mmFall：利用 4D 毫米波雷达与混合变分 RNN 自编码器的跌倒检测
机器学习
2020-07-29 v4 信号处理
机器学习
摘要
在本文中，我们提出 mmFall——一种新颖的跌倒检测系统，其包含（i）新兴的毫米波（mmWave）雷达传感器，用于采集人体点云及人体质心，以及（ii）变分循环自编码器（VRAE），基于所获取的点云计算人体运动的异常水平。当异常水平突增与质心高度下降同时发生时，即判定发生了跌倒。与传统感知模态相比，毫米波雷达传感器具有若干优势，如隐私合规和对运动的高灵敏度。然而，（i）雷达点云数据的随机性，以及（ii）传统监督跌倒检测方法中跌倒采集/标注的困难是两大主要挑战。为克服雷达数据的随机性，所提出的 VRAE 使用变分推断（一种概率方法而非传统确定性方法）来推断每帧人体潜在运动状态的后验概率，随后使用循环神经网络（RNN）学习多帧运动的时间特征。此外，为规避跌倒数据收集/标注的困难，VRAE 构建于自编码器架构之上，采用半监督方法，并仅在正常日常活动（ADL）上训练，从而在推断阶段一旦出现异常运动（如跌倒）VRAE 就会在异常水平上产生突增。在实验中，我们实现了 VRAE 及另外两种基线，并在一套公寓中采集的数据集上测试。受试者工作特征（ROC）曲线表明，我们提出的模型优于另外两种基线，并以仅 2 次误报的代价在 50 次跌倒中实现了 98% 的检测率。
引用
@article{arxiv.2003.02386,
title = {mmFall: Fall Detection using 4D MmWave Radar and a Hybrid Variational RNN AutoEncoder},
author = {Feng Jin and Arindam Sengupta and Siyang Cao},
journal= {arXiv preprint arXiv:2003.02386},
year = {2020}
}
备注
Preprint version