显示此类显著变化的雷达帧传递给CNN进行分类，从而提高了计算效率。此外，还进行了步长窗口参数分析，以支持实时处理并保持高精度，同时将延迟降至最低。实验结果表明，集成CBPF和CPD显著提高了实时分类的准确性，准确率从75%（未使用CBPF和CPD时）提高到93.33%，同时系统最大延迟为0.83秒，适合实时部署。所提出的系统已成功应用于实时图形用户界面（GUI）中...

显示更多