밀리미터파 레이더 기반 비접촉식 낙상 감지를 위한 스태킹 앙상블 학습 기법 연구
Contactless Fall Detection Using mmWave Radar with Stacking-Based Ensemble Learning
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
고령화 사회로의 진입과 함께 노인 낙상 사고에 대한 사회적 관심이 증가하고 있으며, 이를 조기에 감지하기 위한 다양한 기술적 접근이 연구되고 있다. 기존 영상 기반 낙상 감지 시스템은 프라이버시 침해 우려와 환경 변화에 대한 취약성이 있으며, 웨어러블 센서 기반 방식은 사용자의 착용 부담이라는 한계를 가진다. 본 논문에서는 이러한 문제를 해결하기 위해 밀리미터파(mmWave) 레이더를 활용한 비접촉식 낙상 감지 기법을 제안한다. 실내 환경에서 수집된 레이더 데이터를 기반으로 전통적인 머신러닝 모델과 딥러닝 모델을 결합한 스태킹(Stacking) 기반 앙상블 학습 구조를 설계하였다. 제안한 모델은 여러 기본 분류기의 예측 결과를 메타 분류기를 통해 통합함으로써 단일 모델 대비 향상된 낙상 감지 성능과 강인성을 확보한다. 실험 결과, 제안한 앙상블 모델은 정확도, 정밀도, 재현율 및 F1-score 측면에서 기존 단일 분류 모델보다 우수한 성능을 보였다. 본 연구는 레이더 기반 센싱과 앙상블 학습의 결합이 프라이버시 보호가 요구되는 실내 환경에서 효과적인 낙상 감지 방법이 될 수 있음을 보여준다.
Abstract
With the transition to an aging society, increasing attention has been directed toward early detection of falls among elderly individuals. Vision-based fall detection systems suffer from privacy concerns and environmental sensitivity, while wearable sensor-based approaches impose a user burden. To address these limitations, this paper proposes a contactless fall detection method using millimeter-wave (mmWave) radar. Radar data collected in an indoor environment are used to design a stacking-based ensemble learning framework that combines traditional machine learning and deep learning models. The proposed method integrates predictions from multiple base classifiers through a meta-classifier to improve detection performance and robustness. Experimental results using real-world radar data demonstrate that the proposed ensemble model outperforms conventional single classifiers across accuracy, precision, recall, and F1-score. These findings indicate that radar-based sensing, combined with ensemble learning, provides a practical, privacy-preserving solution for indoor fall detection.