Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa

Ihmisten liikkeiden tunnistusta käytetään erilaisissa valvontaan ja älykoteihin liittyvissä ratkaisuissa. Liikkeen tunnistukseen voidaan käyttää erilaisia sensoreita. Viime aikoina erityisesti tutkasensorilla tapahtuva liikkeen tunnistus on ollut mielenkiinnon kohteena. Tutka toimii valaistusolosuhteista riippumatta, havaitsee liikkeitä seinien läpi eikä se loukkaa ihmisen yksityisyydensuojaa kuten kamera. Tutka lähettää elektromagneettista aaltoa, joka heijastuu kohteesta takaisin. Tästä palanneesta signaalista voidaan saada erilaista tietoa esimerkiksi kohteen nopeudesta, etäisyydestä ja kulmasta suhteessa tutkaan. Syväoppiminen on tuonut uusia mahdollisuuksia käsitellä suuria määriä dataa ja tehdä aineiston luokitusta ilman manuaalista aineiston läpikäyntiä. Tutkan tuottamasta datasta voidaan muodostaa kuvamuotoista dataa, joka sopii erityisen hyvin konvoluutioneuroverkkoa hyödyntäville syväoppimismalleille. Tässä työssä tutustutaan millimetriaaltotutkan ja syväoppimisen mahdollisuuksiin liikkeiden tunnistuksessa käyttäen vapaasti ladattavissa olevaa PARrad-aineistoa, johon on koottuna yhteensä 14 eri liikettä 24 henkilön suorittamana ja useissa eri mittaustilanteissa kahden eri tutkan havainnoimana. Työssä implementoidaan kolme erilaista konvoluutioneuroverkkomallia ja vertaillaan näiden suorituskykyä. Lisäksi työ tarjoaa näkökulman hyödyntää TinyML-konseptia mallin optimoinnissa ja siirtämisessä langattomaan sensoriverkkoon mikrokontrollerin käyttöön. Malleista parhaimmaksi osoittautui malli, joka oli opetettu käyttäen data-augmentaatiolla lisättyä aineistoa. Virheettömyydeksi saatiin parhaimmalla mallilla 87%:n tulos