Radar-APLANC: Unsupervised Radar-based Heartbeat Sensing via Augmented Pseudo-Label and Noise Contrast
Ying Wang, Zhaodong Sun, Xu Cheng, Zuxian He, Xiaobai Li
频率调制连续波(FMCW)雷达可以测量微妙的胸壁振荡,以实现非接触式心跳感应。 然而,传统的基于雷达的心跳传感方法由于噪声而面临性能下降。 基于学习的雷达方法实现了更好的噪声稳健性,但需要昂贵的标记信号进行监督训练。 为了克服这些限制,我们提出了第一个无监督框架,通过增强伪标签和噪声对比(雷达-APLANC)进行雷达心跳感应。 我们建议使用雷达范围矩阵内的心跳范围和噪声范围分别构建正和负样本,以提高噪声稳健性。 我们的噪声对比三胞胎(NCT)损失仅利用传统雷达方法产生的阳性样本,负样本和伪标签信号,从而避免依赖昂贵的地面真实生理信号。 我们进一步设计了一种伪标签增强方法,具有自适应噪声感知标签的选择,以提高伪标签信号质量。 在Equipleth数据集和我们收集的雷达数据集上进行的广泛实验表明,我们的无监督方法实现了与最先进的监督方法相当的性能。 我们的代码、数据集和补充材料可以从https://github.com/RadarHRSensing/Radar-APLANC访问。
Frequency Modulated Continuous Wave (FMCW) radars can measure subtle chest wall oscillations to enable non-contact heartbeat sensing. However, traditional radar-based heartbeat sensing methods face performance degradation due to noise. Learning-based radar methods achieve better noise robustness but require costly labeled signals for supervised training. To overcome these limitations, we propose the first unsupervised framework for radar-based heartbeat sensing via Augmented Pseudo-Label and Noi...
