基于回声状态网络的动作雷达信号手势识别

手势识别(HGR)是人机交互(HCI)中的基础技术。特别是基于动作雷达信号的 HGR 适用于车内界面和机器人系统， necessitating lightweight and computationally efficient recognition techniques。然而，传统的深度学习方法仍因高计算成本而受限。为此，我们提出了一种基于回声状态网络(ESN)的方法，用于雷达信号的 HGR，采用频率调制连续波(FMCW)雷达信号。首先将原始雷达数据转换为特征图，如距离-时间和动作-时间图，然后输入一个或多个基于循环神经网络的储备网络。获得的储备状态由读出分类器处理，包括岭回归、支持向量机和随机森林。比较实验表明，我们的方法在使用 Soli 数据集完成 11 类 HGR 任务时优于现有方法，并在使用 Dop-NET 数据集完成 4 类 HGR 任务时超越现有深度学习模型。结果表明，使用多储备 ESN 并行处理对识别时空和时频域中来自多个不同特征图的时序模式非常有效。我们的 ESN 方法在 HGR 中实现高识别性能且计算成本低，显示出在资源受限环境中为更高级的 HCI 技术提供了巨大的潜力。