第二周文献阅读报告

泛读

1.《Deep Learning of Micro-Doppler Features for Aided》

• 研究问题:这篇文章使用深度自编码神经网络自动提取微多普勒效应的特征。
• 文章总述:人工指定数据的特征很有可能会丢失数据真正的特征，为之后的数据处理过程增加很多误差，本文通过三层无监督自编码神经网络训练原始波形数据，自动提取特征并分类。
• 文章总结:本来想精度这篇文章，但是在阅读过程中发现这篇文章只是描述了实验的想法，对实验结果进行了分析，如何采集的数据，如何模拟到几千万个数据供深度学习模型训练，详细的深度学习模型设计都没有提及，这篇文章是投在IEEE上的文章，不知道为什么这么简洁（使用了美国军用雷达，可能涉密），文中有两点重要点：一个是，使用的雷达带宽为20G扫描带宽，硬件上保证了数据的精确度，夸张的宣称可以识别12个动作，当然军用雷达的带宽就很夸张，实验结果可以实现89%的准确率；另一个是，未对人体进行建模，直接用深度学习模型训练原始的雷达频率时间图，简单粗暴。
• 思维导图：百度脑图链接.

2.《基于局部极大值的ＦＭＣＷ 雷达目标检测方法》

• 研究问题:检测车流量、占有率和平均车速等交通信息，完善交通信息自动采集系统。
• 文章总述:文章中的重点是基于局部极大值的雷达目标检测方法，建立一个检测窗口，根据回波在淋雨的某个窗口范围内是否为最大值，进而判定是否为目标点，对每个扫描周期根据窗口监测的计算得到的不同距离点上的回波，采用从上到下的滑窗处理方式，判断回波点是否属于局部极大值。
• 文章总结:通过本文使用基于局部极大值的雷达目标检测方法识别目标车辆，联想到是否可以在跌倒识别中也取最近点或者最远点，这样的数据波动会大一点，比较好分辨。
• 思维导图：百度脑图链接.

3.《基于 FMCW 雷达的双流融合神经网络手势识别方法》

• 研究问题:针对传统光学摄像头受环境影响大，有识别盲点等问题，本文使用基于调频连续波雷达信号的双流融合神经网络进行手势识别。
• 文章总述:首先，利用二维快速傅立叶变换( Fast Fourier Transform，FFT) 求取中频信号的频谱) 获取雷达发射天线和接收天线的混频信号，并求取手势的距离和速度，再根据多重信号分类算法( Multiple Signal Classification，MUSIC)计算手势的角度，将距离和速度映射到同一幅图中，即距离-速度图，并通过信号的时间顺序将距离-速度图和角度图生成序列，形成三维距离-速度时间图和二维角度时间图，利用这三维参数在时间上的累积，将一个手势动作映射为 32 帧距离-速度矩阵图和角度时间图．段搭建 TS-FNN。设计卷积神经网络分别对距离-速度时间图和角度时间图进行特征提取，得到两个能够独立表示手势的特征向量。 再将特征向量进行并联融合，并利用 LSTM 进行时序特征提取后，采用归一化指数函数对提取到的手势特征进行分类． 第三阶段为训练和测试阶段。本文将实测数据分为训练集和验证集，使用训练集训练 TS-FNN 网络，再利用验证集进行测试，统计手势识别结果。
• 文章总结:本文使用的双流融合神经网络做数据的特征提取，最后使用LSTM网络分类，这种组合模式是近几年最新对雷达数据的处理方式。
• 思维导图：百度脑图链接.

4.《FMCW 雷达对手势目标的检测和分类算法研究》

• 研究问题: 使用FMCW 雷达的回波，通过对回波特征参数提取，最后使用多分支卷积神经网络识别。
• 文章总述:通过分析手势动作对时域信号幅值的扰动特性，提取包含手势的感兴趣数据段。然后研究了手势参数的提取，对传统参数估计方法做出改进后得到距离谱、多普勒谱和角度谱。然后，基于雷达信号处理得到的距离-多普勒图，利用改进的帧差法进行噪声去除。基于恒虚警检测原理在距离-多普勒图中进行目标检测，并利用手势目标运动特性对干扰目标进行抑制；然后，通过将距离谱、多普勒谱和角度谱与时间信息耦合，构建得到距离-时间图、多普勒-时间图和角度-时间图，通过参数-时间图的方式挖掘手势动作的时序信息，并为卷积神经网络构建三个通道的数据集。多分支的结构使得模型能够同时提取同一手势的距离-时间图、多普勒-时间图和角度-时间图的特征。通过全连接层对三种特征进行早融合，使得网络结构具有端到端（无需分步训练）的特性。通过采集大量手势数据，并将处理后三种图像数据送入多分支卷积神经网络进行训练和测试。
• 文章总结:文中的帧差法，为处理安静状态下的背景噪音提供了新的思路。
• 思维导图：百度脑图链接.

5.《基于FMCW雷达的多维参数手势识别算法》

• 研究问题: 使用FMCW 雷达的回波，结合手势动作的距离、多普勒和角度信息进行多维参数学习，使用多维参数的卷积神经网络手势识别。

• 文章总述:文的创新点可归基于雷达信号处理和分析，构造出距离时间图(Range-Time-Map, RTM)、多普勒-时间图(Dop，将同一手势动作的种数据同步并构建手势动作多维参数数据集，拓展了描述手势动作的信息维度，解决了输入数据单一而导致的信息量不足的问题。针对RTM, DTM和ATM 3种数据类型构建的多维参数数据集，本文设计了RDA-TRange-Doppler-Angle of Time多维参数卷积神经网络，克服了传统卷积神经网络结构中输入数据维度拓展困难的问题。

• 文章总结:文中多种融合数据对于原信息得还原度更好，然后，针对多维参数数据集，设计能够同时学习手势动作距离、多普勒和角度信息的RDA-T网络；最后，实验表明本文所提RDA-T网络相比于单参数手势识别方法的准确率提高了5%～8%，并通过对网络结构的改进提高了网络模型的计算效，从而验证了提出的RDA-T网络的有效性和可靠性。

• 思维导图：百度脑图链接.

6.《FMCW毫米波雷达目标特征提取及分类研究》

• 研究问题: 文中研究了一种波达方向（DOA）高精度测角算法，研究了一种基于多普勒扩展目标的毫米波雷达检测算法，研究了三种微多普勒特征提取算法，建立行人运动的模型。

• 文章总述:首先详细解释了调频连续波雷达测角度的原理，雷达对目标的角度测量（Direction of Arrival，DOA）算法，主要可以分为相位法和振幅法两大类；接着，提出一种高精度DOA估计方法，应用此方法对横向运动的目标进行高精度高分辨的 DOA 估计，提出了仅针对多普勒扩展目标多普勒扩展目标检测方法，该方法基于 OS-CFAR。最后介绍了行人运动模型的回波模型，该模型是典型的非刚体运动模型。模型详细分析了行人在运动过程中的各部分微动特征，便于后续微多普勒特征提取的仿真验证。然后研究三种提取微多普勒特征的方法，分析各自参数组成与选取，研究三种方法的特性，并针对行人运动模型，进行仿真提取，分析得到的时频图。

• 文章总结:文中将人体模型建模为树形模型，人体的运动模型是人体各部分相对于躯干部分的微动模型，该模型是典型的非刚体运动模型。模型详细分析了行人在运动过程中的各部分微动特征。模型建立是最近看到的论文中最复杂的，但是以目前论文理论积累来看，雷达得不到这么详细的微动数据。

• 思维导图：百度脑图链接.

7.《复杂背景下的恒虚警检测方法研究》

• 研究问题: 文中本文重点研究了复杂背景下的恒虚警率检测算法，并提出了一种能够自适应地选择与当前杂波环境匹配的恒虚警率检测算法的方法。

• 文章总述:本文重点研究了线性杂波图和对数杂波图，通过计算机仿真比较了上述两种杂波图检测方法的检测性能。此外，本文还利用实测数据分析比较了两种杂波图方法对背景功率的估计性能以及进行目标检测时的优缺点。最后，本文根据对数杂波图和均值类恒虚警率算法的特点，提出了一种基于对数杂波图的自适应恒虚警率检测算法。该方法首先对待检测区域建立对数杂波图，然后根据杂波图来判断检测单元所处的杂波环境，即均匀背景、杂波边缘强杂波区还是杂波边缘弱杂波区，最后根据检测单元所处的杂波环境来自适应选择与当前杂波环境匹配的恒虚警率检测算法。仿真和实测数据处理结果表明该方法可以有效地减少杂波边缘的虚警和漏警，在复杂杂波背景环境中能够提高雷达系统的检测性能。

• 文章总结:文中提出的这种适用于复杂背景的自适应 CFAR 方法，该方法对待检测区域建立对数杂波图，并更新迭代至收敛。并证明了该方法在复杂的背景环境下可以保持良好的检测性能。但是由于该方法针对的是复杂的杂波环境，可以尽量较小复杂的杂波环境对目标检测带来的影响，并没有考虑到多目标的情况。

• 思维导图：百度脑图链接.

8.《基于卡尔曼滤波的跌倒行为检测理论方法研究》

• 研究问题: 随着老人年龄的增大，人体各项生理机能退化严重，很容易发生跌倒等意外事故，为了尽可能的提高老年人跌到检测的准确性和实时性，提出了一种基于卡尔曼滤波的跌倒检测方法。

• 文章总述:本文首先利用 kinect v2 摄像头获取视频序列图像，然后采用自适应背景模型的策略，利用背景差分法提取目标前景和背景，然后进行运动目标的特征提取，得到运动目标的位置特征和形状特征的运动模型，最后采用卡尔曼滤波对目标中心点的运动轨迹进行预测，该方法理论上可以尽可能的弥补传统视频检测技术检测率低和实时性差的问题。

• 文章总结:文中把 kalman 滤波应用到跌倒检测中，通过实验者运动轨迹质心点预测值与实际值之间的误差来判断老人是否发生跌倒，能够实时的对老人的行为进行监控，应该是视觉方面相对简单的跌倒检测实现方案。

• 思维导图：百度脑图链接.

9.《基于 WiFi 定位的区域人群轨迹模型》

• 研究问题: 由于室内环境的复杂性，建筑物对于信号的屏蔽，GPS等对于室内定位和短距离位置服务还是有着很大的限制。随着 WiFi 技术的成熟与普及，基于 WiFi 的室内定位技术已成为当下研究的热点，它利用移动终端从无线接入点( AP) 接收到的信号来确定对象位置。

• 文章总述:本文针对使用WiFi室内定位方法难以解决大型活动及区域间流动人群轨迹分析需要这一问题，提出了基于三边测量定位（三边测量定位是一种易操作的定位方法，属于非参考点定位。三边测量定位即通过 3 个信号 AP 的位置，使用三边测量定位算法算出位置节点的位置）和信号强度( ＲSSI ) 的应用于大型场馆、复杂环境下的人群定位新方法，实现区域内人员定位、区域内外人群划分、区域内人群流量分析。进一步建立了 WiFi 区域人群统计模型、跨区域人群移动轨迹模型。

• 文章总结:为了进一步解决 WiFi 多源大数据轨迹分析问题，文中关于数据处理预测的下一步应该基于 Hadoop、Storm、GPU 等并行计算架构和分布式的轨迹大数据处理方法以及基于 ＲNN、CNN 和 DNN 等深度学习模型进行轨迹预测。

• 思维导图：百度脑图链接.

10.《基于室内无线传感器网络射频信号的老年人跌倒检测研究》

• 研究问题: 在众多危害老年人 健康的日常行为之中, 突然性跌倒行为对独自在家的老 人造成的危害最大 .因此如何有效检测这一行为已经成 为医疗护理无线传感器网络研究领域的热点之一 。

• 文章总述:利用无线信号的自然衰减, 在不显著增加通信开销的基础上,本文将介绍一种利用体域网( BSN) 和室内传感器 网络(HSN) 实现老年人行为检测的方法 :在 HSN 和 BSN 节点是同类传感器节点的场景下, 将 HSN 节点作为锚 点,收集 BSN 节点发出的信号 .一旦被监测对象跌到, 由于人体的阴影效应必然会对被人体覆盖的节点信号 产生影响, 锚点通过汇总这种影响, 判断被监测对象是否摔倒。

• 文章总结:电波传播会因人体产生衰减, 在无线传感器网络 中, 这种衰减通常会降低通信质量, 影响定位精度 .然 而这种衰减并非没有益处, 本文利用人体引起的信号 衰减, 在不显著增加通信开销的基础上, 提出了一种老 年人跌倒的检测方法, 给出了最小通信决策集合的概 念, 通过对比最小通信决策集, 提出了分布式和集中式 跌倒行为检测算法。

• 思维导图：百度脑图链接.

11.《基于头部运动轨迹和３Ｄ视觉的跌倒检测系统》

• 研究问题:为了实现自动识别人体跌倒行为的目的，采用深度摄像头同时获取彩色图像和深度图像，并对其进行校正；对深度图像采用背景差分法提取运动人体前景；利用彩色图像和深度图像的融合、肤色检测以及距离加权面积法进行头部的检测与定位；最后将头部运动速度作为判断跌倒的依据，对人体不同运动行为的头部速度进行采集，利用支持向量机对跌倒进行检测。
• 文章总述:首先系统从深度摄像机采集深度图像及彩色图像。利用深度图像能够获取目标的空间坐标，提供更多关于目标运动的信息，使得跌倒判别算法更加健壮；通过前景分割将人从背景中分离出来，形成人体轮廓的二值图像；并经过肤色识别检测出肤色区域，两者相结合确定头部区域，再通过彩色图像到深度图像的映射，并通过摄像机的内部参数和深度信息，转换为摄像机坐标系下的三维坐标，实现头部定位。由于头部检测与定位部分返回的是头部位于摄像机参考系下的坐标，为了更精确地对头部运动轨迹进行分析，需要将其坐标转换为现实世界中的坐标。速度的计算是检测一定时间间隔内头部位移的变化，因此至少连续跟踪到头部2次才能计算速度。 基于支持向量机的跌倒检测模块则是对头部运动轨迹进行分析，以速度为特征判断是否有跌倒事件发生。
• 文章总结:本文以跌倒识别技术研究为出发点，将头部速度特征作为跌倒检测系统的研究对象，采用深度摄像头对人的深度信息和彩色信息进行采集，通过颜色／深度信息实现对头部的定位，并运用基于 ＳＶＭ 的机器学习算法针对头部运动速度特征进行行为分类。是否也可以从雷达中提取出头部特征。
• 思维导图：百度脑图链接.

12.《基于物联网的养老院管理系统设计与实现》

• 研究问题:因为养老院场所涉及的范围大，监管人员不可能顾及到每个角落的每位老人，所以必须采取一种有效的方式来迅速找到组织照顾这些老人。基于物联网的养老院管理系 统，引入物联网高科技信息技术，通过射频识别( RFID) 、传感器、无线传输( ZigBee) 等信息传感设备，实现对养老院老人的日常生活进行远程监控、实时定位和实时服务管理，符合未来养老服务需求，以应对老龄化带来的诸多问题。
• 文章总述:本文中的养老院系统分为两个主要部分:监控终端和老人移动腕带终端。整个养老院系统采用目前比较成熟的RFID 射频识别技术和 ZigBee 无线传输技术，配合体温、脉搏和重力感应等传感器，基于物联网工程的思想设计而成。在老人身上配置 RFID 标签和各种传感器，通过 ZigBee 与监控端无线互联，即以老人为对象组成一个小型的物联网。系统可以实现 RFID 定位、实时体温脉搏健康状态检测、位置信息查询和重力感应摔倒报警等功能，为老人的日常生活进行精准位置定位和身体健康指数实时监控。
• 文章总结:基于物联网的养老院管理系统作为一个有实际意义的物联网系统应用方案，是老龄化问题的重要应对策略。通过射频识别、传感器、无线传输等信息传感设备，按预定的协议，以实现对养老院的老人日常生活处于远程监控、实时定位和实时管理状态，符合未来养老服务方向，目前来看也是最靠谱的方法。
• 思维导图：百度脑图链接.

13.《基于极限学习机的跌倒检测分类识别研究》

• 研究问题:为了实现自动识别人体跌倒行为的目的，由于年龄和身体条件的限制，在老年人群中跌倒是非常普遍的现象。因此，根据老年人跌倒的运动特征，远程监测他们在各个时间段的状态，以便在其摔倒或突发状况时及时采取措施显得尤为重要。
• 文章总述:2004 年，Huang 等人提出了极限学习机，它是一种简单易用、有效的单隐层前馈神经网络( SLFNs) 学习算法。大量的实验与研究证明，极限学习机在运行时间与分类准确率上与传统的机器学习相比，都有明显的优势，适用于实时监测的情况。针对人体运动状态进行监测，分析人体运动学特征，文中提出基于极限学习机的跌倒检测算法。运用三维加速度传感器采集人体的三维加速度值，建立跌倒检测特征模型。在此基础上，建立基于极限学习机的跌倒检测分类器，完成对老年人的计算机辅助跌倒检测。
• 文章总结:在本文的实验中，使用极限学习机和支持向量机、BP神经网络做了对比实验，结果：ELM 的分类准确率高，并且分类运算时间最短。ELM 的分类性能优于 BP 神经网络和 SVM，并且随着实验数据量的增加，ELM 的分类运行时间优势越来越明显。是一种新的可以用在跌倒分类的分类方法。
• 思维导图：百度脑图链接.

精读

1.《A Survey of Deep Learning-Based Human Activity Recognition in Radar》

• 研究问题:对雷达系统和深度学习在雷达系统上的应用做了综述，根据雷达回波形式的不同，阐述了对应不同的深度学习方法。

• 文章总述:本文的综述结构分为四部分：背景介绍、深度学习介绍、雷达种类介绍、体态识别的算法介绍。背景介绍了当今人体体态检测的几种方法的优缺点和雷达方式的优点，深度学习算法概括了到目前为止CNN、RNN、自动机的发展状况，体态识别的算法介绍了三种数据维度：一维、二维、三维，对应不同的深度学习方法。

• 研究方法：文中的表格制作对比清楚，利用多个表格对比雷达种类的不同和深度学习算法的优劣。

• 解决方案（算法）：文中认为针对雷达数据使用机器学习分类，手工提取数据特征，虽然减少了计算复杂度，但是鲁棒性和泛化性差；高度依赖人类经验，手工特征丢失了数据原始特征，是低层次的统计信息；只能针对小规模静态数据，在这方面深度学习模型具有多个处理层，可以自动学习高级表示。文中还介绍了，四种常见深度学习方法的适用情景：CNN：经常被用作各种任务的自动特征提取器，第一个优点是CNN可以从与空间相关的位置提取局部特征，而不是从单一位置提取。第二个优点允许在提取的特征中保留速度或频率信息；RNN：具有挖掘时态信息和语义信息的能力，在时态序列建模方面有一定的应用前景；Auto-encoder ：能够通过分层无监督的预训练原则发现数据本身的细微差别；Hybrid deep models混合深度模型 ：混合深度模型将多个网络集成在一起，并利用所有这些网络，建立在每个模型自身的优势之上，从而获得更好的绩效。

• 实验结果：对比不同的基于雷达数据使用的深度学习算法，三维模型数据有：距离-多普勒-时间,使用GoogleSoil:CNN+LSTM算法；二维数据模型有：时间-多普勒，该模型常转化为 图像使用CNN；时间-距离，算法有：三层DCNN；距离-多普勒；一维数据模型有：基于时间序列的一维速度，距离等，RNN对顺序数据比较好建模。

• 文章总结:文中认为更复杂的动作检测需要混合深度模型，使用不同类型的雷达回波联合；轻量化算法需要手工特征和深度学习特征结合，深度学习和机器学习相结合，还要连续活动分割和识别.最后就多目标识别数据样本少，无监督学习迁移学习，使用图像数据集模拟雷达数据集还可以使用跨模态知识蒸馏。

• 思维导图：百度脑图链接.

2.《基于多普勒雷达的跌倒检测方法研究》

• 研究问题:随着人口老龄化趋势的加剧，空巢老人的总数也在不断增加。老年人的健康问题已经引起了越来越多的关注和重视。意外跌倒是危害老年人身心健康的主要杀手。如何检测出老年人的意外跌倒，避免因跌倒引起的两种损伤和并发症，是老年人健康护理中亟待解决的问题。

• 文章总述:基于雷达的检测方法具有较强的穿透能力、非侵入性传感和良好的隐私保护。它不容易受到环境因素的影响，如天气、温度、光线等。它的精确度上有能力与传统的视频监控和可穿戴传感器竞争。近年来，得到了国内外学者的广泛应用。但目前，该方法还处于起步阶段，雷达回波信号处理方法还不成熟，特别是对人的不同姿态，如站姿、坐姿、跪姿等动作的识别能力还有待加强。因此，文献中利用多普勒雷达对坠落检测进行了研究，重点研究了回波信号的处理方法，包括信号预处理、特征提取和分类识别。文中介绍了跌倒检测的主要方法和研究现状，分析了各种方法的优缺点;阐述了多普勒雷达降压探测的原理，介绍了雷达回波信号处理的方法。

• 研究方法：研究了基于单频连续波雷达的跌倒检测方法。需要搭建雷达硬件系统，设计相应的跌倒检测识别算法。利用数字滤波器进行降噪处理，然后通过时频分析，提取特征参数，并利用支持向量机对人体不同的运动状态进行识别。在基于矢量网络分析仪的雷达跌倒检测方法上。搭建了雷达硬件系统，设
  计了相应的跌倒检测识别算法。利用短时傅里叶变换对雷达回波信号进行时频变换，获得含有负频率的人体不同运动状态的时频图，然后进行特征提取，最后利用随机参数搜索算法中的粒子群算法对支持向量机的惩罚参数和核函数参数进行优化，以提高向量机对跌倒检测的分类准确率和泛化能力。

• 解决方案（算法）：
  1.对雷达的回波信号做滤波处理-FIR数字滤波：字滤波器依据其单位冲击响应，可分为有限冲激响应滤波器（FIR ）和无限冲激响应滤波器（IIR ），FIR 滤波器不存在反馈环节，因此该滤波器系统恒稳定且能够实现严格的相位线性。而 IIR 滤波器存在反馈环节，且相位特性为非线性，因此运用 IIR 滤波器对信号进行滤波时往往会使信号产生严重的相位失真。
  2.短时傅里叶变换:局部平稳化，把长的非平稳随机过程看成是一系列短时随机平稳信号的叠加，短时性可通过在时间上加窗口函数实现（即截取一部分源数据）。通过该方法，无论发现了什么频率成分，它一定是发生在信号被截取的某个特定时间段内。
  3.小波变换：小波变换是为了解决短时傅里叶变换中由于窗口函数的选定后其窗口的大小和形状是固定的，窗口没有自适应性的问题。

• 实验结果：通过对实验中获得的雷达回波信号进行滤波降噪、时频分析、特征参数的定义与特征提取等方法提取信号中的有用信息，最后利用交叉验证法优化支持向量机的核函数参数 c 和惩罚参数 g，并用优化后的支持向量机模型对人体不同的运动状态进行分类识别。实验结果表明：在惩罚参数 c 为 90.5097，核函数参数 g 为1时，支持向量机算法的分类测试准确率达到 85%。相较于传统的图像识别跌倒检测算法，利用雷达进行跌倒检测可以有效提高跌倒检测的分类识别准确率，降低了误报率。

• 文章总结:这篇文章是最典型的分析跌倒的模式，特征参数也是人工定义的最大多普勒频移，最大多普勒效率功率和时间持续时间三个一维数据，使用支持向量机进行分类，这种方式使用的算力小，精读也有一定的保证，是最有可能移植到嵌入式芯片上运行的算法，其他的必定需要多个DSP内核，在产品角度是不允许的。

• 思维导图：百度脑图链接.

总结

通过本次阅读的文献了解到：在使用不同的分类算法识别检测跌倒状态时，并不是都需要认为建立跌倒模型，提取数据的数据特征；并且人工提取的数字特征会使数据的多样化降低，丢失一部分看似没用的数据，在本周看的论文中有论文直接将雷达得到的微多普勒数据放入深度学习模型中训练，正确率也挺高；有的论文先用深度学习模型提取数据特征，再用深度学习模型辨别状态，融合使用。在产品角度来讲还是人工最有可能实现且能保证精确度，在学术角度来看，如果没有特立独行的新意，目前只能多种方法融合，然后尽量提高精度。