通过使用卷积神经网络在多个生理场景中通过雷达信号进行非接触式人类识别

科学领域:

• 生物识别信息 生物识别信息
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 无接触式识别方法对于安全性和方便性越来越重要.
• 基于雷达的识别是一种使用心脏动态的新,非侵入性技术.
• 在基于雷达的对象识别方面存在有限的研究.

研究的目的:

• 研究使用连续波雷达获取心脏动态的安全主体识别的可行性.
• 在多个生理场景中探索识别.
• 将传统的机器学习与基于雷达识别的深度学习方法进行比较.

主要方法:

• 提出并比较传统的机器学习管道与深度学习方法 (CNN-SVC).
• 使用卷积神经网络 (CNN) 从头图中提取特征.
• 在各种生理场景中评估系统的概括性,评估已知和未知的生理状态的性能.

主要成果:

• 深度学习方法在休息场景中实现了97.70%的准确性,超过了传统的管道.
• 在各种生理场景中,82%的预测达到信心值,在这个子集中准确率为98.6%.
• 证明了基于雷达的识别的高准确性和普遍性.

结论:

• 基于雷达的识别系统可以实现与ECG和PPG等已建立的生物识别技术相提并论的性能.
• 提供无接触,卫生和无识别的优势.
• 雷达心脏信号分析是一种有前途的解决方案,用于在各种条件下安全识别人类.