[论文解读] Personal Identification Using Ultrawideband Radar Measurement of Walking and Sitting Motions and a Convolutional Neural Network

Takuya Sakamoto|arXiv (Cornell University)|Jan 1, 2020

Non-Invasive Vital Sign Monitoring参考文献 35被引用 3

一句话总结

本文提出了一种基于雷达的个人身份识别系统，利用超宽带（UWB）信号捕获行走和静坐动作引起的微多普勒特征。通过在这些雷达回波的语谱图图像上训练两层卷积神经网络（CNN），在六名参与者的实验评估中实现了高识别准确率。

ABSTRACT

This study proposes a personal identification technique that applies machine learning with a two-layered convolutional neural network to spectrogram images obtained from radar echoes of a target person in motion. The walking and sitting motions of six participants were measured using an ultrawideband radar system. Time-frequency analysis was applied to the radar signal to generate spectrogram images containing the micro-Doppler components associated with limb movements. A convolutional neural network was trained using the spectrogram images with personal labels to achieve radar-based personal identification. The personal identification accuracies were evaluated experimentally to demonstrate the effectiveness of the proposed technique.

研究动机与目标

• 开发一种非侵入式个人身份识别方法，利用UWB雷达捕获运动引起的微多普勒特征。
• 解决在无需视线或生物特征传感器的情况下，基于雷达信号中细微运动模式区分个体的挑战。
• 评估基于语谱图的深度学习在从行走和静坐动作的雷达回波中识别个体的有效性。
• 证明使用两层CNN对雷达衍生的语谱图图像进行分类并附带个人标签的可行性。

提出的方法

• 使用超宽带雷达采集六名参与者在行走和静坐动作期间的回波信号。
• 对雷达信号应用时频分析，生成突出肢体运动引起的微多普勒分量的语谱图图像。
• 将语谱图图像作为输入，输入到两层卷积神经网络（CNN）中，实现端到端的特征学习与分类。
• 使用个人标签训练CNN，以学习语谱图中用于个体识别的判别性模式。
• 雷达系统捕获了动态运动特征，包括肢体振荡引起的周期性多普勒频移，这些特征在语谱图中得以保留。
• 通过跨参与者的测试对采集的雷达数据进行实验验证，以评估识别准确率。

实验结果

研究问题

• RQ1 能否有效利用超宽带雷达捕获行走和静坐动作的微多普勒特征，以实现个人身份识别？
• RQ2 卷积神经网络在多大程度上能够基于从雷达回波中提取的语谱图图像对个体进行分类？
• RQ3 在基于雷达的生物特征识别系统中，行走和静坐动作的识别准确率有何差异？
• RQ4 仅使用雷达信号的语谱图表示，而不进行额外信号预处理，两层CNN能否实现高识别性能？

主要发现

• 所提出的方法利用UWB雷达信号的语谱图图像，对行走和静坐动作实现了高个人识别准确率。
• 两层CNN有效学习了语谱图中的判别性特征，实现了对个体的可靠分类。
• 与肢体运动相关的微多普勒分量在语谱图中清晰可见，并对个体区分起到了贡献作用。
• 实验结果证明了基于雷达生物特征识别的可行性，无需直接接触或视线约束。
• 识别性能在行走和静坐两种动作类型间保持一致，表明对动作模式变化具有鲁棒性。
• 本研究证实，基于语谱图的深度学习是利用UWB信号进行雷达生物特征识别的可行方法。