{
  "paper_id": "eee9ec0efdebf5a9a5cf1b5e53733aea",
  "paper_title": "Human Activity Recognition Using 2-D LiDAR and Deep Learning Technology",
  "paper_authors": [
    "Qiao-Yuan Yao",
    "Po-Lin Chen",
    "Tzung-Shi Chen"
  ],
  "publication_date": "2023-09-19",
  "publication_venue": "IEEE Sensors Letters",
  "abstract": "In this letter, a home care assistance system is proposed for elder human activity recognition that combines 2-D LiDAR and deep learning technology. First, the 2-D LiDAR is used to scan the room's interior data, and cluster algorithms are used to identify high-density areas that may be objects. The resulting data are then classified into human and nonhuman clusters. The coordinates of the human clusters are sequentially recorded to generate trajectory graphs. These trajectory graphs possess both spatial and temporal attributes and are processed using spatial–temporal graph convolutional networks to achieve accurate classification of human activities. Furthermore, the system is designed to detect abnormal trajectories that may indicate a fall and can send out a warning signal to notify the caregiver for emergency assistance. With these advanced features, the home care assistance system can improve the safety and well-being of elderly individuals living alone or with limited assistance.",
  "keywords": [
    "Sensor systems",
    "2-D LiDAR",
    "deep learning",
    "home care",
    "human activity recognition",
    "machine learning"
  ],
  "paper_institutions": [
    "Department of Computer Science and Information Engineering, National University of Tainan"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:42.358700Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对老年人居家护理中的人类活动识别（HAR）问题，提出了一种结合2-D LiDAR与深度学习技术的家庭照护辅助系统。由于摄像头在光照不足和隐私泄露方面的局限性，本文选用2-D LiDAR作为传感器，通过扫描室内点云数据，利用DBSCAN聚类算法划分高密度区域，再使用随机森林（RF）将聚类结果分类为人体和非人体。系统记录人体坐标序列生成轨迹图，该轨迹图兼具空间与时间属性，并输入时空图卷积网络（ST-GCN）进行活动分类。实验在一个配备床、书桌、书柜和衣柜的卧室环境中进行，使用Slamtec RPLiDAR A1（扫描半径约12米）采集数据，共设计11种活动（包括5条路径、5个停止位置及跌倒场景），每个活动持续7秒。数据按80%训练、10%验证、10%测试划分，共10800条记录。采用准确率、加权平均精确率、召回率和F1分数作为评价指标，实验结果表明ST-GCN在准确率（96%）和运行时间上均优于TCN和LSTM，加权平均精确率为97%，召回率与F1分数均为96%。系统还具备跌倒异常轨迹检测功能，可向护理人员发出警报。未来可扩展至物联网环境、多个房间甚至湿滑场所，但需注意家具遮挡和距离过远导致的误分类问题。核心机制在于将连续时间帧的人体点云构建为时空图，通过ST-GCN捕捉空间与时间特征，其边连接方式根据相邻帧点云数量进行匹配，并通过权重矩阵和残差结构增强模型表达能力。\n\n### 关键要点\n- 系统采用2-D LiDAR替代摄像头，解决了隐私泄露问题，同时能在不同光照条件下保持准确性和实时性。\n- 预处理流程包括DBSCAN密度聚类，将点云分为不同物体簇，再通过随机森林（RF）基于8个几何特征（长度、宽度、坐标标准差、变化量、平均距离和点数）区分人体与非人体。\n- 使用追踪器选择距上一帧最近的人体对象，避免误判为多人的情况，确保轨迹连续性和稳定性。\n- 构建时空图时，将相邻时间帧的人体点云按数量匹配进行边连接，公式中考虑了不同帧点数不一致的情况，采用上取整映射。\n- ST-GCN模型由图像卷积网络（GCN）和时序卷积网络（TCN）组成，通过残差结构融合空间和时间特征，输出6类活动分类结果。\n- 实验场地为卧室，LiDAR放置在约120厘米高的柜子上，扫描范围12米，采集频率可调，使用Slamtec RPLiDAR A1设备。\n- 共设计11种活动，包括5条不同路径、5个停止位置和跌倒场景，每条轨迹持续7秒（延迟2秒后行走5秒）。\n- 模型比较中，ST-GCN在准确率和执行时间上均优于TCN和LSTM，因为TCN只能捕获时间特征，而GCN能捕获空间特征。\n- 混淆矩阵显示，仅有1条路由1被误判为异常，但异常行为（跌倒）有46次被误判为路由3，原因是远离LiDAR时形状类似跌倒。\n- 系统最终达到96%准确率、97%加权精确率、96%加权召回率和96%加权F1分数，证明其多分类性能优秀。\n- 系统界面提供实时扫描地图、当前坐标、活动识别和状态显示，跌倒时发出警报并通知护理人员，同时具备扩展至物联网和嵌入式设备的能力。"
}