Détection des mouvements humains par classification des signaux micro-Doppler en utilisant la technique LSTM

Abstract

ي تعتمد .الحديثة الذكية واألنظمة ،الذكية المراقبة ،الصحية الرعاية ،األمن مجاالت في المتعددة لتطبيقاته من تعاني قد الوسائل هذه أن إال ،لالرتداء القابلة الحساسات أو الكاميرات على التقليدية األنظمة من العديد الضروري من أصبح ،لذلك .المعقدة البيئات في األداء ضعف أو بالخصوصية المتعلقة القيود بعض إلى العمل هذا يهدف. االصطناعي الذكاء وتقنيات اإلشارات معالجة على تعتمد فعالية أكثر حلول تطوير ا النشاط إشارات من ا ً شخص عن صادرة كانت سواء ،لحركي انطالق البشرية الحركات وتصنيف دراسة تسمح ترددية-زمنية تمثيالت إلى اإلشارات تحويل على الدراسة تعتمد .األشخاص من مجموعة أو واحد .للتحليل وقابل واضح بشكل حركة لكل المميزة الخصائص بإظهار و Spectrogramme : في والمتمثلة ،ترددي-الزمن للتحليل طرق عدة استخدام تم ،السياق هذا في على تحتوي طيفية صور إلى اإلشارات بتحويل الطرق هذه تسمح حيث ، SSTو EMBD وPCBD معالجة لمرحلة البيانات خضعت ،ذلك بعد .المختلفة الحركات بين التمييز في تساعد مهمة معلومات (Data البيانات زيادة تقنيات تطبيق إلى باإلضافة ،وتحسينها الصور تحجيم إعادة تضمنت مسبقة م Augmentation) ّ التصنيف عملية أجل من. التعل فرط مشكلة وتقليل البيانات قاعدة جودة تحسين بهدف InceptionV3 وهما ،) CNN)االلتفافية العصبية الشبكات من نموذجين على االعتماد تم. العميقة الخصائص الستخراج) Transfer Learning) بالنقل التعلم إطار في وذلك ،ResNet101V2و لالستفادة) LSTM) المدى وقصيرة طويلة الذاكرة شبكة مع نموذج كل دمج تم كما .الطيفية الصور من ..التصنيف أداء وتحسين المستخرجة الخصائص بين الزمنية العالقات تحليل على قدرتها من بدقة وتصنيفها البشرية الحركات على التعرف في المقترحة النماذج فعالية التجريبية النتائج أظهرت في كبير بشكل يساهم الحديثة العميق التعلم وتقنيات ترددي-الزمن التحليل بين الدمج أن يؤكد مما ،مرتفعة .البشري النشاط على التعرف أنظمة أداء تحسين التعلم ،ترددي-الزمن التحليل ،دوبلر-الميكرو إشارات ،البشرية الحركات تصنيف :المفتاحية الكلمات .)LSTM( المدى طويلة الذاكرة نموذج ،(CNN( التالفيفية العصبية الشبكة نموذج ،العميق Résumé La reconnaissance de l’activité humaine est devenue un domaine de recherche très important ces dernières années en raison de ses nombreuses applications dans les domaines de la sécurité, de la santé, de la surveillance intelligente et des systèmes modernes. Les systèmes traditionnels reposent généralement sur des caméras ou des capteurs portables, mais ces solutions présentent certaines limites liées à la confidentialité et à la diminution des performances dans des environnements complexes. Ainsi, il est devenu nécessaire de développer des solutions plus efficaces basées sur le traitement du signal et les techniques d’intelligence artificielle. Ce travail vise à étudier et classifier les mouvements humains à partir des signaux d’activité, qu’ils proviennent d’une seule personne ou d’un groupe de personnes. L’étude repose sur la transformation des signaux en représentations tempsfréquence permettant de mettre en évidence les caractéristiques distinctives de chaque mouvement de manière claire et exploitable. Dans ce contexte, plusieurs méthodes d’analyse temps-fréquence ont été utilisées notamment : Spectrogramme, PCBD, EMBD et SST. Ces méthodes permettent de transformer les signaux en images spectrales contenant des informations importantes facilitant la distinction entre les différents mouvements. Ensuite, les données ont subi une phase de prétraitement comprenant le redimensionnement et l’amélioration des images, ainsi que l’application des techniques de Data Augmentation afin d’améliorer la qualité de la base de données et de réduire le problème du Surapprentissage. Pour la phase de classification, des techniques d’apprentissage profond (deep learning) ont été utilisées, en particulier un type de réseaux de neurones convolutifs (CNN), InceptionV3 et ResNet101V2, ont été exploitées dans le cadre du transfert d’apprentissage pour l’extraction automatique des caractéristiques profondes à partir des représentations temps-fréquence. Par la suite, ces modèles ont été combinés avec un réseau LSTM afin de prendre en compte les dépendances temporelles entre les caractéristiques extraites et d’améliorer les performances de classification. Les résultats expérimentaux obtenus ont montré l’efficacité des Modèles proposés dans la reconnaissance et la classification des mouvements humains avec une grande précision, ce qui confirme que la combinaison de l’analyse temps-fréquence et des techniques modernes d’apprentissage profond contribue considérablement à l’amélioration des systèmes de reconnaissance de l’activité humaine. Mots-clés: Classification des mouvements humains, signaux micro-Doppler, Analyse tempsfréquence, apprentissage profond, réseaux de neurones convolutifs, Modèle CNN, Modèle LSTM. Abstract Human Activity Recognition (HAR) has become an important research field in recent years due to its numerous applications in security, healthcare, intelligent surveillance, and modern smart systems. Traditional systems generally rely on cameras or wearable sensors; however, these solutions suffer from several limitations related to privacy issues and reduced performance in complex environments. Therefore, developing more efficient solutions based on signal processing and artificial intelligence techniques has become necessary. This work aims to study and classify human movements using activity signals generated either by a single person or by a group of people. The study is based on transforming the signals into time-frequency representations that highlight the distinctive characteristics of each movement in a clear and exploitable manner. In this context, several time-frequency analysis methods were used, namely: Spectrogram, PCBD, EMBD, and SST. These methods transform the signals into spectral images containing important information that facilitates the discrimination between different movements. Afterwards, the data underwent a preprocessing stage including image resizing and enhancement, in addition to the application of Data Augmentation techniques to improve the quality of the dataset and reduce the Overfitting problem. For the classification phase, two Convolutional Neural Network (CNN) architectures, InceptionV3 and ResNet101V2, were employed using a transfer learning approach to automatically extract deep features from the time–frequency representations. Subsequently, these models were combined with a Long Short-Term Memory (LSTM) network to capture temporal dependencies among the extracted features and enhance classification performance. The experimental results demonstrated the effectiveness of the Proposed Models in recognizing and classifying human movements with high accuracy, confirming that the combination of time-frequency analysis and modern deep learning techniques significantly enhances Human Activity Recognition systems. Keywords: Human movement classification, micro-Doppler signals, time-frequency analysis, deep learning, convolutional neural networks, CNN model, LSTM model.