Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study
作者: Ali Samimi Fard, Mohammadreza Mashhadigholamali, Samaneh Zolfaghari, Hajar Abedi, Mainak Chakraborty, Luigi Borzì, Masoud Daneshtalab, George Shaker
发布时间: 2025-03-10
来源: arxiv
研究方向: 人机交互，智能家居，医疗健康
主要内容
本研究提出了一种基于频率调制连续波雷达（FMCW）的人体活动识别框架，利用60 GHz雷达和多维特征图。该框架通过将多维特征图（范围-多普勒、范围-方位和范围-仰角）作为数据向量直接输入到机器学习和深度学习模型中，保留了数据的时空结构。研究通过一个包含七个活动类别的数据集进行验证，并使用两种不同的验证方法。
主要贡献
1. 收集了一个在现实环境中使用低分辨率60 GHz毫米波FMCW雷达收集的数据集，涵盖了复杂且较少研究的活动。
2. 将范围-多普勒、范围-方位和范围-仰角特征图结构化，以全面捕捉运动模式和空间关系，将它们作为3D数据向量处理。
3. 证明了使用来自仅三个受试者的数据训练适当的深度学习模型，足以在一系列人体活动中实现可靠和可推广的结果。
4. 使用两种不同的交叉验证方法在各种机器学习和深度学习模型上验证了所提出方法的表现。
研究方法
1. 使用BGT60TR13C FMCW雷达系统进行数据收集。
2. 数据预处理包括黑曼-哈里斯窗口、范围-FFT图、移动目标指示器（MTI）、范围-多普勒图和卡蓬算法。
3. 使用支持向量机（SVM）、多层感知器（MLP）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和卷积长短期记忆网络（ConvLSTM）进行活动识别。
4. 采用交叉场景验证（CSV）和留一法交叉验证（LOPO-CV）进行模型验证。
实验结果
ConvLSTM模型在CSV和LOPO-CV中都优于其他模型，在CSV上达到了90.51%的准确率和87.31%的F1分数，在LOPO-CV上达到了89.56%的准确率和87.15%的F1分数。这表明ConvLSTM能够有效地捕捉空间和时间依赖关系，从而在识别类似活动中表现出色。
未来工作
未来研究应关注解决数据集多样性有限和活动范围受限等局限性。此外，还应计算这些模型的计算成本，这对于大规模实施、实时应用和在边缘设备上部署至关重要。