Doppler-Domain Respiratory Amplification for Semi-Static Human Occupancy Detection Using Low-Resolution SIMO FMCW Radar

Resumen Técnico: Ocupación Semi-Estática de Amplificación Respiratoria (RASSO) para Radar FMCW de Baja Resolución SIMO

Planteamiento del Problema
La detección basada en radar ofrece una alternativa que preserva la privacidad frente a las cámaras para el monitoreo de la ocupación humana en entornos como los centros de cuidados a largo plazo. Sin embargo, la detección de presencia cuasi-estática (tendido, sentado o de pie con solo micro-movimientos sutiles) sigue siendo un desafío significativo para los radares FMCW (Onda Continua Modulada en Frecuencia) de entrada única y múltiples salidas (SIMO) de baja resolución. En estos escenarios, las firmas de micro-Doppler generadas por la respiración y los ajustes posturales menores se concentran cerca de la velocidad cero. Por consiguiente, esta energía suele quedar sepultada bajo el ruido estático (paredes, muebles) y el componente DC de la señal de radar. Los procesos estándar, que utilizan rejillas Doppler uniformes, carecen de la resolución necesaria para distinguir estas señales tenues del ruido de fondo, lo que conduce a una relación señal-ruido (SNR) deficiente y a una detección poco fiable.

Metodología
Los autores proponen RASSO (Respiratory-Amplification Semi-Static Occupancy), una técnica de procesamiento de señales diseñada para mejorar la detección de objetivos semi-estáticos antes del conformado de haces espacial (beamforming). El núcleo de la metodología consiste en un mapeo y remuestreo no lineal e invertible del eje Doppler (FFT de tiempo lento).

1. Deformación del Dominio Doppler (Doppler-Domain Warping): RASSO aplica un mapeo de tipo logarítmico al eje de frecuencia Doppler. Esta transformación densifica la rejilla de muestreo alrededor de las frecuencias cercanas a cero (donde reside la energía cuasi-estática) mientras comprime el muestreo en las frecuencias más altas. El mapeo se define como $D = \text{sgn}(f) \frac{f_e}{\log 2} \log(1 + \frac{|f|}{f_e})$, donde $f_e$ es un parámetro de frecuencia de borde (ajustado empíricamente a 0.03 Hz).
2. Preservación de la Fase: A diferencia de los métodos que acumulan mapas de magnitud (que pierden la información de fase), RASSO realiza una interpolación lineal compleja sobre las partes real e imaginaria de los datos de Rango-Doppler (RD). Esto preserva las relaciones de fase por antena necesarias para el posterior conformado de haces digital.
3. Flujo de Procesamiento: Los datos RD deformados se introducen en un conformador de haces Capon (Respuesta de Varianza Mínima sin Distorsión, MVDR) para generar mapas de Rango-Azimut (RA). Estos mapas son procesados posteriormente mediante la detección de Tasa de Falsa Alarma de Promedio de Celda (CA-CFAR).
4. Marco de Evaluación: El estudio utiliza un conjunto de datos del mundo real recolectado en una residencia de ancianos utilizando un radar Infineon BGT60TR13C (1Tx-3Rx). La evaluación compara el flujo mejorado por RASSO contra:
   • El Conformado de Haces Digital (DBF) estándar del SDK del fabricante.
   • Una línea base convencional basada en Capon sin deformación.
   • Líneas base de vanguardia recientes (E-RESPD/MCROOD).
   • Enfoques tanto basados en el conocimiento (CFAR) como basados en datos (CNN, CNN-LSTM).

Contribuciones Clave

• Innovación Algorítmica: La introducción de RASSO, una técnica de deformación del dominio Doppler invertible que aumenta la resolución efectiva de los micro-movimientos cercanos a cero sin descartar la información de fase.
• Validación Empírica en Entornos Reales: Este trabajo valida el método utilizando un conjunto de datos recolectado en un centro de cuidados a largo plazo, que presenta multitrayectoria, oclusiones y micro-movimientos naturales realistas.
• Evaluación de Doble Enfoque: El artículo demuestra que RASSO mejora el rendimiento tanto para la detección tradicional basada en el conocimiento (CFAR) como para los modelos modernos basados en datos (Aprendizaje Profundo), mostrando que el preprocesamiento beneficia el proceso de aprendizaje en sí mismo.

Resultados

• Calidad de la Señal: Los mapas RA mejorados por RASSO exhiben picos de objetivo más nítidos, menor varianza de fondo y una SNR efectiva más alta. La SNR promedio mejoró de 6.88 dB (convencional) a 9.55 dB (RASSO).
• Detección Basada en el Conocimiento (CFAR):
  • El mapa RASSO-RA alcanzó un Área Bajo la Curva (AUC) de 0.981, superando la línea base convencional de Capon (0.920) y las líneas base E-RESPD.
  • Con una Tasa de Falsas Alarmas (FAR) del 1%, RASSO logró un recall de 0.920, comparado con el 0.643 de la línea base convencional.
  • En las pruebas de generalización entre sujetos, RASSO mejoró la puntuación Macro-F1 en aproximadamente 6 a 10 puntos porcentuales respecto a la línea base sin deformación.
• Clasificación Basada en Datos:
  • Una SimpleCNN basada en fotogramas alcanzó una precisión del 95–99% con entradas RASSO.
  • Una CNN-LSTM basada en secuencias alcanzó una precisión del 99.4–99.6%.
  • La cuantificación de la incertidumbre mediante Bootstrap confirmó mejoras estadísticamente significativas (intervalos de confianza del 95% estrictamente por encima de cero) en las puntuaciones Macro-F1, con mejoras que oscilan entre 2.6 y 3.6 puntos porcentuales sobre el flujo de trabajo convencional.

Significancia y Reivindicaciones
El artículo sostiene que una simple deformación del dominio Doppler previa al procesamiento espacial puede mejorar materialmente la detección de ocupación semi-estática con radares de baja resolución en entornos clínicos reales. Los autores enfatizan que RASSO aborda la limitación específica de los radares de baja resolución que luchan con la energía Doppler cercana a cero, reasignando la densidad de muestreo a la región de interés. Los resultados sugieren que este paso de preprocesamiento no solo ayuda a la detección tradicional basada en umbrales, sino que también proporciona entradas más discriminativas para redes neuronales ligeras, permitiendo un monitoreo robusto y que preserva la privacidad de personas mayores sin la necesidad de hardware de alta resolución o dispositivos portátiles invasivos. El estudio concluye que este enfoque permite un despliegue fiable más allá de los entornos controlados de laboratorio.