这篇文档由 Jawad Yousaf、Satanai Yakoub、Sara Karkanawi、Taimur Hassan、Eqab Almajali、Huma Zia 和 Mohammed Ghazal 等人共同完成，作者主要来自阿布扎比大学的电气、计算机和生物医学工程系以及沙迦大学的电气工程系。该研究发表于2024年12月的 IEEE Open Journal of Antennas and Propagation 期刊第5卷第6期。
本文题为《利用雷达技术进行穿墙人体活动识别：综述》，是一篇关于超宽带雷达在穿墙人体活动识别领域应用的系统性评述。文章的主题是全面回顾、比较和分析超宽带雷达系统的技术原理、信号处理算法、机器学习集成方法及其在穿墙探测、人体活动识别、生命体征监测等多样化应用中的研究进展、性能表现与未来趋势。其目的在于为研究人员提供一个全面的指南，深入理解UWB雷达技术的发展现状、能力局限以及融合人工智能后带来的变革潜力，并展望未来的研究方向。
本文的主要观点首先是对超宽带雷达技术及其工作原理的系统性介绍。文章开篇阐述了现代智能系统对雷达技术的需求增长，并重点突出了UWB雷达相比传统窄带雷达的核心优势：其使用高频、宽带宽的脉冲，具备高时间分辨率，能够实现长距离探测并穿透墙壁等障碍物。文章详细解释了UWB雷达的基本工作原理：发射器向目标发送电磁波，接收器捕获包含目标特征信息的后向散射信号，这些信号随后会经过一系列信号预处理和特征提取流程。文中还通过图表（图2）直观展示了UWB雷达从信号发射、接收、预处理、特征提取到最终分类和应用的完整数据处理流程。文中指出，UWB雷达主要分为两类架构：脉冲超宽带雷达和连续波超宽带雷达，文章后续部分正是围绕这两种架构展开详细讨论。
其次，文章系统地回顾和比较了应用于穿墙探测的不同UWB雷达技术及其信号处理方法。文章的第二部分“用于探测应用的雷达技术”对此进行了详尽的论述。在UWB雷达技术方面，作者回顾了多项研究，这些研究利用UWB雷达进行穿墙人体运动（如行走、坐下、远离/靠近雷达）识别和生命体征（呼吸、心跳）探测。文中讨论了用于分析信号的各种时域和频域方法，包括背景减除、直接耦合抑制、最小均方算法，以及用于生成时频谱图或尺度图的连续小波变换和短时傅里叶变换。文章特别对比了不同信号处理技术的优劣，例如快速傅里叶变换在处理非平稳信号时的局限性，以及希尔伯特-黄变换、S变换等非线性处理方法在特定应用（如呼吸模式分析）中可能表现更佳。文中还列举了用于提取生命体征信息（如呼吸频率）的特定算法，例如基于慢时间切片能量的“p-times”提取算法。
在脉冲超宽带雷达技术方面，文章总结了IR-UWB雷达因其高时间飞行分辨率而在穿墙探测和短程雷达应用中的优势。该部分回顾了多项利用IR-UWB雷达进行人体存在探测、运动识别、睡眠姿势分类和呼吸监测的研究，涵盖了有墙和无墙环境。文中重点介绍了研究者们为提升信噪比和减少噪声所采用的多种信号预处理方法，包括直流抑制、杂波抑制、匹配滤波、信号重采样和脉冲归一化，并特别强调了匹配滤波作为一种优化信噪比技术的重要性。此外，该部分还探讨了研究人员如何利用希尔伯特-黄变换等算法从预处理信号中检测呼吸模式，尽管该方法可能忽略距离信息。
在连续波超宽带雷达技术方面，文章重点讨论了调频连续波雷达和步进频率连续波雷达。FMCW雷达能够通过多普勒图和距离测量提供详细的目标信息。作者回顾了多项应用FMCW雷达进行穿墙人体运动识别和生命体征分析的研究，例如Witrack 2.0多人定位系统，该系统利用多个发射-接收天线对测量时间飞行，并结合连续轮廓消除算法处理“近远效应”问题。然而，FMCW系统也存在挑战，例如墙壁反射可能掩盖目标信号。为解决这一问题，部分研究探索了结合UWB和FMCW优势的混合系统，例如使用S波段FMCW雷达进行穿墙成像。SFCW雷达则因其能够构建低功耗、紧凑型系统而受到关注，文中也讨论了其在多目标生命体征监测中的应用及存在的“鬼影目标”问题。
本文的第三个主要观点是对商用雷达传感器的性能比较和适用性分析。文章的第三部分对多种商用雷达传感器（包括UWB、IR-UWB、FMCW和微波传感器）进行了系统性的比较分析，对比指标涵盖工作频率、带宽、波束宽度、探测距离和潜在应用。分析指出，UWB传感器通常工作在3-9 GHz频率范围，带宽较大（如0.55 GHz至6.3 GHz），这使其在穿墙应用方面具有独特优势。相比之下，FMCW传感器的工作频率通常高于20 GHz，微波传感器则不适合穿墙应用。在探测距离方面，不同的商用传感器针对目标追踪、人体存在检测等不同应用提供了从数米到数百米不等的解决方案。这部分内容为实际应用中选择合适的雷达传感器提供了重要的参考依据。
本文的第四个核心观点是深入阐述了机器学习，特别是深度学习，与UWB雷达技术融合在人体活动识别和生命体征表征方面的研究进展与应用。文章的第四部分是全文的重点，篇幅最长，内容也最为详实。这部分按照识别目标的类型，细致地划分为人体运动识别、人体存在检测、人体存在与生命体征监测以及非人目标识别四个子领域，并对每个子领域的大量前沿研究进行了梳理和对比。
在人体运动识别方面，文章回顾了利用DNN、CNN、自编码器、Transformer、残差子空间投影等多种机器学习模型，对穿墙或无墙环境下的人体动态活动（如不同姿势、手势）进行分类的研究。文中列举了多项研究的实验设置（如墙壁厚度、目标距离）、数据集规模、所使用的具体算法架构（如CNN-LSTM、ResNet）以及达到的识别准确率（从71.3%到99.7%不等）。文章分析了不同模型的优缺点，例如CNN在特征提取方面的优势，LSTM在处理时间序列数据时的能力，以及两者结合（CNN-LSTM）在同时处理空间和时间特征方面展现出的优越性能。同时也指出了深度神经网络可能面临的过早收敛和过拟合挑战。
在人体存在检测方面，文章介绍了利用DNN、CNN等算法，基于雷达回波信号自动检测静止人体目标（如区分无人、站立、坐下）的研究。文中讨论了如何利用机器学习抑制FMCW雷达中的“鬼影目标”，以及如何通过多输入多输出步进频率连续波雷达结合背景减除和互相关时域反投影算法来提高穿墙成像质量和目标定位精度。此外，还提及了利用深度学习进行穿墙人体姿态估计与重建这一前沿研究方向。
在人体存在与生命体征监测方面，文章重点回顾了UWB雷达在医疗健康领域的应用。研究者们利用支持向量机、一维CNN等算法，从雷达信号中识别不同的呼吸模式（如正常呼吸、呼吸过缓、呼吸急促、呼吸暂停）和估算心率。文中特别强调了UWB雷达作为非接触式、非穿戴式监测设备的优势，适用于老年人、婴儿、烧伤患者等特殊群体。此外，文章还介绍了将CNN与长短期记忆网络结合，用于乳腺癌检测和定位的创新研究，展示了UWB雷达结合先进机器学习算法在医疗诊断中的潜力。
在非人目标识别方面，文章概述了UWB雷达技术在其他领域的扩展应用，包括基于CNN的无人机分类、利用K近邻或CNN进行穿墙非人目标（如简单几何形状）的重建与分类、结合神经网络的土壤湿度监测以及用于交通计数和车速估计的便携式设备。这些应用展现了UWB雷达技术的广泛适用性。
本文的第五个主要观点是对现有技术进行了综合讨论并展望了未来研究方向。在讨论部分，文章总结了不同UWB架构（尤其是IR-UWB）的适用性、硬件小型化的趋势、信号处理与机器学习结合带来的性能提升。文中指出，CNN模型已成为研究人员进行实时检测和生命体征分析的首选，而CNN与LSTM的结合则进一步提升了分类器网络在时序特征建模方面的性能。在未来研究趋势部分，文章预测了以下几个关键方向：UWB雷达的进一步广泛应用，毫米波雷达的补充作用，机器学习与深度学习对数据解释的根本性变革，雷达系统（尤其是天线）的小型化，以及多模态融合（结合雷达、计算机视觉、热成像等技术）以构建更鲁棒、更全面的活动识别系统。
这篇综述论文具有重要的学术价值和实践指导意义。其科学价值在于系统性地梳理和整合了UWB雷达穿墙人体活动识别领域分散的研究成果，清晰地勾勒出技术发展脉络，比较了不同技术路线的优缺点，并指明了机器学习赋能下该领域的核心进展和关键挑战。这为领域内的研究人员提供了宝贵的知识图谱和研究切入点。其实践应用价值在于，文章不仅分析了各种雷达技术和算法的性能，还提供了商用传感器的详细对比，并展望了该技术在公共安全、医疗健康、智能家居、农业、交通等多个行业的应用前景和潜在的社会、伦理影响。因此，本文不仅是一篇全面的技术总结，更是一份推动UWB雷达技术未来创新与跨领域应用的重要指南。