一种面向毫米波雷达非接触式眨眼监测的物理正则化可靠性感知学习框架
《Engineering Applications of Artificial Intelligence》:A physics-regularized reliability-aware learning framework for non-contact blink monitoring using millimeter-wave radar
【字体:
大
中
小
】
时间:2026年09月26日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
基于物理正则化的MAD-Net实现了鲁棒的非接触式雷达眨眼监测。
WKFE引导的ES-SSA-VMD从办公室杂波中分离出微弱的眼睑微动。
仅用于训练的波多普勒带宽正则化在不增加额外负担的情况下提高了鲁棒性。
引言
视觉和职业疲劳在办公室和屏幕类工作中变得越来越普遍,警觉性降
基于物理正则化的MAD-Net实现了鲁棒的非接触式雷达眨眼监测。
WKFE引导的ES-SSA-VMD从办公室杂波中分离出微弱的眼睑微动。
仅用于训练的波多普勒带宽正则化在不增加额外负担的情况下提高了鲁棒性。
引言
视觉和职业疲劳在办公室和屏幕类工作中变得越来越普遍,警觉性降低和视觉疲劳会影响安全性和工作效率(Lerman等,2012;Rosenfield,2011;国家安全生产委员会,2017)。自发性眨眼率和眼睑闭合动态提供了非侵入性的视觉状态和疲劳指标(Cardona等,2011;Caffier等,2005),这促使部署无需光学影像作为传感输入的持续监测系统。基于传感器的智能系统可以将传感设备与机器学习算法集成,用于医疗保健相关环境中的自动化人类活动监测(Mayer等,2024)(见表17、图16、图20)。
除了运动监测外,数据驱动的生理信号分析已成为智能健康应用的重要组成部分。机器学习方法已被探索用于基于心电图的心跳分类,展示了AI模型从生理测量中提取判别性模式的能力(Nshimiyimana等,2024)。与此同时,人工智能辅助传感系统越来越多地通过集成先进传感模式与机器学习算法被研究用于非侵入性健康监测(Bandyopadhyay等,2024)。然而,许多现有生理监测方法仍然依赖接触式测量,这不太适合无干扰和持续监测,从而促使开发非接触式传感替代方案。
从计算角度看,基于雷达的眨眼监测是一个弱信号检测问题:亚毫米级、短持续时间的眼睑运动嵌入在呼吸运动、头部运动、身体相关干扰和室内多径之中。这些信号源在时间和频谱域上与眨眼特征重叠,创建了对能够利用互补表示同时尊重雷达传感物理特性的模型的需求(Huang等,2021;Yu等,2024)。
传统眨眼传感包括眼电图、可穿戴设备、摄像头和声学传感(Danisman等,2010;Suman等,2015;Kundinger等,2020;Xu等,2008;Liu等,2021)。电极和可穿戴设备可以提供准确信号,但带来接触或佩戴负担(Denney和Denney,1984;Anchan等,2020;Cao等,2023);摄像头对光照敏感并引发隐私问题;声学方法仍然易受环境条件影响。这些权衡促使开发一种舒适、注重隐私、非接触式的替代方案。
毫米波雷达可以在不使用光学成像的情况下捕获细微运动。先前的眼镜集成、频率调制连续波、运动鲁棒射频以及时频系统证明了基于雷达的眨眼监测在疲劳相关应用中的可行性(Cardillo等,2024;Liu等,2022;Zheng等,2021)。
相关工程智能研究已展示了用于雷达感知的序列建模和基于注意力的学习(Sengupta和Cao,2023;Zheng等,2024;Safa等,2023)。更广泛地说,物理信息损失设计和多模态注意力融合也在其他工程和生物医学智能应用中得到了探索(Hua等,2024;Liu等,2024)。Bhatti等(2024)进一步探索了用于通用雷达波形识别的时频表示。眨眼专项工作涵盖三维成像、超宽带传感、连续波检测和波多普勒频谱分析(Ge等,2024、2025;Hu等,2022、2024;Yamamoto等,2017、2019a、2019b),但在呼吸和运动干扰下的可靠表示仍未解决。
现有方法可以检测生理事件,但在实际传感条件下保持可靠识别仍然具有挑战性。在这里,不受控的办公室环境指的是测试的单用户、类似办公室的桌面环境,其中包括自发性呼吸、非故意头部运动、身体相关微动和室内多径,而不是故意静止的实验室测量。本验证不包括多人传感、户外运行或无限制的大规模运动。在此范围内,仍有三个技术挑战:
1)弱目标分离:亚毫米级眼睑运动很容易被呼吸和身体运动掩盖,限制了固定滤波器和固定参数分解(Caffier等,2005;Zhang等,2023)。
2)瞬态表示:眨眼持续约200-400毫秒,因此单一表示可能在时间定位和频谱分辨率之间进行权衡(Kwon等,2013)。
3)动态干扰下的可靠性:身体和头部运动可能会模糊微多普勒能量,同时保留部分相位域线索,或者可能扰乱相位序列,同时保留互补的频谱结构。因此,学习系统必须识别哪个域退化,并重新校准它们的贡献。
因此,一个开放挑战依然存在:开发一个端到端的工程智能框架,将自适应弱信号调理与可测量的、仅用于训练的物理正则化监督的跨域可靠性相结合。本研究通过一个可靠性感知学习框架应对这一挑战,在该框架中,复合熵-峰度-频率目标引导信号调理,多模态自适应深度网络对时间域相位和频率域微多普勒表示之间的可靠性进行校准。
在测试的传感条件下,准确解耦眼睑微动在物理上具有挑战性。本研究将眼睑闭合表征为亚毫米尺度的非高斯瞬态微动。在相位域中,这种运动表现为突发的瞬态;在时频域中,它表现为横跨波多普勒通道的垂直能量条纹。在头部运动干扰下,频谱模糊可能会退化频率域表示,而时间域相位序列保留部分瞬态结构。这些假设被引入以提供模型设计的物理动机和可解释性,而不是作为部署期间的额外推理规则。
首先,本研究提出统计判别边界假设。令表示解耦的眨眼模式,包含主导的眼睑分量。其瞬态非高斯响应具有比高斯样杂波更高的峰度。在中等至高信噪比条件下,静态条件下的杂波由独立高斯序列近似。样本峰度则具有渐近参考分布。定义单侧高斯参考统计阈值如下:
其中是标准正态分位数,,是的1.0秒窗口中的样本数。对于,高斯参考阈值约为3.80。在检查的低信噪比干扰条件下,杂波可能偏离高斯近似。因此,该阈值被作为统计参考而非通用界限。
为评估对偏离高斯近似的鲁棒性,在检查的低信噪比条件下进行了自助重采样。自助杂波峰度分布的95百分位数为3.62,低于,支持其在测试条件下作为分析判别参考的使用。自助重采样在杂波模式实例级别进行,而不是独立重采样单个时间样本,从而保留实例内时间结构。
随后,本研究提出跨域统计冗余假设。引入互信息作为评估时间域和频率域表示之间保留的统计冗余的定量基础。令和分别表示从学习的表示和采样出的配对特征向量。由于雷达特征是连续且非平稳的,使用Kraskov-St?gbauer-Grassberger估计器而不是手动分箱的离散估计器:
其中是digamma函数;是邻域参数;是配对特征样本数;和是样本的相应边际邻域计数。参考值是来自训练折扰动集中KSG估计值的第5百分位的描述性参考,在留出评估前固定,而不是使用测试数据进行调整。它不是统计显著性阈值或模型决策标准。互信息不作为网络输入、融合系数、可靠性权重或推理时线索提供给。KSG估计值通过除以转换为比特;因此,以下报告的所有互信息值均以比特表示。
图1总结了完整框架。信号调理阶段使用基于环境感知增强麻雀搜索算法的自适应变分模态分解参数优化策略,并由加权峰度-频率-熵目标引导。识别阶段使用(见图2)。
本研究开发了一个用于非接触式生理微动传感的可靠性感知学习框架。其主要智能贡献是基于的跨域可靠性校准与仅用于训练的物理正则化辅助监督,而不是信号优化器的独立使用。贡献如下:
首先,开发了一种自适应信号调理策略,以在基于AI的识别之前增强弱眨眼相关表示的可靠性。该策略集成了前向桌面雷达传感与自适应参数选择。它通过保持呼吸、头部运动和多径干扰下的瞬态非高斯眼睑微动来支持。
其次,联合建模时间域相位和频率域微多普勒表示,并在任一表示退化时进行跨域可靠性校准。
第三,由波多普勒带宽导出的物理目标监督学习的频率域可靠性,鼓励与可测量的频谱退化对齐。
第四,严格的留一受试者交叉验证跨30名参与者评估了准确性、窗口级假阳性率、统计显著性、物理一致性分析、鲁棒性和在测试的静态、呼吸和头部运动条件下的延迟。
本文其余部分组织如下。第2节介绍信号调理模块,包括引导的参数选择、环境感知优化和约束生理重建。第3节介绍提出的,包括双域特征提取、跨域可靠性校准、时间建模和物理正则化辅助监督。第4节介绍实验设置和评估结果,包括受试者独立评估、消融研究、基线比较、鲁棒性分析和计算效率评估。第5节总结全文并讨论局限性及未来工作。
章节片段
弱眨眼微动的信号调理
毫米波雷达捕获的相位信号包含细微的眼睑位移,但在测试的桌面环境中,这些弱微动分量经常被呼吸杂波、头部运动和其他非平稳干扰所掩盖。因此,在网络级识别之前,需要一个信号调理模块来增强眨眼相关瞬态分量,同时抑制生理无关杂波。
传统的高通和带通滤波器可以衰减...
用于跨域可靠性感知眨眼识别的
在测试的桌面环境中,眨眼微动是亚秒、亚毫米级的瞬态,在时间和频率域中可能以不同方式退化。单流卷积神经网络或长短期记忆架构在干扰以不同方式影响这些表示时,不会显式建模域特定可靠性。因此,结合了互补流与学习的跨域可靠性校准。
在架构上,结合了...
实验评估
本节旨在从测量系统的三个核心维度全面评估所提出的框架:
1)检测准确性——受试者独立评估下窗口级眨眼分类的正确性;
2)测量鲁棒性——系统在不断变化的动态干扰下保持低窗口级假阳性率的能力;以及
3)计算响应性——相对于0.2秒分析窗口跨度的每窗口计算延迟。
这些...
结论
本研究提出了一个物理正则化、可靠性感知框架,结合77-GHz毫米波雷达、ES-SSA-VMD和,用于非接触式眨眼监测。它集成了时间和频率域表示、跨域可靠性校准和时间建模。
涉及30名参与者的受试者独立留一受试者评估在保留集上产生了92.5%的受试者级宏平均准确率和1.5%的窗口级假阳性率。
作者贡献声明
Jiajia Shi:概念化。Zhichao Yao:数据整理。Weiping Ding:资金获取。Quan Shi:项目管理。Zhihuo Xu:形式分析。Liu Chu:方法论。Yuexia Wang:资源。Robin Braun:监督。
伦理声明
所有参与者均为成年人,并在数据收集前提供了知情同意。实验过程涉及非接触式毫米波雷达传感和用于眨眼事件标注的同步视频注释。数据收集过程按照机构关于人体研究的指导方针进行。
写作过程中生成式AI和AI辅助技术的声明
在准备本作品期间,作者使用了ChatGPT来改善语言、语法和可读性。使用该工具后,作者根据需要审查和编辑了内容,并对出版物的内容承担全部责任。
利益冲突声明
作者声明,他们没有已知的竞争性财务利益或个人关系,这些利益或关系可能被认为影响本文报告的工作。
Jiajia Shi | Zhichao Yao | Weiping Ding | Quan Shi | Zhihuo Xu | Liu Chu | Yuexia Wang | Robin Braun
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号