E-BDL:用于增强雷达传感的增强带依赖学习框架

科学领域:

• 雷达传感技术是指雷达传感技术.
• 深度学习在医疗保健中的应用.
• 用于生理监测的信号处理.

背景情况:

• 雷达传感器提供非侵入性的动力和生理运动捕捉,保护隐私.
• 深度学习 (DL) 增强了用于步态识别和生命体征测量的雷达传感.
• 时间频率表示 (TFR) 中的带依赖模式通过潜在地掩盖低功耗,频率特定特征来挑战DL模型.

研究的目的:

• 提出一个增强频段依赖学习 (E-BDL) 框架,以应对使用DL的雷达传感方面的挑战.
• 改进在子频段内依赖频段的特征的检测和利用,以加强分类.
• 提高基于DL的雷达传感模型在医疗保健应用中的性能和可解释性.

主要方法:

• 开发了一个E-BDL框架,具有自适应子频段过,表示学习和子视图对比模块.
• 利用TFR来分析雷达信号中的波段依赖特征.
• 验证了有关阿尔茨海默病 (AD) 和ADRD风险评估和血液动力学场景分类数据集的框架.

主要成果:

• 与最近的方法相比,E-BDL-ResNet在血液动力学场景分类方面表现出了竞争力.
• 在所有候选模型中,E-BDL-ResNet在ADRD风险评估方面取得了卓越的表现.
• 该框架有效地识别了TFR中突出的子频段,改善了DL模型的性能和可解释性.

结论:

• E-BDL框架通过检测TFR中的关键子频段来增强表示学习.
• E-BDL显示出作为一种临床工具的显著潜力,用于识别行走异常和生命体征监测.
• 拟议的方法提高了医疗保健雷达传感中的深度学习模型的性能和可解释性.