Л.Н. Анищенко – к.т.н., доцент, ст. науч. сотрудник, Лаборатория дистанционного  зондирования научно-учебного комплекса «Фундаментальные науки» (НУК ФН), МГТУ им. Н.Э. Баумана 

E-mail: anishchenko@rslab.ru

А.В. Журавлёв – к.ф.-м.н., вед. науч. сотрудник, Лаборатория дистанционного зондирования научно-учебного комплекса «Фундаментальные науки», МГТУ им. Н.Э. Баумана

E-mail: azhuravlev@rslab.ru

В.В. Разевиг – к.т.н., ст. науч. сотрудник, Лаборатория дистанционного зондирования научно-учебного комплекса  «Фундаментальные науки», МГТУ им. Н.Э. Баумана

E-mail: vrazevig@rslab.ru

М.А. Чиж – к.ф.-м.н., мл. науч. сотрудник, Лаборатория дистанционного зондирования научно-учебного комплекса «Фундаментальные науки», МГТУ им. Н.Э. Баумана

E-mail: mchizh@rslab.ru

Постановка проблемы. Несмотря на то, что возможность детектирования и распознавания различных типов двигательной активности человека как при помощи биорадиолокаторов, так и при помощи видеокамер и камер глубины интенсивно изучается последние десятилетия, однако использование таких систем для распознавания агрессивного поведения остается на данный момент мало изученным. При этом такого рода системы могут быть востребованы во многих случаях (например, при обеспечении безопасности на стадионах, железной дороге и др.). Кроме того, совместное использование биорадиолокаторов и сенсоров глубины для решения данной задачи до настоящего момента рассмотрено не было. 

Цель – разработка многоканального комплекса для бесконтактной детекции двигательной активности человека, состоящего из биорадиолокатора и камеры глубины. 

Результаты. В качестве биорадиолокаторов были использованы два радара с монохроматическим зондирующим сигналом, работающие на частотах 24,0 и 24,4 ГГц. В качестве камеры использована камера IntelR RealSenseTM Depth Camera D435. Программное обеспечение разработанного комплекса реализовано с использованием языка Python 3.5.

Предложенный многоканальный комплекс был протестирован с использованием базы данных экспериментов, в которых участвовали 10 добровольцев (4 мужчин, 6 женщин) 19–22 лет. Каждый испытуемый выполнял различные типы повседневной двигательной активности, а также имитировал агрессивное поведение. Результаты обработки экспериментальных данных показали, что при распознавании агрессивного поведения человека при помощи метода биорадиолокации целесообразно использовать систему из нескольких биорадиолокаторов, что позволит повысить точноть, чувствительность и специфичность классификации до величин 86, 86, 87 %, соответственно.

Практическая значимость. С использованием методов машинного обучения разработан алгоритм выявления агрессивного поведения при помощи предложенного комплекса, который характеризуется точностью 98 % и каппой Коэна 78 %. В дальнейшем предполагается расширить экспериментальную базу данных с учетом различных состояний окружающей обстановки.

1. Anishchenko L. et. al. Application of step-frequency radars in medicine // Proceedings of SPIE 9077 Radar Sensor Technology XVIII. 2014. V. 90771N.
2. Anishchenko L., Bechtel T., Ivashov S., Alekhin M., Tataraidze A., Vasiliev I. Bioradiolocation as a Technique for Remote Monitoring of Vital Signs // In: «Advanced Ultrawideband Radar: Signals, Targets and Applications». Taylor J.D. ed. CRC Press. 2016. P. 297–322.
3. Kooij J.F.P., Liem M.C., Krijnders J.D., Andringa T.C., Gavrila D.M. Multi-modal human aggression detection // Computer Vision and Image Understanding. 2016. V. 144. P. 106–120.
4. Bermejo Nievas E., Deniz Suarez O., Bueno Garca G., Sukthankar R. Violence Detection in Video Using Computer Vision Techniques // Berciano, A., et.al.(Eds.): Computer Analysis of Images and Patterns. CAIP 2011 // Lecture Notes in Computer Science. 2011.V. 6855. P. 332–339.
5. Zizi T.K.T., et al. Aggressive movement detection using optical ow features base on digital & thermal camera // Proceedings of the 6th International Conference on Computing and Informatics, Kuala Lumpur, Malaysia. April 2017. P. 256–261.
6. Rice D. Evaluating camera performance in challenging lighting situations // SDM Magazine, Sept., 2014.
7. Wu Q., Zhang Y.D., Tao W., Amin M.G. Radar-based fall detection based on Doppler time-frequency signatures for assisted living // IET Radar, Sonar & Navigation, special issue on Application of Radar to Remote Patient Monitoring and Eldercare. 2015. V. 9. № 2. P. 164–172.
8. Liang L., Popescu M., Skubic M., Rantz M., Yardibi T., Cuddihy P. Automatic fall detection based on doppler radar motion signature // Proceedings of the 5th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth). Dublin, Ireland. 2011. P. 222–225. 
9. Dremina M.K., Anishchenko L.N. Contactless fall detection by means of CW bio- radar // Proceedings of Progress in Electromagnetic Research Symposium (PIERS). Shanghai. China. August 2016. P. 2912–2915.
10. Дремина М.К., Анищенко Л.Н. Использование метода биорадиолокации для бесконтактной детекции падений // Биомедицинская радиоэлектроника. 2016. № 7. C. 50–55.
11. Dremina M., Alborova I., Anishchenko L.N. Importance of the bioradar signal preprocessing in fall detection // 2017 Proceedings of Progress In Electromagnetics Research Symposium – Spring (PIERS), St.-Petersburg, Russia. 2017. P. 699–703.
12. Anishchenko L., Alborova I., Dremina M. Discriminant Analysis in Bioradar-based Fall Event Classification // Proc. of Int. Conf. IEEE COMCAS. Tel Aviv, Israel, November 13–15. 2017. 4 p.
13. Yang L., Li G., Ritchie M., Fioranelli F., Griths H. Gait classi_cation based on micro-Doppler features // Proceedings of 2016 CIE International Conference on Radar (RADAR). Guangzhou. China. October 2016. 1–4.
14. Sun Z., Wang J., Sun J., Lei P. Parameter estimation method of walking human based on radar micro-Doppler // Proceedings of IEEE Radar Conference (RadarConf). Seattle WA. May 2017. P. 0567–0570.
15. K-LC5 High Sensitivity Dual Channel Transceiver, URL: https://www.rfbeam.ch/product?id=9.
16. SanPin 2.2.4/2.1.8.055-96, «Radiofrequency electromagnetic radiation under occupational and living conditions».
17. https://click.intel.com/intelr-realsensetm-depth-camera-d435.html 
18. Jia Y., Shelhamer E., Donahue J., Karayev S., Long J., Girshick R., Guadarrama S., Darrell T. Caffe: Convolutional Architecture for Fast Feature Embedding. arXiv preprint arXiv:1408.5093, 2014.