Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot

医疗监测对于独居老年人的日常护理至关重要，它可以检测到危险事件，如跌倒，并及时提供警报以挽救生命。最近，使用先进的人体活动识别（HAR）模型的非侵入式毫米波（mmWave）雷达医疗监测系统引起了广泛关注。然而，它们在处理稀疏点云、实现实时连续分类以及应对静态安装时的有限监测范围方面遇到了挑战。为了克服这些限制，我们提出了RobHAR，一种可移动的机器人安装的mmWave雷达系统，配备轻量级深度神经网络，用于实时监测人类活动。具体而言，我们首先提出了基于稀疏点云的全局嵌入，使用轻量级的PointNet（LPN）骨干网络学习点云的特征。然后，我们使用双向轻量级LSTM模型（BiLiLSTM）学习时间模式。此外，我们实现了转换优化策略，将隐马尔可夫模型（HMM）与连接时序分类（CTC）相结合，以提高连续HAR的准确性和鲁棒性。我们在三个数据集上的实验表明，我们的方法在离散和连续HAR任务中均显著优于先前的研究。最后，我们将我们的系统部署在可移动的机器人安装的边缘计算平台上，在实际场景中实现了灵活的医疗监测。

提出一种可移动机器人装载的毫米波雷达系统，用于实时监测人类活动。该系统旨在解决现有毫米波雷达系统在处理稀疏点云、实现实时连续分类以及应对静态安装时受限监测范围等方面的挑战。

使用轻量级深度神经网络实现基于稀疏点云的全局嵌入，结合双向轻量级LSTM模型学习时间模式，并采用HMM和CTC进行转移优化策略，提高连续HAR的准确性和鲁棒性。

通过在三个数据集上的实验，证明了该方法在离散和连续HAR任务中均显著优于之前的研究。此外，将该系统部署在可移动机器人装载的边缘计算平台上，实现了在现实场景中的灵活医疗监测。

最近的相关研究包括：1. "Human Activity Recognition Based on Millimeter-Wave Radar Using Convolutional Neural Network"；2. "Human Activity Recognition Using Millimeter-Wave Radar and Convolutional Neural Network with Adversarial Training"；3. "Human Activity Recognition Based on Sparse Millimeter Wave Radar Data Using Convolutional Neural Networks and Transfer Learning"等。