编辑推荐：
基于多雷达数据融合的非正对场景下老年人异常行为检测方法，提出多普勒异常因子与角度加权Dempster-Shafer证据理论融合算法，建立时空行为基线模型，验证了全向检测98.6%以上识别率。
林彦平|陈希涵|王少红|孙昌|罗静静
上海交通大学机械工程学院，中国上海200240
摘要
家庭健康监测技术在检测居家老年人的异常行为方面具有相当大的实际价值。由于频率调制连续波雷达的适应性和隐私保护能力，它们被广泛用于行为分析。然而，在家庭环境中，人们在执行动作时并不总是正对着雷达，这会显著影响频率调制连续波雷达的行为识别准确性。为了提高非正面朝向雷达下的行为识别准确性，我们采用了多普勒局部异常因子方法进行全向运动识别。此外，我们还开发了一种基于角度加权投票-邓普斯特/谢弗证据理论的方法来融合多个频率调制连续波雷达探测器的识别结果。我们还提出了一个基于时空和行为的异常活动定义，并通过模拟老年人在类似家庭环境中的运动来验证其概念验证的可行性。该方法提高了非正面朝向个体的行为识别准确性。在我们控制的数据集上的实验结果表明，人类动作的识别率超过了98.6%。因此，所提出的方法可以正确识别目标在所有方向上的运动，扩展了雷达在日常检测老年人异常行为中的应用范围。研究结果表明，在受控的类似家庭条件下，整合时空和行为信息可以检测出具有代表性的异常行为。
引言
随着技术的不断进步，解决人们健康问题的效率不断提高。然而，对于某些脆弱群体，如居家老年人来说，及时沟通身体状况可能具有挑战性。由于年龄导致的器官功能下降，老年人更容易受到环境因素的影响，认知能力和行动能力的问题进一步加剧了沟通的难度[[1], [2], [3]]。对于独居的老年人来说，他们的子女能够投入的时间和精力有限，这可能增加事故发生时的风险。为了确保对老年人进行全面的健康监测，实时获取行为信息至关重要。常用的行为识别传感器包括视觉传感器[4]、可穿戴传感器[5]和频率调制连续波（FMCW）雷达传感器[6]。其中，FMCW雷达传感器在行为识别方面具有显著优势，因为它们具有出色的穿透能力、强大的环境适应性和优越的隐私保护特性[7,8]。
近年来，FMCW雷达行为识别主要沿着两条路径发展。基于特征的流程提取手工制作的时间-频率描述符，并用经典学习器进行分类。陈等人[9]使用了一种多视图微多普勒图像上的标签区分稀疏表示方法，该方法具有可解释性和角度感知能力，但对弱肢体回波和跨视图域变化敏感。徐等人[10]采用了带有贝叶斯超参数调优的随机森林方案；该方法轻量且数据效率高，但在视角变化抑制了区分性多普勒模式时准确性会下降。深度学习流程直接从频谱图或原始序列中进行学习。Sadreazam等人[11]使用深度卷积神经网络进行跌倒检测，去除了手动特征并捕捉了多层次的上下文，但在侧面/背面朝向姿势下的鲁棒性以及训练多样性方面尚不明确。赵等人[12]引入了CubeLearn，该算法具有可学习的加权预处理（DFT）前端和端到端动作识别功能，提高了特征质量，但仍依赖于单一视图和显著的微多普勒信号。
然而，在实际应用中，基于毫米波（mmWave）雷达的生理信号检测方法受到信号质量和环境干扰的限制，难以同时优化检测精度和范围。这一限制影响了它们在家庭环境中的使用[13]。此外，基于mmWave雷达的行为测量结果往往因人体与雷达之间的空间关系而有所不同。大多数识别方法主要依赖于提取微多普勒图像或其他肢体运动信息作为人类行为识别的基础。如果mmWave雷达系统无法准确记录肢体信息，这些方法就无法保证高精度的行为识别[14]。此外，由于老年人日常行为的多样性以及由此产生的大量数据，需要整合多源数据以实现准确的判断[[15], [16], [17]]。当前的数据融合方法包括级联[18]、特征融合[19]和决策融合[20]。每种方法都有其优缺点。确定适当的数据融合方法并在实际场景中有效应用它需要进一步的研究。
因此，我们提出了一种基于多源数据融合的行为识别方法。该方法的具体贡献包括角度加权投票邓普斯特-谢弗证据理论（AWV-DST）和数据融合方法，用于实现家庭环境中老年人行为的精确识别和异常行为的准确检测。与之前平均分数或融合单一视图特征的方法不同，其新颖之处在于跨多个雷达视图的角度加权邓普斯特-谢弗融合，该方法明确模拟了视图依赖的可靠性并解决了视图间的冲突。该方法结合了集成学习中的加权软投票，使用雷达方位信息为每个雷达检测结果分配置信权重。然后在决策阶段应用邓普斯特-谢弗证据理论来融合雷达数据。这种方法在人体相对于雷达处于侧面或背面朝向时显著提高了识别率，从而增强了系统的鲁棒性。实验结果表明，与以往研究中的方法相比，所提出的方法不仅实现了更高的平均识别精度，还扩展了mmWave雷达在所有方向上的运动识别有效角度范围。
除了提高日常行为的识别能力外，我们还探索了该系统在检测家庭环境中老年人异常行为的潜力。异常行为的特点是与人典型的时空活动模式或物理状态存在显著偏差。基于同步的雷达数据，我们提出了一个整合三个关键维度的定义框架：姿势（例如，躺下、坐着、站立）、时间段（例如，深夜、清晨）和空间位置（例如，客厅、浴室）。通过为每个人建立行为基线并监测这些维度上的偏差，我们的系统可以识别潜在的异常事件，例如在浴室中停留时间过长、在客厅进行深夜活动或突然转变为躺下姿势。在模拟的家庭平台上进行的初步实验证明了该异常检测框架的可行性和有效性，突显了其在实时老年人护理和健康监测中的潜力。
先前研究概述
在我们之前的一项研究[21]中，我们提出了一种基于单雷达的运动检测方法，为当前的工作奠定了基础。整个单雷达流程如图1所示。首先，主机计算机同时向多个雷达发送指令，不同雷达的数据在并行线程中处理。经过二维（2D）快速傅里叶变换、2D恒定误报率、短时傅里叶变换等相关步骤后，每个雷达都会产生相应的
基于多雷达的数据融合算法
由于雷达测量的特性，数据集中肢体信息有限，其结果本身的置信度较低。此外，当同时使用多个雷达时，它们的数据是独立的，需要进一步处理才能有效结合。因此，为了提高准确性，有必要整合来自多个雷达源的数据。因此，本节讨论了角度加权投票邓普斯特/谢弗方法。图2
实验设备和环境
为了验证所提出方法的有效性并评估其在实际应用中的性能，我们进行了两个阶段的实验：
•使用受控动作数据集进行行为识别验证
•在类似家庭环境中模拟老年人活动模式的基于场景的异常行为检测
在详细介绍每个阶段之前，我们首先描述实验设备和设置。
本研究使用了德州仪器IWR1642BOOST FMCW雷达模块，其工作频率为
结论
在这项研究中，我们开发了一种基于多源数据融合的运动识别方法，用于FMCW雷达系统，并使用该方法进行了一系列运动识别实验。实验结果表明，我们的方法可以正确识别目标在所有方向上的运动。本研究的主要结论如下：
1.通常情况下，当没有记录身体信息时，单雷达系统的位置识别精度较低。为了
伦理批准
本研究已获得复旦大学伦理委员会（FE222751）的批准。本研究中使用的所有协议和程序均获得了复旦大学的批准。
资助
本工作得到了中国国家重点研发计划的支持[项目编号2022YFC3601400]。
CRediT作者贡献声明
林彦平：撰写 – 审稿与编辑，撰写 – 原稿，可视化，软件，资源，概念化。陈希涵：撰写 – 审稿与编辑，撰写 – 原稿，软件，概念化。王少红：撰写 – 原稿，软件，概念化。孙昌：撰写 – 原稿，软件，方法论，概念化。罗静静：撰写 – 审稿与编辑，撰写 – 原稿，验证，资源。
