Key points are not available for this paper at this time.
O reconhecimento de atividade humana (HAR) utilizando tecnologia de radar está se tornando cada vez mais valioso para aplicações em áreas como sistemas de segurança inteligentes, monitoramento de saúde e computação interativa. Este estudo investiga a integração de redes neurais convolucionais (CNNs) com métodos convencionais de processamento de sinal radar para melhorar a precisão e a eficiência do HAR. Três técnicas distintas de processamento radar bidimensional, especificamente mapas de tempo-alcance baseados na transformada rápida de Fourier (FFT), mapas de transformada de Fourier de curto tempo (STFT) baseados no tempo-Doppler, e mapas de distribuição pseudo-Wigner-Ville suavizada (SPWVD), são avaliadas em combinação com quatro arquiteturas CNN de última geração: VGG-16, VGG-19, ResNet-50 e MobileNetV2. Este estudo posiciona os mapas gerados por radar como uma forma de dado visual, unindo o processamento de sinal radar com os domínios de representação de imagem, enquanto garante a privacidade em aplicações sensíveis. No total, doze configurações de CNN e pré-processamento são analisadas, focando nas trocas entre a complexidade do pré-processamento e a precisão do reconhecimento, todas essenciais para aplicações em tempo real. Entre esses resultados, o MobileNetV2, combinado com o pré-processamento STFT, mostrou um equilíbrio ideal, alcançando alta eficiência computacional e uma taxa de precisão de 96,30%, com um tempo de geração de espectrograma de 220 ms e um tempo de inferência de 2,57 ms por amostra. A avaliação abrangente sublinha a importância de características visuais interpretáveis para ambientes com recursos limitados, ampliando a aplicabilidade dos sistemas HAR baseados em radar para domínios como realidade aumentada, sistemas autônomos e computação em borda.
Ayaz et al. (Sat,) estudaram esta questão.