基于深度学习的人体手势信道建模用于集成感知与通信场景
信号处理
2025-07-10 v1
摘要
随着面向第六代 (6G) 无线系统的集成感知与通信 (ISAC) 的发展，接触式人体识别已成为关键应用场景之一。由于人体手势运动会引起无线多径传播中的细微且随机变化，如何准确建模人体手势信道已成为 ISAC 系统设计和验证的关键问题。为此，本文提出一种针对 ISAC 场景的人体手势信道建模框架，将人体解耦为多个身体部位，从而学习人体手势与其相应多径特性之间的映射。具体而言，采用泊松神经网络预测每个身体部位的多径分量 (MPC) 数量，同时复用条件变分自编码器 (C-VAEs) 生成散射点，这些散射点进一步用于重建连续信道脉冲响应和微多普勒特征。仿真结果表明，所提方法在不同手势和不同主体之间均实现了高精度和良好泛化，为数据增强和手势-based ISAC 系统评估提供了可解释的方法。
引用
@article{arxiv.2507.06588,
title = {Deep Learning-based Human Gesture Channel Modeling for Integrated Sensing and Communication Scenarios},
author = {Zhengyu Zhang and Neeraj Varshney and Jelena Senic and Raied Caromi and Samuel Berweger and Camillo Gentile and Enrico M. Vitucci and Ruisi He and Vittorio Degli-Esposti},
journal= {arXiv preprint arXiv:2507.06588},
year = {2025}
}