A carregar...
Publicação
Human Posture Classification through Active Radars
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 24.63 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Over the years, the subject of human monitoring has attracted increasing interest in various
contexts. The continuous surveillance of less independent individuals such as the elderly,
children, or people with some kind of disability or medical condition is the motivation
for this dissertation. However, in these cases, privacy is an important factor, which is
why Radio Frequency (RF) Sensing has emerged as an alternative technology to other
types of sensors. This work tackles human posture recognition through the use of an
Frequency Modulated Continuous Wave (FMCW) radar. Two different postures are
defined to recognize an individual who is seated or standing. An extra scenario is also
categorized, in order to recognize an empty room, with no individual present.
In the first stage of this work, a visualization tool is presented to understand the data
behavior in addition to the classification of human postures. The visualization tool uses
techniques like the Simple Moving Average (SMA) and helps evaluate its effectiveness in
filtering the sampled signal. Additionally, the tool supports the visualization of how radar
signals alter depending on the subject’s proximity to the radar or the posture chosen.
In the second stage, the dissertation focuses on the classification of postures in real-
time. Like in most recent sensors and technologies, the FMCW radar also generates data in
a short period of time. In this particular case, the developed system receives a new sample
every 250 ms, which is seen as an upper bound of the algorithms’ computation time. In
order to cope with these requirements, this work compares Deep Learning techniques such
as Artificial Neural Networks (ANNs) with other mathematical solutions, such as Cross-
correlation, to handle the classification decision in real-time. The proposed techniques
are evaluated in terms of classification accuracy and computation time, showing that
deep learning techniques can achieve slightly higher classification accuracy but at the
price of longer computation times. An important aspect also studied in this work is
the importance of training datasets. The approach of using training samples obtained
at various distances to the radar shows higher reliability of classification when deep
learning techniques are adopted and can be practically experienced through the prototype
developed to demonstrate the outcomes of this work.
O tema da monitorização humana tem suscitado um interesse crescente em vários contex- tos. A vigilância contínua de indivíduos menos independentes, como idosos, crianças ou pessoas com algum tipo de deficiência ou condição médica, motiva esta dissertação. No entanto, nestes casos, a privacidade é um fator importante, razão pela qual o reconheci- mento e deteção através de Radiofrequência (RF) surge como uma tecnologia alternativa a outros tipos de sensores. Este trabalho aborda o reconhecimento da postura humana através da utilização de um Radar de Onda Contínua Modulada por Frequência (FMCW). São definidas duas posturas diferentes para reconhecer um indivíduo sentado ou de pé. É também categorizado um cenário adicional sem qualquer indivíduo presente. Numa primeira fase, é apresentada uma ferramenta de visualização que permite com- preender o comportamento dos dados, para além da classificação das posturas humanas. Esta ferramenta permite avaliar a filtragem de sinal baseada numa Média Móvel Simples (MMS) e visualizar a forma como os sinais se alteram consoante a proximidade do sujeito ao radar ou a postura escolhida. Na segunda fase, a dissertação centra-se na classificação de postura em tempo real. O sistema de radar adotado gera uma nova amostra a cada 250 ms, o que é visto como um limite superior do tempo de computação dos algoritmos de classificação. Para fazer face a estes requisitos, este trabalho compara técnicas de Deep Learning como as Redes Neuronais Artificiais com outras soluções matemáticas, como a Correlação Cruzada, para tratar a decisão de classificação em tempo real. As técnicas propostas são avaliadas em termos de precisão de classificação e tempo de computação, mostrando que as técnicas de Deep Learning podem alcançar uma precisão de classificação ligeiramente superior, mas à custa de tempos de computação mais longos. Um aspeto também estudado neste trabalho é a importância dos conjuntos de dados de treino. A abordagem de utilizar amostras de treino obtidas a várias distâncias do radar mostra uma maior fiabilidade da classificação quando são adoptadas técnicas de Deep Learning e pode ser experimentada na prática através do protótipo desenvolvido para demonstrar os resultados deste trabalho.
O tema da monitorização humana tem suscitado um interesse crescente em vários contex- tos. A vigilância contínua de indivíduos menos independentes, como idosos, crianças ou pessoas com algum tipo de deficiência ou condição médica, motiva esta dissertação. No entanto, nestes casos, a privacidade é um fator importante, razão pela qual o reconheci- mento e deteção através de Radiofrequência (RF) surge como uma tecnologia alternativa a outros tipos de sensores. Este trabalho aborda o reconhecimento da postura humana através da utilização de um Radar de Onda Contínua Modulada por Frequência (FMCW). São definidas duas posturas diferentes para reconhecer um indivíduo sentado ou de pé. É também categorizado um cenário adicional sem qualquer indivíduo presente. Numa primeira fase, é apresentada uma ferramenta de visualização que permite com- preender o comportamento dos dados, para além da classificação das posturas humanas. Esta ferramenta permite avaliar a filtragem de sinal baseada numa Média Móvel Simples (MMS) e visualizar a forma como os sinais se alteram consoante a proximidade do sujeito ao radar ou a postura escolhida. Na segunda fase, a dissertação centra-se na classificação de postura em tempo real. O sistema de radar adotado gera uma nova amostra a cada 250 ms, o que é visto como um limite superior do tempo de computação dos algoritmos de classificação. Para fazer face a estes requisitos, este trabalho compara técnicas de Deep Learning como as Redes Neuronais Artificiais com outras soluções matemáticas, como a Correlação Cruzada, para tratar a decisão de classificação em tempo real. As técnicas propostas são avaliadas em termos de precisão de classificação e tempo de computação, mostrando que as técnicas de Deep Learning podem alcançar uma precisão de classificação ligeiramente superior, mas à custa de tempos de computação mais longos. Um aspeto também estudado neste trabalho é a importância dos conjuntos de dados de treino. A abordagem de utilizar amostras de treino obtidas a várias distâncias do radar mostra uma maior fiabilidade da classificação quando são adoptadas técnicas de Deep Learning e pode ser experimentada na prática através do protótipo desenvolvido para demonstrar os resultados deste trabalho.
Descrição
Palavras-chave
Human Posture Classification Radio Frequency Sensing Artificial Neural Networks Deep Learning Performance Evaluation