Anwendung von Linear Predictive Coding zur Klassifikation menschlicher Aktivitäten basierend auf Mikrodoppler-Signaturen

In diesem Schreiben wird die Klassifikation verschiedener menschlicher Aktivitäten basierend auf Mikrodoppler-Signaturen unter Verwendung von linearer prädiktiver Kodierung (LPC) untersucht. LPC wird vorgeschlagen, um die Merkmale von Mikrodopplern zu extrahieren, die Mischungen verschiedener Frequenzen sind. Der Einsatz von LPC kann nicht nur den Zeitrahmen zur Erfassung des Doppler-Signals menschlicher Bewegungen reduzieren, sondern auch die Rechenzeit für die Extraktion seiner Merkmale verringern, was eine Echtzeitverarbeitung ermöglicht. Die gemessenen Daten von 12 menschlichen Probanden, die sieben verschiedene Aktivitäten mit einem Dopplerradar ausführen, werden verwendet. Diese Aktivitäten umfassen Laufen, Gehen, Gehen mit einem Stock, Kriechen, Boxen beim Vorwärtsbewegen, Boxen im Stehen und stilles Sitzen. Anschließend wird eine Support-Vektor-Maschine unter Verwendung der Ausgaben von LPC trainiert, um die Aktivitäten zu klassifizieren. Die Mehrklassenklassifikation wird mithilfe einer Eins-gegen-Eins-Entscheidungsstruktur umgesetzt. Die resultierende Klassifikationsgenauigkeit beträgt über 85 %. Die Auswirkungen der Anzahl der LPC-Koeffizienten und der Größe des gleitenden Zeitfensters sowie der Größe des Entscheidungszeitrahmens, die bei der Extraktion von Mikrodoppler-Signaturen verwendet werden, werden ebenfalls diskutiert.