深度学习融合超宽带雷达图谱的跌倒检测研究

摘要：

相对于窄带多普勒雷达,超宽带雷达能够同时获取目标的距离和多普勒信息,更利于行为识别.为了提高跌倒行为的识别性能,该文采用调频连续波超宽带雷达在两个真实的室内复杂场景下采集36名受试者的日常行为和跌倒的回波数据,建立了动作种类丰富的多场景跌倒检测数据集;通过预处理,获取受试者的距离时间谱、距离多普勒谱和时间多普勒谱;基于MobileNet-V3轻量级网络,设计了数据级、特征级和决策级3种雷达图谱深度学习融合网络.统计分析结果表明,该文提出的决策级融合方法相对于仅用单种图谱、数据级和特征级融合的方法,能够提高跌倒检测的性能(显著性检验方法得到的所有P值<0.003).决策级融合方法的5折交叉验证的准确率为0.9956,在新场景下测试的准确率为0.9778,具有良好的泛化能力.

关键词：超宽带雷达、深度学习、跌倒检测、数据融合、轻量级网络

所属期刊栏目：12

分类号：TN957

资助基金：陆军军医大学校级课题;国家部委基金

在线出版日期：2023-05-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：343-355