A carregar...
Publicação
Human Posture Recognition through Passive RF Sensing
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 32.45 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Human activity recognition using passive Radio Frequency (RF)-sensing systems has
been present on various studies in the recent past. This is due to its application potential
in several domains. Besides this, the majority of passive RF-sensing systems propose
low-cost, high portability and reliability, and non-intrusive solutions.
In this thesis, a passive RF-sensing system based on two Software Defined Radio (SDR)
devices is proposed. The system is operating in the Very High Frequency (VHF) range
band at a frequency of 104.3 MHz. Several experimental datasets were generated to study
and analyse the human postures to automatically recognise (standing, sitting, and the
none class, which represents the absence of a person).
Various features were computed from the collected data and its importance is evalu-
ated through the Analysis of Variance (ANOVA) feature selection algorithm. Using the
selected features, the data of the acquired datasets is classified using three different Ma-
chine Learning (ML) techniques: Support Vector Machine (SVM), K-Nearest Neighbours
(KNN), and one classification method proposed by the author.
The performance of each classifier is assessed using different distance metrics or ker-
nels to classify the data and an overall classification accuracy of 87.896% was achieved.
A prototype for a real-time human posture classification service was also developed
and its components are described.
The results that were obtained validate the selected features and highlight the value
of the classification techniques used in this area. The results confirm the great potential
of passive RF-sensing systems for human posture recognition, which motivates future
works on the field.
O reconhecimento da actividade humana usando sistemas passivos de identificação de Radio Frequência (RF) tem estado presente em vários estudos realizados nos últimos tempos. Isto deve-se ao seu potencial de aplicação em vários domínios. Além disso, a maioria dos sistemas passivos de detecção RF propõem soluções de baixo custo, grande mobilidade e fiabilidade e não intrusivas. Esta tese propõe um sistema passivo de identificação de RF baseado em dois dispo- sitivos Software Defined Radio (SDR). O sistema foi projetado para a gama de Very High Frequency (VHF), mais propriamente para a frequência de 104.3 MHz. Foram gerados vários conjuntos de dados experimentais com o objetivo de estudar e analisar as posturas humanas a reconhecer automaticamente (em pé, sentado e classe nula, que representa a ausência de pessoa). Várias caraterísticas foram computadas a partir dos dados recolhidos e a sua impor- tância é avaliada através do algoritmo de selecção de caraterísticas Analysis of Variance (ANOVA). Usando as caraterísticas seleccionadas, os dados dos conjuntos de dados ad- quiridos são classificados utilizando três técnicas diferentes de Machine Learning (ML): Support Vector Machine (SVM), K-Nearest Neighbours (KNN) e um método de classificação proposto pelo autor. O desempenho de cada classificador é avaliado utilizando diferentes métricas de dis- tância ou kernels para classificar os dados, tendo sido alcançada uma precisão de classifi- cação global de 87.896%. Foi também desenvolvido um protótipo para um serviço de classificação da postura humana em tempo real e os seus componentes são descritos na tese. Os resultados obtidos validam as características seleccionadas e realçam o valor das técnicas de classificação utilizadas nesta área. Os resultados confirmam o grande poten- cial de sistemas passivos de identificação de RF para reconhecimento da postura humana, o que motiva futuros trabalhos na área.
O reconhecimento da actividade humana usando sistemas passivos de identificação de Radio Frequência (RF) tem estado presente em vários estudos realizados nos últimos tempos. Isto deve-se ao seu potencial de aplicação em vários domínios. Além disso, a maioria dos sistemas passivos de detecção RF propõem soluções de baixo custo, grande mobilidade e fiabilidade e não intrusivas. Esta tese propõe um sistema passivo de identificação de RF baseado em dois dispo- sitivos Software Defined Radio (SDR). O sistema foi projetado para a gama de Very High Frequency (VHF), mais propriamente para a frequência de 104.3 MHz. Foram gerados vários conjuntos de dados experimentais com o objetivo de estudar e analisar as posturas humanas a reconhecer automaticamente (em pé, sentado e classe nula, que representa a ausência de pessoa). Várias caraterísticas foram computadas a partir dos dados recolhidos e a sua impor- tância é avaliada através do algoritmo de selecção de caraterísticas Analysis of Variance (ANOVA). Usando as caraterísticas seleccionadas, os dados dos conjuntos de dados ad- quiridos são classificados utilizando três técnicas diferentes de Machine Learning (ML): Support Vector Machine (SVM), K-Nearest Neighbours (KNN) e um método de classificação proposto pelo autor. O desempenho de cada classificador é avaliado utilizando diferentes métricas de dis- tância ou kernels para classificar os dados, tendo sido alcançada uma precisão de classifi- cação global de 87.896%. Foi também desenvolvido um protótipo para um serviço de classificação da postura humana em tempo real e os seus componentes são descritos na tese. Os resultados obtidos validam as características seleccionadas e realçam o valor das técnicas de classificação utilizadas nesta área. Os resultados confirmam o grande poten- cial de sistemas passivos de identificação de RF para reconhecimento da postura humana, o que motiva futuros trabalhos na área.
Descrição
Palavras-chave
Machine Learning Human Activity Sensing Passive RF Sensing Automatic Recognition