多任务学习雷达变压器 (MLRT):基于IR-UWB雷达的个人识别和落检测网络.

科学领域:

• 智能医疗技术是医疗保健中的智能技术.
• 雷达传感应用的应用.
• 生物识别的深度学习

背景情况:

• 基于雷达的个人识别和跌倒检测对于智能医疗保健至关重要.
• 现有的变压器网络在多任务雷达信号分析方面扎.
• 深度学习提高了非接触式雷达传感性能.

研究的目的:

• 建议多任务学习雷达变压器 (MLRT) 用于使用IR-UWB雷达进行集成的个人识别和摔倒检测.
• 利用多任务学习来改善从雷达时间序列信号中提取特征.
• 为了提高对识别和故障检测任务的歧视性能.

主要方法:

• 利用变压器注意力机制从雷达时间序列信号中自动提取特征.
• 应用多任务学习,利用识别和跌倒检测之间的相关性.
• 实施信号处理技术 (直流去除,带宽过,杂乱抑制,卡尔曼过) 以减轻噪声和干扰.

主要成果:

• 对于MLRT网络,准确度提高了:个人识别为8.5%,摔倒检测为3.6%.
• 在一个新生成的室内雷达信号数据集上对11个个体的性能进行了评估.
• 结果显示,与最先进的算法相比,性能优越.

结论:

• 对于基于多任务雷达的应用,MLRT模型有效地提取时间特征.
• 多任务学习显著提高了个人识别和跌倒检测的准确性.
• 拟议的MLRT和数据集是公开的,这有助于进一步研究医疗保健中的雷达传感.