基于超宽带雷达的同姿势细粒度日常活动识别与深度学习模型比较

《Sensors》：Fine-Grained Human Activity Recognition in Domestic Settings Using Ultra-Wideband Radar: A Comparative Study of Deep Learning Models

　　

摘要

基于超宽带（UWB）雷达的人类活动识别提供了一种非接触、保护隐私的日常起居监测手段，但区分在相同姿势下执行的细粒度活动仍然困难。我们使用单个 PulsON 410 雷达（3.1–5.3 GHz）记录了 30 名参与者的九种日常活动；其中七种活动均在同一把椅子上坐着完成，彼此之间仅有细微的手部和手臂动作差异。每段 15 秒的录制数据为一个 120×1440 通道-脉冲响应矩阵，经背景减法、二维小波去噪和标准化进行预处理。六个人工深度学习模型（Transformer、CNN-LSTM、1D-CNN、LSTM、GRU 和 MLP）及一个软投票集成模型进行了比较，采用参与者无关的划分方式（22 名训练参与者、3 名验证参与者和 5 名测试参与者）以及五折交叉验证。Transformer 取得了最高的交叉验证准确率。在未参与训练的测试者上，Transformer（97.16%）、1D-CNN（96.93%）和 GRU（96.45%）表现相近，均优于 CNN-LSTM、LSTM 和 MLP（87.47%），三模型集成达到 98.35%。另外两组参与者划分和一次重新训练的复跑实验证实，MLP 是最弱的模型，但其他模型之间的排序在不同实验间存在数个百分点的变化；在复跑实验中，六模型集成未超过 Transformer（97.74%），而距离-多普勒基线仅达到 50.63%。进食与喝茶、使用手机与阅读或静坐之间是最易混淆的类别对。鉴于测试队列较小且实验环境为受控条件，上述结果具有指示性而非定论性。