Human activity classification via trainable fractional Fourier transform

Mikro-Doppler karakteristiklerine dayalı insan aktivitesi sınıflandırması, mikro-Doppler kavramının güvenlik gözetimi, sağlık izleme/teşhisi ve yürüme analizi gibi çeşitli alanlarda kullanılmaya başlanmasından bu yana ilgi çekici bir araştırma alanı haline gelmiştir. Mikro-Doppler imzalarının radar algılaması yoluyla elde edilmesi ve ardından insanlara veya diğer hedeflere ait zaman-frekans analizlerinin gerçekleştirilmesi, hareket dinamiklerinin hassas ve güvenilir bir şekilde karakterize edilmesini sağlamakta ve bu sayede karmaşık ya da düşük çözünürlüklü ortamlarda dahi sağlam bir sınıflandırma yapılmasına olanak tanımaktadır. Geleneksel görsel tabanlı veya giyilebilir algılayıcılara kıyasla, radar sistemleri yalnızca hareket bilgisi toplaması ve kimlik belirleyici görsel özellikleri içermemesi nedeniyle gizlilik açısından daha avantajlı bulunmakta ve bu nedenle sıklıkla tercih edilmektedir. Radar verisine gömülü anlamlı mikro-Doppler imzalarını ortaya çıkarmak amacıyla, literatürde çeşitli zaman-frekans analiz yöntemleri kullanılmıştır. Bu yöntemler arasında özellikle Kısa Süreli Fourier Dönüşümü (STFT), sade yapısı ve hesaplama verimliliği nedeniyle yaygın olarak tercih edilmektedir. Bununla birlikte, klasik Fourier dönüşümüne dayalı yaklaşımlar, zaman ve frekans alanları arasında sonsuz sayıda ara gösterimi mümkün kılan Kesirli Fourier Dönüşümü (FrFT) ile genişletilebilir. FrFT'nin sunduğu bu ara alanlarda çalışabilme yetisi sayesinde, mikro-Doppler imzalarının daha ayırt edici ve bilgilendirici temsilleri elde edilebilmektedir. Sabit zaman-frekans çözünürlüğüne bağlı geleneksel yaklaşımların kısıtlarından yola çıkarak, bu tez, Kesirli Fourier Dönüşümüne dayalı yeni bir derin öğrenme tabanlı insan aktivitesi sınıflandırma yöntemi önermektedir. FrFT temsillerinin yalnızca tek bir dönüşüm mertebesiyle ve ampirik aramalarla kullanılması yerine, öğrenilebilir FrFT blokları farklı derin öğrenme mimarilerine entegre edilmiştir. Bu mimarilerde zaman-frekans özelliklerini temsil eden spektrogramlar, öğrenme sürecinin bir parçası olarak dinamik biçimde üretilmekte ve dönüşüm mertebeleri ağ tarafından optimize edilmektedir. Önerilen yaklaşım, farklı radar yapılandırmalarıyla toplanmış hem simülasyon hem de gerçek dünya verilerini içeren çeşitli radar tabanlı veri kümeleri üzerinde değerlendirilmiştir. Tek dallı CNN, LSTM ve GRU mimarilerinin yanı sıra, farklı FrFT temsillerinin eşzamanlı kullanıldığı çok dallı (multi-branch) yapılar ve çok girişli Siamese tabanlı modellerle kapsamlı deneyler gerçekleştirilmiştir. Önerilen yöntem, klasik Fourier dönüşümüne dayalı yaklaşımlarla detaylı olarak karşılaştırılmış ve FrFT temsillerinin modeller ve veri kümeleri üzerindeki davranışları analiz edilmiştir. Bildiğimiz kadarıyla, bu çalışma mikro-Doppler imzalarına dayalı insan aktivitesi sınıflandırma problemini öğrenilebilir Kesirli Fourier Dönüşümüyle birleştiren ilk çalışmadır. Deneysel sonuçlar, önerilen yaklaşımın geleneksel Fourier tabanlı yöntemleri tutarlı şekilde geride bıraktığını göstermektedir. Ayrıca, farklı FrFT mertebeleriyle elde edilen çoklu zaman-frekans temsillerinin eşzamanlı kullanımı da literatürde ilk kez önerilmekte olup, performans açısından kayda değer iyileşmeler sağlamaktadır. Bu çalışmanın bulgularının, radar tabanlı algılama sistemlerinde uyarlanabilir zaman-frekans analizine yönelik gelecekteki araştırmalara yol göstereceğine inanılmaktadır.