A carregar...
Publicação
Human Posture Classification through PAssive RF sensing
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.59 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Human activity recognition through passive Radio Frequency (RF) sensing systems has
gained attention in recent research due to its promising applications across various fields.
These passive RF-sensing systems are often characterized by their cost-effectiveness, high
portability, reliability, and non-intrusive nature.
In this thesis, we present a passive RF-sensing system that utilizes two Software
Defined Radio (SDR) devices operating within the Very High Frequency (VHF) range,
specifically at a frequency of 104.3 MHz. To examine and analyze human postures, we
generated two experimental datasets. The first dataset encompasses the entire frequency
range of an ??transmitter, spanning 0–100 kHz, while the second dataset focuses solely
on the stereo pilot frequency of 19 kHz. These datasets were utilized to automatically
identify three categories: standing, sitting, and a "none" class, which indicates the absence
of a person.
A Variational Autoencoder (VAE) was employed to extract features from both datasets,
alongside the use of statistical features. These features were subsequently classified using
a neural network, achieving the highest accuracy of 92% in the offline scenario for the
statistical features derived from the complete frequency band dataset, followed by 67% for
the VAE features from the same dataset. For the dataset extracted for the stereo pilot, the
maximum accuracy achieved was 46%. It was concluded that the information available
solely from the stereo pilot is insufficient for effective classification in this context.
Additionally, a prototype was developed for real-time human posture classification
using the complete frequency band dataset, yielding promising results.
The results obtained validate the selected features and underscore the effectiveness of
the classification techniques applied in this domain, highlighting the significant potential
of passive RF-sensing systems for human posture recognition, which encourages further
research in this area.
O reconhecimento de atividades humanas através de sistemas de detecção passiva de RF tem ganho atenção em pesquisas recentes devido às suas promissoras aplicações em várias áreas. Estes sistemas de detecção passiva de RF são frequentemente caracterizados pela sua relação custo-eficácia, alta portabilidade, fiabilidade e natureza não intrusiva. Nesta tese, apresentamos um sistema de detecção passiva de RF que utiliza dois dispositivos de SDR operando na faixa de VHF, especificamente a uma frequência de 104,3 MHz. Foram gerados dois conjuntos de dados experimentais para examinar e analisar as posturas humanas, com o objetivo de identificar automaticamente três categorias: em pé, sentado e uma classe "none", que indica a ausência de uma pessoa. Nesta tese, apresentamos um sistema de detecção passiva de RF que utiliza dois dispositivos de SDR operando na faixa de VHF, especificamente a uma frequência de 104,3 MHz. Foram gerados dois conjuntos de dados experimentais para examinar e analisar as posturas humanas, com o objetivo de identificar automaticamente três categorias: em pé, sentado e uma classe "none", que indica a ausência de uma pessoa. O primeiro conjunto de dados abrange toda a faixa de frequência de um transmissor Frequency Modulation (FM), de 0–100 kHz, enquanto o segundo foca exclusivamente na frequência do stereo pilot, de 19 kHz. Foi utilizado um VAE para extrair características de ambos os conjuntos de dados, juntamente com a utilização de características estatísticas. Estas características foram sub- sequentemente classificadas utilizando uma rede neuronal, alcançando a maior precisão de 92% no cenário offline para as características estatísticas derivadas do conjunto de dados da banda de frequência completa, seguida por 67% para as características do VAE do mesmo conjunto de dados. Para o conjunto de dados extraído para o stereo pilot, a precisão máxima alcançada foi de 46%. Constatou-se que a informação disponível apenas a partir do stereo pilot é insuficiente para uma classificação eficaz neste contexto. Além disso, foi desenvolvido um protótipo para a classificação de posturas humanas em tempo real, utilizando o conjunto de dados da banda de frequência completa, com resultados promissores. Os resultados obtidos validam as características selecionadas e sublinham a eficácia das técnicas de classificação aplicadas neste domínio, destacando o potencial significativo dos sistemas de detecção passiva de RF para o reconhecimento de posturas humanas, o que incentiva futuras investigações nesta área.
O reconhecimento de atividades humanas através de sistemas de detecção passiva de RF tem ganho atenção em pesquisas recentes devido às suas promissoras aplicações em várias áreas. Estes sistemas de detecção passiva de RF são frequentemente caracterizados pela sua relação custo-eficácia, alta portabilidade, fiabilidade e natureza não intrusiva. Nesta tese, apresentamos um sistema de detecção passiva de RF que utiliza dois dispositivos de SDR operando na faixa de VHF, especificamente a uma frequência de 104,3 MHz. Foram gerados dois conjuntos de dados experimentais para examinar e analisar as posturas humanas, com o objetivo de identificar automaticamente três categorias: em pé, sentado e uma classe "none", que indica a ausência de uma pessoa. Nesta tese, apresentamos um sistema de detecção passiva de RF que utiliza dois dispositivos de SDR operando na faixa de VHF, especificamente a uma frequência de 104,3 MHz. Foram gerados dois conjuntos de dados experimentais para examinar e analisar as posturas humanas, com o objetivo de identificar automaticamente três categorias: em pé, sentado e uma classe "none", que indica a ausência de uma pessoa. O primeiro conjunto de dados abrange toda a faixa de frequência de um transmissor Frequency Modulation (FM), de 0–100 kHz, enquanto o segundo foca exclusivamente na frequência do stereo pilot, de 19 kHz. Foi utilizado um VAE para extrair características de ambos os conjuntos de dados, juntamente com a utilização de características estatísticas. Estas características foram sub- sequentemente classificadas utilizando uma rede neuronal, alcançando a maior precisão de 92% no cenário offline para as características estatísticas derivadas do conjunto de dados da banda de frequência completa, seguida por 67% para as características do VAE do mesmo conjunto de dados. Para o conjunto de dados extraído para o stereo pilot, a precisão máxima alcançada foi de 46%. Constatou-se que a informação disponível apenas a partir do stereo pilot é insuficiente para uma classificação eficaz neste contexto. Além disso, foi desenvolvido um protótipo para a classificação de posturas humanas em tempo real, utilizando o conjunto de dados da banda de frequência completa, com resultados promissores. Os resultados obtidos validam as características selecionadas e sublinham a eficácia das técnicas de classificação aplicadas neste domínio, destacando o potencial significativo dos sistemas de detecção passiva de RF para o reconhecimento de posturas humanas, o que incentiva futuras investigações nesta área.
Descrição
Palavras-chave
Machine Learning Variational Autoencoder Stereo Pilot Human Activity Sensing Passive RF Sensing Automatic Recognition