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

Resumo Técnico: Ocupação Semiestática de Amplificação Respiratória (RASSO) para Radar FMCW SIMO de Baixa Resolução

Definição do Problema
A detecção baseada em radar oferece uma alternativa preservadora de privacidade às câmeras para o monitoramento de ocupação humana em ambientes como cuidados de longa duração. No entanto, detectar a presença quase estática (deitado, sentado ou em pé, apresentando apenas micromovimentos sutis) continua sendo um desafio significativo para radares de Onda Contínua Modulada em Frequência (FMCW) de entrada única e múltiplas saídas (SIMO) de baixa resolução. Nesses cenários, as assinaturas de micro-Doppler geradas pela respiração e por pequenos ajustes posturais concentram-se próximas à velocidade zero. Consequentemente, essa energia é frequentemente soterrada pelo clutter estático (paredes, móveis) e pelo componente DC do sinal de radar. Os pipelines de processamento padrão, que utilizam grades Doppler uniformes, carecem da resolução necessária para distinguir esses sinais tênues do ruído de fundo, levando a baixas relações sinal-ruído (SNR) e detecções não confiáveis.

Metodologia
Os autores propõem o RASSO (Ocupação Semiestática de Amplificação Respiratória), uma técnica de processamento de sinal projetada para aprimorar a detecção de alvos semiestáticos antes do beamforming espacial. O núcleo da metodologia envolve um mapeamento e um reamostragem não linear e invertível do eixo Doppler (FFT de tempo lento).

1. Warping de Doppler: O RASSO aplica um mapeamento do tipo logarítmico ao eixo de frequência Doppler. Essa transformação densifica a grade de amostragem em torno das frequências próximas a zero (onde reside a energia quase estática) enquanto comprime a amostragem em frequências mais altas. O mapeamento é definido como $D = \text{sgn}(f) \frac{f_e}{\log 2} \log(1 + \frac{|f|}{f_e})$, onde $f_e$ é um parâmetro de frequência de borda (ajustado empiricamente para 0,03 Hz).
2. Preservação de Fase: Diferente de métodos que acumulam mapas de magnitude (que perdem informações de fase), o RASSO realiza uma interpolação linear complexa nas partes real e imaginária dos dados de Range-Doppler (RD). Isso preserva as relações de fase por antena necessárias para o subsequente beamforming digital.
3. Pipeline de Processamento: Os dados RD deformados (warped) são alimentados em um beamformer Capon (Resposta de Mínima Variância Sem Distorção, MVDR) para gerar mapas de Alcance-Azimute (RA). Esses mapas são subsequentemente processados utilizando detecção de Taxa de Falso Alarme Constante de Média de Célula (CA-CFAR).
4. Estrutura de Avaliação: O estudo utiliza um conjunto de dados do mundo real coletado em uma casa de repouso utilizando um radar Infineon BGT60TR13C (1Tx-3Rx). A avaliação compara o pipeline aprimorado pelo RASSO contra:
   • Beamforming Digital (DBF) padrão do SDK do fabricante.
   • Uma linha de base convencional baseada em Capon sem warping.
   • Linhas de base recentes de estado da arte (E-RESPD/MCROOD).
   • Abordagens de classificação baseadas tanto em conhecimento (CFAR) quanto em dados (CNN, CNN-LSTM).

Principais Contribuições

• Inovação Algorítmica: A introdução do RASSO, uma técnica de warping de domínio Doppler invertível que aumenta a resolução efetiva de micromovimentos próximos a zero sem descartar a informação de fase.
• Validação Empírica em Ambientes Realistas: Este trabalho valida o método em um conjunto de dados coletado em uma instalação de cuidados de longa duração, apresentando multipath realista, oclusões e micromovimentos naturais.
• Avaliação de Dupla Abordagem: O artigo demonstra que o RASSO melhora o desempenho tanto para a detecção tradicional baseada em conhecimento (CFAR) quanto para modelos modernos baseados em dados (Deep Learning), mostrando que o pré-processamento beneficia o próprio processo de aprendizado.

Resultos

• Qualidade do Sinal: Mapas RA aprimorados pelo RASSO exibem picos de alvo mais nítidos, menor variância de fundo e maior SNR efetivo. O SNR médio melhorou de 6,88 dB (convencional) para 9,55 dB (RASSO).
• Detecção Baseada em Conhecimento (CFAR):
  • O AUC do RASSO-RA foi de 0,981, superando a linha de base convencional de Capon (0,920) e as linhas de base E-RESPD.
  • Em uma Taxa de Falso Alarme (FAR) de 1%, o RASSO alcançou um recall de 0,920, comparado a 0,643 da linha de base convencional.
  • Em testes de generalização entre sujeitos, o RASSO melhorou o Macro-F1 score em aproximadamente 6 a 10 pontos percentuais sobre a linha de base sem warping.
• Classificação Baseada em Dados:
  • Uma SimpleCNN baseada em frames alcançou 95–99% de precisão com entradas RASSO.
  • Uma CNN-LSTM baseada em sequências alcançou 99,4–99,6% de precisão.
  • A quantificação de incerteza via Bootstrap confirmou ganhos estatisticamente significativos (intervalos de confiança de 95% estritamente acima de zero) nos scores de Macro-F1, com melhorias variando de 2,6 a 3,6 pontos percentuais sobre o pipeline convencional.

Significância e Alegações
O artigo afirma que o simples warping de domínio Doppler antes do processamento espacial pode melhorar materialmente a detecção de ocupação semiestática com radar de baixa resolução em ambientes clínicos reais. Os autores enfatem que o RASSO aborda a limitação específica de radares de baixa resolução que lutam com a energia Doppler próxima a zero, realocando a densidade de amostragem para a região de interesse. Os resultados sugerem que este passo de pré-processamento não apenas auxilia a detecção tradicional baseada em limiar, mas também fornece entradas mais discriminativas para redes neurais leves, permitindo o monitoramento robusto e preservador de privacidade de indivíduos idosos em ambientes de cuidados de longa duração sem a necessidade de hardware de alta resolução ou dispositivos vestíveis invasivos. O estudo conclui que esta abordagem suporta uma implantação confiável além dos ambientes controlados de laboratório.