联合国《2024 年世界人口前景》报告强调，未来几年，总人口将稳步增长；事实上，据估计，到 2100 年，全球人口将达到 104 亿 [ 1 ]。这一趋势的直接后果是老年人口的相应增长，特别是体弱者的数量。他们的脆弱程度更高，与年龄、伴随病症或残疾有关，因此需要监测和改善他们的健康状况以及日常生活；事实上，更高水平的独立性和自主性直接有助于提高生活质量。
为了实现这一目标，最近的方法为所谓的环境辅助生活 (AAL) 的发展铺平了道路 [ 2 , 3 ]。该研究领域旨在通过使用不同性质的传感器和系统（包括非接触式设备（如摄像头和体积传感器）以及可穿戴设备）来评估人们在室内和室外的行为。
在确保人们独立生活的背景下，姿势评估已成为一个主要目标，因为体弱的人患突发疾病的风险更高，跌倒对他们的健康是一个潜在的问题，其中有相当一部分人会受到严重伤害[ 4 ]。及时发现异常情况并提供适当的帮助可能会对一个人的生活产生重大影响；因此，确保能够连续测量的系统至关重要，尤其是当体弱的人独居时。事实上，这样的系统还可以在出现问题时立即启动护理人员并提供援助。
但是，无论实施哪种系统，尤其是在家庭环境中，一个重要特征是受试者的隐私。这是一个令人担忧的问题，因为许多人认为摄像系统具有侵入性，即使用于此类目的的商用工具不会记录人的面部和身体，而只会记录身体部位，以重建房间内的姿势和位置。最常用的系统之一就是微软 Kinect 摄像头，旨在检测运动和姿势 [ 5 ]。这类设备提供了良好的精确度，但在光照较低的房间中，其检测能力可能会降低。此外，为了以适当的细节水平观察环境，需要多个摄像头，从而大大增加了成本。
在确定最合适设备时，另一个潜在限制因素是可穿戴系统的使用。在这种情况下，选择不仅仅取决于与技术适用性相关的因素，例如感知原理、电池续航时间（事实上，可穿戴工具在充电时无法使用）和整个系统的尺寸 [ 6 , 7 ]。事实上，易用性和不显眼性也受到目的和用户类型的强烈影响；特别是后者要求在很大程度上取决于每个人。事实上，据观察，用户佩戴某些可穿戴设备（如较大的腕带）的依从性会降低，因为用户会感到不舒服，并且内心认为其他人会看到该设备并误解其功能。另一个问题的来源是用户忘记给仪器充电。
因此，研究的重点是研究和开发从用户角度来看是安全可靠的解决方案，同时在耐用性以及检测和监控的准确性方面具有技术上的稳健性。
雷达技术在许多不同领域都代表着一种可靠的方法，特别是在生物领域，尤其是疾病检测和诊断，因为它可以以不引人注目的方式观察创新特性[ 8 ]。此外，它是非侵入性的，可以保护受试者的隐私。因此，近年来，在个性化病人护理和监测以及环境辅助生活领域开展了研究[ 9，10，11 ] 。事实上，最近发表了一系列关于检测跌倒、睡眠、呼吸和生命体征等各种运动的研究[ 12，13，14 ] 。在这方面，雷达传感技术代表了人类活动识别和健康监测的一个新兴领域，并且它极大地受益于机器学习（ML）和深度学习（DL）方法来区分不同的生理和身体状态和条件。
迄今为止，提出的大多数解决方案都侧重于不同感知模式的组合（例如雷达和 MEMS 低分辨率红外传感器或多导睡眠图），或同一类型设备的组合，通常用于非常具体的任务（例如从床上跌倒）[ 12、13、15 ] 。本文的研究旨在通过使用单个 MIMO FMCW 传感器来评估更广泛的姿势，从而更进一步。
在此背景下，调频连续波 (FMCW) 雷达以及多输入多输出 (MIMO) FMCW 的应用越来越广泛 [ 16 ]。此类传感器能够检测到房间内移动的人的身体，并根据测量目的区分特定的身体部位（即手臂或腿）。这在检测不同的姿势甚至跌倒时尤为重要，因为可以使用 FMCW 系列的不同设备，例如用于步态检测的 MIMO FMCW [ 16 ]，使用高频 FMCW 雷达评估跌倒和识别活动以进行多视角微多普勒 (μ-D) [ 17 ]，甚至通过单输入单输出 (SISO) FMCW 进行结合生命体征监测的 2D 定位 [ 18 ]。
为了有效研究姿势和跌倒，特别是为了尽可能降低错误检测潜在危险情况的风险，可以采用分类算法以及机器和深度学习方法。可以设想不同的方法。例如，最近的注意机制最初是为自然语言处理设计的，随后扩展到图像处理领域 [ 19，20，21，22，23 ]，现在甚至已经用于人类活动识别任务，这要归功于它突出时空关系的能力 [ 24，25，26 ]。更整合的方法依赖于广泛使用的分类器，如 K 最近邻 (KNN) 和随机森林，因为它们在时域和频域的特征提取方面都很有效。甚至可以应用支持向量机 (SVM)，特别是在需要区分两个不同类别的情况下 [ 25 ]。其他方法利用人工神经网络或卷积神经网络，特别是在多传感器系统的情况下 [ 27 ]。在过去几年中，长短期记忆 (LSTM) 及其一些实现方法发挥了重要作用。事实上，在 AAL 领域，双向 LSTM 已经用于处理来自多个设备或直接来自开源数据集的数据，有时与门控循环单元 (GRU) 网络结合使用 [ 28 , 29 ]。特别是在雷达测量的情况下，要分析的信号是时间序列；因此，正如 [ 30 ]中首次提到的，LSTM 和 GRU 是此类输入最合适的方法。在这种情况下，我们的方法源于这种考虑；因此，为此目的考虑的 ML 和 DL 方法与其他先前的研究相比代表了一种进化 [14 , 15 , 31 ]。
说明：AAL是指将“及时通知用药时间的智能音箱”、“实时分析健康状况的手环”等人工智能(AI)和物联网(IoT)等数字技术融合在一起，让老年人享受积极生活的系统和服务。
这项研究的目的是利用 MIMO 雷达技术以连续、不引人注目和精确的方式观察室内环境中的人员。由于这项研究涉及一个原型应用，因此所提出的测试是在标准条件下设计和进行的，涉及健康受试者。这样的系统将配备人工智能方法（特别是聚类算法和神经网络），以检测和区分不同的姿势，以突出跌倒。通过这种方式，可以将可穿戴设备典型的连续和低成本监控优势与摄像头的运动检测精度结合起来，同时避免定期充电并保护人们的隐私。
本文的结构如下。原理和方法部分介绍了所使用的雷达技术和测试的各种人工智能方法。结果部分展示了人工智能方法在针对健康受试者的不同实验中的行为，而讨论部分则评估了最适合本研究目的的方法，并介绍了未来发展中可能实施的改进。
2、原理和方法
2.1 MIMO雷达技术
在本研究中，基于多输入多输出技术的雷达传感器被用于观察房间中的人员及其相应的运动。无线电检测和测距（雷达）技术用于在各种应用领域进行检测，它基于电磁波，可以识别视野范围内目标物体的位置和特征。通过天线在 230 MHz 和 110 GHz 的频率范围内进行传输，并根据取决于各种因素（其中包括物体的表面和尺寸）的反射波量来检测物体。接收天线获取该信号，然后对其进行处理以提取有用信息。
在根据具体测量目的而有所不同的各种类型的传感器中，本文主要关注 MIMO 技术，其中单个设备在毫米波范围内工作，并包含多个发射器和多个接收器。通过这种方式，与单输入多输出 (SIMO) 雷达相比，可以使用少得多的设备数量（理想情况下，在有限的体积环境中使用单个设备）执行测试，因为 MIMO 换能器可以获得与多个 SIMO 相同的分辨率角，但使用单个处理链。事实上，当采用 SIMO 技术时，接收天线的数量越多，它们的分辨率角就越高。然而，这种情况与一个重要的问题相关：每个天线都有自己的处理链；因此，更多的天线将大大增加成本、处理时间和功耗，以及设备的尺寸。为了克服这个缺点，MIMO 设备能够通过结合多个接收（Nrx）和发射（Ntx）天线来提高分辨率；事实上，它们可以获得与 SIMO 设备相同的分辨率角度，但仅需 Nrx 个处理链，而不是使用 SIMO 技术时所需的 Nrx*Ntx 链。
在这种情况下，存在多个天线，包括接收天线和发射天线，毫米范围对我们的应用来说很方便，因为可以使用更小的传感器，这些传感器也具有低功耗和低消耗的特点。此外，此类设备在 80 GHz 范围内的频率下运行，因此可以实现高精度的运动检测，即毫米级。
