Applicazioni della PCA alle mappe Range-Doppler relative ad acquisizioni radar di soggetti in movimento

L’obiettivo principale dei metodi per la riduzione di dimensionalità è quello di eseguire un mapping dallo spazio iniziale a uno spazio di dimensione inferiore. Tale riduzione può essere vista come una forma di compressione, con perdita d’informazione, il cui fine è quello di scartare le informazioni non rilevanti o meno rilevanti per il problema di interesse, così da escludere i dati ridondanti e rumorosi migliorando, talvolta, anche le prestazioni. Un metodo sfruttato per ottenere ciò è la Principal Component Analysis (PCA), che esegue un mapping lineare con l’obiettivo di preservare al massimo l’informazione dei pattern, ma con lo scopo primario di ridurre un numero più o meno elevato di variabili in alcune variabili latenti, che da sole sono considerate comunque informative. Nella camminata, le gambe ripetono una sequenza di movimenti che portano avanti il corpo, mantenendo un assetto stabile. Ogni sequenza si sviluppa in una serie d’interazioni tra i vari segmenti delle gambe e la massa totale del corpo. Con il metodo della PCA un’immagine di un soggetto in movimento, ovvero una sua rappresentazione visiva, non solida, della realtà, viene analizzata in modo tale che solo i dati di vero interesse possano essere studiati e classificati in base ai risultati ottenuti. Viene applicato alle immagini, più nello specifico alle immagini radar, non solo il metodo classico della PCA, ma anche la 2D-PCA e la 2D2D-PCA, ovvero metodi bidimensionali. Il rilevamento radar offre un monitoraggio senza contatto dell’andatura umana e considerandone una normale, patologica e assistita, dimostra efficacia nel discriminare diversi stili di camminata. Applicando i metodi sopra nominati, vengono esaminate cinque classi di andatura usando due diverse rappresentazioni del segnale variabile articolare, cioè lo spettrogramma e il diagramma di cadenza (CVD). I risultati ottenuti con i dati sperimentali del radar in banda K mostrano che la scelta del dominio del segnale e un’adeguata pre-elaborazione sono cruciali per ottenere alti tassi di classificazione per tutte le classi di andatura e il metodo della PCA, affiancato dai metodi di PCA bidimensionale (2D-PCA) e PCA bidimensionale bidimensionale (2D2D-PCA), permette di raggiungere un tasso di classificazione del 96% dell’andatura umana. Tale classificazione, passaggio fondamentale di questo studio, viene fatta applicando l’algoritmo di K-Nearest Neighbors (KNN) che basa il suo funzionamento sulla somiglianza delle caratteristiche dei dati esaminati. Nel caso dello studio analizzato in questo elaborato, la classificazione viene effettuata sui dati relativi al CVD e allo spettrogramma, evidenziando come la classificazione relativa al CVD risulti più accurata rispetta a quella effettuata sullo spettrogramma. Inoltre, confrontando i metodi sopracitati sia per l’analisi dei dati che per la classificazione, si è arrivati a dedurre che la 2D-PCA risulta essere la metodologia migliore da applicare in termini di accuratezza, garantendo una successiva classificazione più efficace.