Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study

要約

人間の活動認識は、周囲の生活支援生活やリモートセンシングなど、多様なアプリケーションのために大きな注目を集めています。
ウェアラブルセンサーベースのソリューションは、多くの場合、ユーザーの不快感と信頼性の問題に悩まされますが、ビデオベースの方法はプライバシーの懸念を引き起こし、低照度条件や長距離範囲でパフォーマンスが低下します。
この研究では、60 GHzレーダーと多次元の特徴マップを活用して、人間の活動認識のための周波数変調連続波レーダーベースのフレームワークを紹介します。
マップとしてマップをプロセスする従来のアプローチとは異なり、この研究では、データベクトルとして、マシン学習（SVM、MLP）およびディープラーニング（CNN、LSTM、CRUBRSTM）モデルへの直接的なデータベクトルとして、多次元特徴マップ（範囲ドップラー、レンジアジム、およびレンジエレベーション）をフィードします。
これらの機能は、7つのアクティビティクラスを備えた新しいデータセットから抽出され、2つの異なる検証アプローチを使用して検証されました。
ConvlSTMモデルは、従来の機械学習とディープラーニングモデルを上回り、90.51％の精度とF1スコアをクロスシーン検証で87.31％、89.56％の精度と休暇1-ペーンクロス検証で87.15％のF1スコアを達成しました。
結果は、実際のシナリオでのスケーラブル、非侵入、プライバシーを提供するアクティビティモニタリングに対するアプローチの可能性を強調しています。

要約(オリジナル)

Human Activity Recognition has gained significant attention due to its diverse applications, including ambient assisted living and remote sensing. Wearable sensor-based solutions often suffer from user discomfort and reliability issues, while video-based methods raise privacy concerns and perform poorly in low-light conditions or long ranges. This study introduces a Frequency-Modulated Continuous Wave radar-based framework for human activity recognition, leveraging a 60 GHz radar and multi-dimensional feature maps. Unlike conventional approaches that process feature maps as images, this study feeds multi-dimensional feature maps — Range-Doppler, Range-Azimuth, and Range-Elevation — as data vectors directly into the machine learning (SVM, MLP) and deep learning (CNN, LSTM, ConvLSTM) models, preserving the spatial and temporal structures of the data. These features were extracted from a novel dataset with seven activity classes and validated using two different validation approaches. The ConvLSTM model outperformed conventional machine learning and deep learning models, achieving an accuracy of 90.51% and an F1-score of 87.31% on cross-scene validation and an accuracy of 89.56% and an F1-score of 87.15% on leave-one-person-out cross-validation. The results highlight the approach’s potential for scalable, non-intrusive, and privacy-preserving activity monitoring in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google