Catch_Your_Breath_Simultaneous_RF_Tracking_and_Respiration_Monitoring_with_Radar_Pairs

Catch Your Breath: Simultaneous RF Tracking and Respiration Monitoring with Radar Pairs

Abstract

Continuous respiration monitoring is significant for real-life healthcare applications, but realizing it is extremely hard as wearable sensors are cumbersome and contact-free sensors largely fail to tolerate user movements. Meanwhile, tracking users indoors mostly demands user-held devices, while device-free localization can barely tell what and who it tracks. Fortunately, as both contact-free respiration monitoring and device-free localization may rely on Radio-Frequency (RF) sensing, fusing them together creates a novel system capable of continuously tracking users while recovering their fine-grained respiratory waveforms. To this end, we propose BreathCatcher as a continuous human respiration tracking system for indoor applications. To build this system, we employ commercial grade compact radar pairs to capture RF reflections containing respiratory signals. We then propose a hybrid human respiration and position tracking algorithm to locate and identify respiratory signals from complex RF reflection mixtures. Finally, we design an encoder-decoder deep neural network driven by variational inference to recover fine-grained respiratory waveforms. Essentially, BreathCatcher cannot only obtain respiratory waveforms from multiple walking users, but also identify each user according to the latent properties of the respiratory signals. We evidently demonstrate the accuracy of both tracking and respiration monitoring via experiments involving 12 subjects and 80 man-hour data.

1. Introduction

研究背景：可穿戴传感器非常笨重，非接触式传感器很大程度上无法处理用户的移动。此外，室内追踪定位大多需要手持设备，device-free的定位几乎无法反馈它所追踪的是什么和是谁。非接触式呼吸检测和无设备定位都依赖于射频传感(RF sensing)。

研究目的：恢复用户细粒度呼吸波形的同时持续跟踪用户

研究方法：

(1) 使用雷达对捕获呼吸信号的RF反射

(2) 提出了一种混合的人体呼吸和位置跟踪算法

(3) 设计了一个由变分推理驱动的编码器解码器神经网络恢复细粒度的呼吸波形-

Challenges：

(1) 在从行走的人类身体反射的射频信号中识别呼吸从未被仔细研究过

(2) 行走会对接收到的呼吸信号产生非线性干扰

提出的BreathCatcher由 position tracking 和 respiration recovery 两部分组成

position tracking：使用自适应卡尔曼滤波来定位人类研究对象，同时识别相关的信号混合物以促进进一步的呼吸恢复

respiration recovery：输出细粒度的呼吸波形，包含每个受试者的独特特征，这又有助于区分研究对象并改进跟踪功能

作者还设计了一种新的IQ变分编解码器 IQ-VED，以从识别出的非线性混合信号中恢复呼吸信号

Contributions：

(1) 提出了一种可以同时实现人体跟踪和呼吸恢复的新颖算法

(2) 设计了一种自适应卡尔曼滤波和信号融合相结合的多目标跟踪算法。该算法有助于定位受试者，同时识别受试者的特异性信号，从而促进呼吸恢复

(3) 提出了IQ-VED，用于从非线性混合物中恢复和完善呼吸波形，并且不受运动的影响。恢复的富含特征的波形可以进一步帮助识别每个人的主体，从而改善跟踪的功能。

2. Background and Preliminaries

本节介绍IR-UWB雷达的测距和呼吸检测原理

3. System Design

3.1 Multi-target Tracking

多目标定位和追踪的前提条件：

1. 人类对象应该在雷达对的视野内
2. 两个雷达都可以看到人类对象的胸部

多目标定位步骤：

1. 使用指数移动平均 (EMA) 去除杂波
2. 使用CFAR算法自适应地检测其电平高于平均相邻功率电平的信号峰值，被检测到的信号峰值被认为对应于不同的对象

多目标跟踪步骤：

1. 状态预测

2. 状态矫正

3. 测量关联

   使用全局最近邻算法(GNN)将当前帧的测量值与现有的追踪关联起来

多个快时间信号形成慢时间信号矩阵

3.2 Radar Pair Data Fusion

假设

1. 来自两个雷达的同一人类对象的信号在统计上是相关的
2. 来自两个雷达的不同人类信号在统计上是独立的

对于第一个雷达的第k个信号 ${\hat{r}}_{1,k}(n)$，选择使他们的绝对相关性最大的信号找到其对应的来自第二个雷达的第l个信号${\hat{r}}_{2,l}(n)$

将两个信号连接起来组成$\hat{r}(n)$，作为之后的深度学习网络的输入

3.3 Data Augmentation

使用如下公式进行数据增强，本质上是旋转。

旋转保留了呼吸痕迹，它只影响距离d，而不影响胸部周期运动$d^h(n)$ (或许可以理解为相同的呼吸发生在室内的不同位置)

3.4 Fine-Grained Respiration Recovery via Variational Encoder-Decoder

3.4.1 Design Rationale

使编码器返回概率分布而不是离散向量来解决潜在空间不规则性的问题。提出了VED。

VED从非线性混合中提取信号，而不像VAE(变分自编码器)一样旨在学习输入的有效表示 representation

VED将输入$r$ 映射到高斯分布，这样会具有连续的潜在空间。从本质上讲，潜在空间的连续属性有助于避免过度拟合，从而更好地处理超出范围的输入。

深度网络很难处理复数，因此将I/Q信号的看做双变量进行分析

3.4.2 IQ-VED Encoder

$r_I(n)$ 和 $r_Q(n)$ 输入到两个独立的编码器中

编码器的组成：

1. 多层一维卷积 (膨胀卷积，用于增大感受野)
2. 用于归一化的instance norm
3. 激活函数 leaky ReLU

$r_I(n)$和$r_Q(n)$被视为多通道的一维序列，每个通道对应于$r(n)$中的一个快时间索引

单独处理$r_I(n)$和$r_Q(n)$可能会导致错位

3.4.3 Latent Space Alignment

最小化$r_I(n)$和$r_Q(n)$之间的2-Wasserstein距离以对齐潜在空间

3.4.4 IQ-VED Decoder and Loss Function

解码器使用与编码器相反的一维膨胀卷积进行上采样，恢复呼吸波形。

需要注意的是，编码器的输入是多通道的，但是解码器的输出是单通道的(呼吸波形显然是一维的)

损失函数为：重建损失+I/Q正则化损失和分布对准损失

重建损失：恢复的呼吸信号与ground truth之间的L2范数

I/Q正则化损失：

使编码器输出的高斯分布更合理(?)

分布对准损失：

I/Q编码器的两个分布之间未对准

总损失函数:

3.4.5 Non-human Track Deletion

由于IQ-VED仅由与人类相关的数据训练，所以非人类轨迹的删除可以被转化为异常检测问题

使用Kmeans对编码器产生的潜在表示进行聚类，计算新实例与聚类中心的距离，如果大于阈值，则相应的轨迹被分类为异常，并被删除。

3.4.6 Waveform Recovery

直接对IQ-VED编码器得到的输出分布 $\mathcal{N}({\mu }_I,{\Sigma }_I^2)$, $\mathcal{N}({\mu }_Q,{\Sigma }_Q^2)$的潜在向量$z_I,z_Q$重新采样可能会导致不确定性输出，这在实践中可能会引起问题。因此，本文使用确定性推理。