Synchro-Squeezed Time-Frequency Representations for Radar-based Human Activity Recognition
Notice bibliographique
Résumé
Time-frequency representations such as short-time Fourier transform and wavelet transform of the radar returns capture macro and micro motions of the individuals that facilitate human activity recognition using radars. However, the choice of windows in these transforms constrains the time-frequency resolution and may negatively impact the recognition of human activities. Synchro-squeezed Fourier and synchrosqueezed wavelet transforms are known to provide improved time-frequency resolution and therefore may provide better human activity recognition. This work uses the histogram of gradients (HOG) of the synchro-squeezed transforms as hand-crafted features for radar-based human activity recognition. Two types of synchro-squeezed time-frequency representations, namely, synchro-squeezed Fourier transform (SSFT) and synchro-squeezed wavelet transform (SSWT) are considered in this work. HOG features obtained from the synchrosqueezed transforms, the traditional short-time Fourier transform (STFT), and continuous time wavelet transform (CWT) are used with four well-known machine-learning classifiers, namely stochastic gradient descent (SGD), random forest (RF), K-nearest neighbor (KNN) and support vector machine (SVM). A publicly available dataset consisting of radar signatures of human activities recorded at three different locations is used in this study and a location-wise training/testing strategy is utilized. The performance of radar-based activity recognition is significantly improved with the use of synchro-squeezed time-frequency representations as compared to time-frequency representations without synchro-squeezing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».