機械学習を使用してマイクロドップラー署名を利用する高齢者の活動分類のためのレーダーセンシング

高齢者の健康状態は、それに関連する疾患とともに老化の加法効果を調べることで特定でき、「不安定な無能力」につながる可能性があります。この健康状態は、日常生活の活動（ADL）における独立の明らかな低下によって決定されます。ADLを検出すると、秋の検出システムに適用できるため、高齢者の家庭生活を改善する可能性があります。このホワイトペーパーでは、99人のボランティアのために以前に収集されたレーダーデータを使用して、毎日の日常的な活動を調べることにより、レーダーの画像分類に基づいて高齢者の秋の検出を提示します。機械学習技術が使用されます。つまり、歩く、座っている、立っている、オブジェクトの拾い、飲料水、落下イベントなど、6つの人間の活動を分類します。ランダムフォレスト、k-nearest Neighbors、サポートベクターマシン、長期記憶、双方向の長期記憶、畳み込みニューラルネットワークなどのさまざまな機械学習アルゴリズムがデータ分類に使用されました。最適な結果を得るために、主成分分析やデータ増強などのデータ処理手法を利用可能なレーダー画像に適用しました。この論文の目的は、公開されているデータセットを使用して達成された結果を改善して、転倒検出システムの研究をさらに改善することです。95.30％の精度の結果を得るために、主成分分析とデータ増強を伴うCNNアルゴリズムを使用して最良の結果が得られたことがわかりました。また、結果は、利用可能なデータの増強によってトレーニングデータが拡張された場合、主成分分析が最も有益であることを実証しました。提案されたアプローチの結果は、最先端と比較して、最も高い精度を示しています。

The health status of an elderly person can be identified by examining the additive effects of aging along with disease linked to it and can lead to 'unstable incapacity'. This health status is determined by the apparent decline of independence in activities of daily living (ADLs). Detecting ADLs provides possibilities of improving the home life of elderly people as it can be applied to fall detection systems. This paper presents fall detection in elderly people based on radar image classification by examining their daily routine activities, using radar data that were previously collected for 99 volunteers. Machine learning techniques are used classify six human activities, namely walking, sitting, standing, picking up objects, drinking water and fall events. Different machine learning algorithms, such as random forest, K-nearest neighbours, support vector machine, long short-term memory, bi-directional long short-term memory and convolutional neural networks, were used for data classification. To obtain optimum results, we applied data processing techniques, such as principal component analysis and data augmentation, to the available radar images. The aim of this paper is to improve upon the results achieved using a publicly available dataset to further improve upon research of fall detection systems. It was found out that the best results were obtained using the CNN algorithm with principal component analysis and data augmentation together to obtain a result of 95.30% accuracy. The results also demonstrated that principal component analysis was most beneficial when the training data were expanded by augmentation of the available data. The results of our proposed approach, in comparison to the state of the art, have shown the highest accuracy.