人员识别与身体质量指数：基于微多普勒的深度学习研究

实现智能监控需要一种能够捕捉人体行走姿态准确且详细信息的传感系统。雷达微多普勒（$\boldsymbol{\mu}$-D）分析被证明是研究人体运动的可靠度量。因此，$\boldsymbol{\mu}$-D 特征可用于基于行走姿态识别人员。此外，这些特征包含关于运动目标雷达截面（RCS）的信息。本文研究了人体身体特征对其基于 $\boldsymbol{\mu}$-D 特征识别的影响。在我们提出的实验设置中，使用跑步机采集 22 名不同性别与身体特征受试者的 $\boldsymbol{\mu}$-D 特征。随后使用卷积自编码器（CAE）从 $\boldsymbol{\mu}$-D 特征中提取隐空间表示，并利用 t 分布随机邻域嵌入（t-SNE）在二维中予以解释。我们的研究表明身体质量指数（BMI）与行走受试者的 $\boldsymbol{\mu}$-D 特征相关。接着训练一个 50 层深度残差网络，基于 $\boldsymbol{\mu}$-D 特征识别行走受试者。我们在高信噪比（SNR）的测试集上达到 98% 的准确率，在不同 SNR 水平下为 84%。