基于多普勒雷达的无监督活动识别用于电子医疗
机器学习
2021-11-04 v2
摘要
在养老院中对人类日常活动进行无源射频(RF)感知与监测是一个新兴课题。微多普勒雷达因其非侵入性、强穿透性和远距离探测范围而成为一种颇具吸引力的解决方案。尽管在无标签或标签匮乏的真实场景活动中这一点十分重要,但使用多普勒雷达数据的无监督活动识别尚未受到关注。本研究提出了两种用于基于多普勒流进行人体活动监测的无监督特征提取方法。其中包括一种基于局部离散余弦变换(DCT)的特征提取方法和一种基于局部熵的特征提取方法。此外,卷积变分自编码器(CVAE)特征提取的一种新颖应用首次被用于多普勒雷达数据。这三种特征提取架构与先前使用的卷积自编码器(CAE)以及基于主成分分析(PCA)和2DPCA的线性特征提取进行了比较。无监督聚类使用K-Means和K-Medoids执行。结果表明,DCT-based方法、熵-based方法和CVAE特征相较于CAE、PCA和2DPCA具有优越性,平均准确率提升超过5%–20%。在计算时间方面,两种所提方法明显比现有的CVAE快得多。此外,对于高维数据可视化,考虑了三种流形学习技术。比较了这些方法在原始数据投影以及编码后的CVAE特征投影上的表现。所有三种方法在应用于编码后的CVAE特征时均显示出改进的可视化能力。
引用
@article{arxiv.2103.10478,
title = {Unsupervised Doppler Radar-Based Activity Recognition for e-Healthcare},
author = {Yordanka Karayaneva and Sara Sharifzadeh and Wenda Li and Yanguo Jing and Bo Tan},
journal= {arXiv preprint arXiv:2103.10478},
year = {2021}
}