radarODE-MTL：基于离心梯度对齐的鲁棒雷达基 ECG 重建的多任务学习框架
信号处理
2025-05-07 v2 人工智能
摘要
毫米波雷达有望以无扰方式提供稳健且准确的生命体征监测。然而，雷达信号在传播过程中可能因环境噪声或随机身体运动而受到失真，从而破坏细微的心脏活动，导致生命体征恢复失败。特别地，电生理图（ECG）信号的恢复高度依赖于深度学习模型，对噪声敏感。因此，本工作创造性地将雷达基 ECG 重建分解为三个独立任务，提出一种多任务学习（MTL）框架radarODE-MTL，以提高对持续性和突发性噪声的鲁棒性。此外，为缓解优化各个任务之间潜在冲突，本文提出一种新型多任务优化策略——离心梯度对齐（Eccentric Gradient Alignment, EGA），以基于任务难度在正交空间中动态修剪任务特定梯度。评估表明，结合EGA的radarODE-MTL在公开数据集上实现准确率显著提升，且在噪声环境下性能保持稳定。实验结果表明，radarODE-MTL能够从雷达信号中稳健地重建准确的ECG信号，为实际应用指明了前景。代码已公开：https://github.com/ZYY0844/radarODE-MTL。
关键词
引用
@article{arxiv.2410.08656,
title = {radarODE-MTL: A Multi-Task Learning Framework with Eccentric Gradient Alignment for Robust Radar-Based ECG Reconstruction},
author = {Yuanyuan Zhang and Rui Yang and Yutao Yue and Eng Gee Lim},
journal= {arXiv preprint arXiv:2410.08656},
year = {2025}
}