Radar distribuiti per la classificazione di attività umane in direzioni arbitrarie

Human activity recognition with Radio Frequency (RF) sensors has the potential to improve drastically the healthcare assistance with prevention and early detection. In this study, classification for Activities of Daily Living (ADL) in arbitrary movement directions is obtained with five distributed pulsed Ultra- Wideband (UWB) radars in a coordinated network. Unconstrained activity trajectories are chosen despite the inherent challenges in order to achieve a more natural human activity recognition. Seven handcrafted features are extracted from the Range-Doppler maps of the radars and are processed by multiple classification approaches. Three different feature selection methods are tested and compared on the collected dataset. Which is made of data from five subjects, 140 training sequences of nine activities, and ten testing sequences containing all nine classes in a continuous and consecutive pattern. The features are classified with K-Nearest Neighbour (KNN) classifiers, obtaining predictions for classes of interest. Feature fusion and decision fusion are then introduced to compare two fusion approaches capable to combine the obtained results. The final results show that the best performances are achieved using all features with decision fusion. Reaching an overall accuracy of 85.7 %, and an accuracy of 98.9% for critical classes. Gaining an improvement between 13% and 29% compared to the usage of any single radar.

Il riconoscimento di attività umane (ADL) con sensori basati su tecnologia a Radio-Frequenza (RF) ha il potenziale di migliorare l’assistenza sanitaria tramite prevenzione e rilevamento precoce. In questo studio vengono proposti molteplici algoritmi per la classificazione di attività quotidiane in direzioni casuali utilizzando cinque radar a banda ultra-larga distribuiti in una rete coordinata. Dalla rappresentazione Range-Doppler vengono estratte sette caratteristiche del segnale, le quali sono successivamente processate tramite i diversi approcci di classificazione proposti. Sono testati tre metodi di selezione delle caratteristiche, e successivamente paragonati tra loro attraverso dei test sul set di dati catturato per questo studio. Tale set è composto da dati di cinque persone, 140 sequenze di allenamento per nove attività ADL, e 10 sequenze di test contenenti ognuna tutte le nove classi in maniera continua s sequenziale. Le caratteristiche selezionate vengono successivamente classificate con un classificatore KNN (KNearest Neighbour), dal quale si ottengono le predizioni per le classi d’interesse. Sono infine introdotti e paragonati dei meccanismi di fusione dei dati, ossia "fusione delle caratteristiche" e "fusione delle decisioni". I risultati finali mostrano che le prestazioni migliori si ottengono utilizzando la fusione delle decisioni. Raggiungendo un’accuratezza generale fino al 85.7 %, e un’accuratezza del 98.9% per le azioni critiche. Ottenendo un miglioramento generale tra il 13% e il 29% rispetto all’accuratezza di un singolo radar.