잡음의 영향을 고려한 FMCW 레이더의 마이크로 도플러 신호 기반 인간 활동 분류 개선

요즘 인간 활동 분류는 의료, 보안 모니터링, 검색 및 구조 임무와 같은 많은 필수 분야에 적용됩니다. 레이더 센서 기반의 인간 활동 분류는 시각적 인식 기반 방법론 및 웨어러블 기기와 같은 다른 기술에 비해 우수한 접근 방식으로 간주됩니다. 그러나 원시 레이더 신호를 추출하는 과정에서는 일반적으로 잡음이 존재하여 추출된 특징의 품질과 신뢰성을 감소시킵니다. 본 논문에서는 인간 활동 분류를 위한 딥 컨볼루션 신경망(DCNN)을 사용하기 전에 원시 레이더 신호에서 백색 가우시안 잡음을 제거하기 위한 새로운 방법을 제시합니다. 구체적으로, 잡음 제거 알고리즘은 입력 원시 레이더 신호에서 백색 가우시안 잡음을 제거하기 위한 전처리 단계로 사용됩니다. 이후, 적응형 교차 잔차 연결을 갖춘 경량의 교차 잔차 컨볼루션 신경망(CRCNN)을 제안합니다. 분석 결과, 3의 범위 빈 간격과 3의 컷 임계값을 갖는 잡음 제거 알고리즘이 최상의 잡음 제거 효과를 달성하는 것으로 나타났습니다. 잡음 제거 알고리즘이 데이터 세트에 적용되었을 때, CRCNN은 원래의 잡음이 추가된 데이터 세트로 달성된 인식 결과에 비해 정밀 분류율을 최대 10% 향상시켰습니다. 또한, 여섯 개의 최신 DCNN과 함께 잡음 제거 알고리즘 솔루션을 비교하였습니다. 실험 결과, 제안된 모델이 다른 모델보다 뛰어난 성능을 보여주었습니다.