Verbesserte Klassifizierung menschlicher Fall- und Sitzbewegungen mithilfe von Ultra-Wideband-Radar und versteckten Markov-Modellen

In dieser Studie befassen wir uns mit der Herausforderung, menschliche Bewegungen in komplexen Umgebungen anhand von Sensordaten genau zu klassifizieren. Wir analysieren sowohl Video- als auch Radardaten, um dieses Problem zu lösen. Aus Video-Sequenzen extrahieren wir zeitliche Merkmale mithilfe von Techniken wie Bewegungsverlauf-Bildern (MHI) und Hu-Momenten, die die dynamischen Aspekte der Bewegung erfassen. Radardaten werden durch Hauptkomponentenanalyse (PCA) verarbeitet, um eindeutige Erkennungssignaturen zu identifizieren. Wir verfeinern diese Merkmale mithilfe von k-Means-Clustering und nutzen sie, um versteckte Markov-Modelle (HMMs) zu trainieren. Diese Modelle sind darauf abgestimmt, zwischen unterschiedlichen Bewegungen zu unterscheiden, wobei der Schwerpunkt auf der Unterscheidung zwischen Sitz- und Fallbewegungen liegt. Unsere experimentellen Ergebnisse zeigen, dass die Integration von video- und radarbasierten Merkmalen die Genauigkeit der Bewegungsklassifizierung erheblich verbessert. Insbesondere hat der kombinierte Ansatz die Präzision der Erkennung von Sitzbewegungen um über 10 % im Vergleich zur Verwendung von einheitlichen Datensätzen erhöht. Dieses integrierte Verfahren erhöht nicht nur die Klassifikationsgenauigkeit, sondern erweitert auch die praktische Anwendbarkeit von Bewegungserkennungssystemen in verschiedenen realen Szenarien, wie z. B. der Gesundheitsüberwachung und Notfallreaktionssystemen.