毫米波心率感知新框架HEAR实现零样本迁移与边缘低延迟
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对毫米波雷达非接触测心率时因散射体相干叠加导致心跳成分难以读取的问题，提出HEAR框架。该双任务Transformer联合预测心率及可观测性评分，输入结合频谱幅度与相对呼吸基频的频率。利用可控多散射体FMCW仿真器生成带自动可观测性标签的训练数据。仅用仿真数据训练，HEAR在60与120GHz两个真实数据集（134人）上实现零样本迁移。在120GHz数据集上，基于评分的选择策略将心率头平均绝对误差从全覆盖的17.9BPM降至50%覆盖时的1.6BPM，端到端延迟在边缘设备上为50.8ms。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载测心率可观测性评估
毫米波雷达非接触测心率时，散射体回波的相干叠加极易掩盖心跳成分，即便宏观观测几何相似也可能导致该成分被抑制。为此，研究将心跳可观测性定义为获取相位谱中心跳成分的可读性，并主张直接从测量数据评估该可观测性，以支持选择性心率估计。为获取不同可观测性条件下的训练监督，研究开发了可控多散射体FMCW仿真器，利用主心跳带峰值与已知心率的一致性为每次仿真测量自动提供可观测性标签。
HEAR模型结构与输入
提出的HEAR是一个紧凑的双任务Transformer，同时预测可观测性评分与心率。其输入特征结合了频谱幅度与相对于呼吸基频的频率，为呼吸谐波提供了上下文信息，从而更好地区分并提取心跳相关特征。该模型完全在仿真观测上训练，无需真实世界标注，并在两个公开的真实数据集（采集频率分别为60与120GHz，共134名受试者）上实现了零样本迁移。学习到的评分可同时用于HEAR自身心率头及多种现有估计器的选择性预测。
误差降低与边缘延迟
在120GHz数据集上的实验表明，基于可观测性评分的选择性预测显著提升了精度。将覆盖率设为50%时，心率头的平均绝对误差从全覆盖时的17.9BPM大幅降至1.6BPM。此外，完整流水线在边缘设备上的端到端处理延迟仅为50.8毫秒，满足了实际部署对低延迟的严苛要求，证明了该框架在资源受限设备上实现高可靠非接触生命体征监测的潜力。
为什么值得看
仅靠仿真训练即可零样本迁移至真实场景，且通过可观测性评分大幅降低误差，为非接触生命体征监测提供高可靠低延迟方案。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。