为此，我们通过置信椭圆体重现了点云的形态，并研究了其在不同姿态下的形状和偏心率（图 15 c、d）。事实上，将一系列具有特殊形态的点重建为简化形状（二维或三维）已在各种应用领域中用于非常不同的目的 [41、42、43 ]。总的目标是获得一些非常简单的参数来指示有用的属性或非常容易评估的属性，以减少错误。
在我们的案例中，点云的重建源自[ 44 , 45 ]，偏心率使用以下公式计算：
图16：考虑三种姿势的 LSTM 方法的输出。坐姿用绿色表示，跌倒用蓝色表示，直立姿势用红色表示。与上文一样，训练集用全彩色圆圈表示，而其他圆圈表示测试集。
关于z坐标和整个体积，出现了一个有趣的考虑：当人坐下时，其体积会移动到更高的水平。与人处于整体较低位置的实际情况相比，这似乎相互矛盾；然而，这并不是错误，因为点云会自动压缩在上半身的位置（如图15所示）。因此，它符合所用雷达传感器的常规行为。当跌倒时，z 坐标会更接近零，因此不会发生同样的情况。
对于 LSTM、Bi-LSTM、投影 LSTM 和 GRU 方法，为了便于比较结果，使用了相同的参数：椭球中心的三个坐标、其体积和沿三个空间平面的偏心率。
