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

Technische Samenvatting: Respiratory-Amplification Semi-Static Occupancy (RASSO) voor Low-Resolution SIMO FMCW Radar

Probleemstelling
Radar-gebaseerde detectie biedt een privacy-vriendelijk alternatief voor camera's voor het monitoren van menselijke aanwezigheid in omgevingen zoals langdurige zorg. Echter, het detecteren van quasi-statische aanwezigheid (liggen, zitten of staan met slechts subtiele micromoties) blijft een aanzienlijke uitdaging voor low-resolution Single-Input Multiple-Output (SIMO) Frequency-Modulated Continuous-Wave (FMCW) radars. In deze scenario's zijn de micro-Doppler-signatures gegenereerd door ademhaling en kleine houdingsveranderingen geconcentreerd nabij nul snelheid. Bijgevolg wordt deze energie vaak begraven onder statische clutter (muren, meubilair) en de DC-component van het radarsignaal. Standaard verwerkingspipelines, die gebruikmaken van uniforme Doppler-grids, missen de resolutie om deze zwakke signalen te onderscheiden van achtergrondruis, wat leidt tot een lage signaal-ruisverhouding (SNR) en onbetrouwbare detectie.

Methodologie
De auteurs stellen RASSO (Respiratory-Amplification Semi-Static Occupancy) voor, een signaalverwerkingstechniek die ontworpen is om de detectie van semi-statische doelwitten te verbeteren vóór ruimtelijke beamforming. De kern van de methodologie omvat een omkeerbare, niet-lineaire warping en resampling van de Doppler-as (slow-time FFT).

1. Doppler-domein Warping: RASSO past een logaritme-achtige mapping toe op de Doppler-frequentie-as. Deze transformatie verdicht het bemonsteringsgrid rondom frequenties nabij nul (waar quasi-statische energie zich bevindt) terwijl de bemonstering bij hogere frequenties wordt gecomprimeerd. De mapping wordt gedefinieerd als $D = \text{sgn}(f) \frac{f_e}{\log 2} \log(1 + \frac{|f|}{f_e})$, waarbij $f_e$ een edge-frequentieparameter is (empirisch afgestemd op 0,03 Hz).
2. Fasebehoud: In tegen tegenstelling tot methoden die amplitude-heatmaps accumuleren (waarbij fase-informatie verloren gaat), voert RASSO complexe lineaire interpolatie uit op de reële en imaginaire delen van de Range-Doppler (RD) data. Dit behoudt de per-antenne fase-relaties die vereist zijn voor daaropvolgende digitale beamforming.
3. Verwerkingspipeline: De gewarpte RD-data worden ingevoerd in een Capon (Minimum Variance Distortionless Response, MVDR) beamformer om Range-Azimuth (RA) kaarten te genereren. Deze kaarten worden vervolgens verwerkt met behulp van Cell-Averaging Constant False Alarm Rate (CA-CFAR) detectie.
4. Evaluatiekader: De studie maakt gebruik van een real-world dataset verzameld in een verzorgingstehuis met een Infineon BGT60TR13C (1Tx-3Rx) radar. De evaluatie vergelijkt de RASSO-verbeterde pipelines met:
   • Standaard Digital Beamforming (DBF) van de leverancier SDK.
   • Een conventionele Capon-gebaseerde baseline zonder warping.
   • Recente state-of-the-art baselines (E-RESPD/MCROOD).
   • Zowel kennisgestuurde (CFAR) als datagestuurde (CNN, CNN-LSTM) classificatiebenaderingen.

Belangrijkste Bijdragen

• Algoritmische Innovatie: De introductie van RASSO, een omkeerbare Doppler-domein warping techniek die de effectieve resolutie van near-zero micromoties verhoogt zonder fase-informatie weg te gooien.
• Empirische Validatie in Realistische Omgevingen: Dit werk valideert de methode op een dataset verzameld in een instelling voor langdurige zorg, gekenmerkt door realistische multipath, occlusies en natuurlijke micromoties, in tegenstelling tot veel studies die steunen op gecontroleerde laboratoriumdata.
• Dual-Approach Evaluatie: Het artikel demonstreert dat RASSO de prestaties van zowel traditionele kennisgestuurde detectie (CFar) als moderne datagestuurde modellen (Deep Learning) verbetert, wat aantoont dat de preprocessing het leerproces zelf ten goede komt.

Resultaten

• Signaalkwaliteit: RASSO-verbeterde RA-kaarten vertonen scherpere target-pieken, lagere achtergrondvariantie en een hogere effectieve SNR. De gemiddelde SNR verbeterde van 6,88 dB (conventioneel) naar 9,55 dB (RASSO).
• Kennisgestuurde Detectie (CF_AR):
  • RASSO-RA bereikte een Area Under the Curve (AUC) van 0,981, waarmee het de conventionele Capon-baseline (0,920) en de E-RESPD baselines overtrof.
  • Bij een False Alarm Rate (FAR) van 1% bereikte RASSO een recall van 0,920, vergeleken met 0,643 voor de conventionele baseline.
  • In cross-subject generalisatietests verbeterde RASSO de Macro-F1 score met ongeveer 6–10 procentpunten ten opzichte van de niet-gewarpte baseline.
• Datagestuurde Classificatie:
  • Een frame-gebaseerde SimpleCNN bereikte 95–99% nauwkeurigheid met RASSO-inputs.
  • Een sequentie-gebaseerde CNN-LSTM bereikte 99,4–99,6% nauwkeurigheid.
  • Bootstrap onzekerheidskwantificering bevestigde statistisch significante winsten (95% betrouwbaarheidsintervallen strikt boven nul) in Macro-F1 scores, met verbeteringen variërend van 2,6 tot 3,6 procentpunten over de conventionele pipeline.

Betekenis en Claims
Het artikel claimt dat eenvoudige Doppler-domein warping voorafgaand aan ruimtelijke verwerking de detectie van semi-statische aanwezigheid met low-resolution radar in echte klinische omgevingen materieel kan verbeteren. De auteurs benadrukken dat RASSO specifiek de beperking van low-resolution radars aanpakt die moeite hebben met near-zero Doppler-energie door de bemonsteringsdichtheid te herverdelen naar het gebied van belang. De resultaten suggereren dat deze preprocessingstap niet alleen helpt bij traditionele drempelwaarde-detectie, maar ook meer discriminerende inputs biedt voor lichte neurale netwerken, wat robuuste, privacy-vriendelijke monitoring van ouderen in langdurige zorginstellingen mogelijk maakt zonder de noodzaak voor high-resolution hardware of invasieve wearables. De studie concludeert dat deze aanpak een betrouwbare inzetbaarheid ondersteunt buiten gecontroleerde laboratoriumsettings.