雷达信号处理及其对深度学习驱动的人类活动识别的影响
Fahad Ayaz1, Basim Alhumaily1, Sajjad Hussain1
1James Watt School of Engineering, University of Glasgow, Glasgow G12 8QQ, UK.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
雷达技术与卷积神经网络 (CNN) 结合,提高了人类活动识别 (HAR). 带有STFT预处理的MobileNetV2实现了96.30%的准确性,平衡实时应用程序的效率和性能.
科学领域:
- 雷达信号处理 雷达信号处理
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 人类活动识别 (HAR) 对智能安全和医疗保健至关重要.
- 雷达技术为HAR提供了一种保护隐私的替代方案.
- 将先进的信号处理与深度学习相结合是改善HAR的关键.
研究的目的:
- 调查CNN与雷达信号处理的整合,以提高HAR.
- 评估不同的雷达地图生成技术和CNN架构.
- 为了确定实时,资源受限的HAR应用程序的最佳配置.
主要方法:
- 使用了三种2D雷达处理技术:范围-FFT时间范围地图,STFT时间多普勒地图和SPWVD地图.
- 评估了四个CNN架构:VGG-16,VGG-19,ResNet-50和MobileNetV2. 这四个架构都在进行评估.
- 分析了12个CNN和预处理配置,以获得准确性和计算效率.
主要成果:
- 带有STFT预处理的MobileNetV2实现了96.30%的准确性.
- 这种配置表现出高计算效率,推断时间为2.57ms.
- 谱图生成时间为220毫秒,适合实时处理.
结论:
- 雷达生成的地图作为HAR的有效视觉数据,确保隐私.
- 该研究强调了预处理复杂性和识别精度之间的权衡.
- 最佳的配置,如STFT的MobileNetV2,使得基于雷达的HAR在边缘计算和AR中得到更广泛的应用.


