基于UWB雷达的心率监测：迁移学习方法
信号处理
2025-07-22 v1 人工智能
机器学习
摘要
雷达技术在通过手机等消费电子产品进行连续、无接触、被动式心率监测方面具有未开发的潜力。然而，可用的雷达系统种类繁多且缺乏标准化，这意味着每个雷达系统都需要收集大量新的配对数据集。本研究展示了调频连续波（FMCW）雷达与脉冲超宽带（IR-UWB）雷达系统之间的迁移学习，这两种雷达系统正越来越多地集成到消费设备中。FMCW雷达利用连续线性调频信号，而IR-UWB雷达采用短脉冲。我们的毫米波FMCW雷达工作在60 GHz频段，带宽为5.5 GHz（分辨率2.7 cm，3个接收天线），IR-UWB雷达工作在8 GHz，带宽为500 MHz（分辨率30 cm，2个接收天线）。采用一种新型的2D+1D ResNet架构，我们在FMCW雷达心率监测中实现了平均绝对误差（MAE）为0.85 bpm，平均绝对百分比误差（MAPE）为1.42%（N=119名参与者，每人平均8小时）。该模型在各种身体姿态和心率范围内保持了性能（MAE低于5，MAPE低于10%），召回率达到98.9%。随后，我们使用一个小规模IR-UWB数据集（N=376，每人平均6分钟）对在单天线和单距离单元FMCW数据上训练的模型变体进行了微调。这种迁移学习方法得到了MAE为4.1 bpm、MAPE为6.3%（召回率97.5%）的模型，相比IR-UWB基线实现了25%的MAE降低。这一雷达系统间心率监测迁移学习的演示，有望加速其在现有消费设备中的引入。
引用
@article{arxiv.2507.14195,
title = {UWB Radar-based Heart Rate Monitoring: A Transfer Learning Approach},
author = {Elzbieta Gruzewska and Pooja Rao and Sebastien Baur and Matthew Baugh and Mathias M. J. Bellaiche and Sharanya Srinivas and Octavio Ponce and Matthew Thompson and Pramod Rudrapatna and Michael A. Sanchez and Lawrence Z. Cai and Timothy JA Chico and Robert F. Storey and Emily Maz and Umesh Telang and Shravya Shetty and Mayank Daswani},
journal= {arXiv preprint arXiv:2507.14195},
year = {2025}
}
备注
31 pages, 11 tables, 9 figures, 14 supplementary tables, 4 supplementary figures