这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于CubeLearn的毫米波雷达端到端人体动作识别研究

一、作者与发表信息
本研究由Peijun Zhao（现任职于麻省理工学院机械工程系）、Chris Xiaoxuan Lu（爱丁堡大学信息学院）、Bing Wang（现任职于香港理工大学航空及民航工程学系）、Niki Trigoni与Andrew Markham（均来自牛津大学计算机科学系）共同完成，发表于《IEEE Internet of Things Journal》2023年6月第10卷第12期。

二、学术背景
研究领域为毫米波调频连续波（FMCW）雷达在人体动作识别中的应用。传统方法依赖离散傅里叶变换（DFT）预处理与深度学习分类器的混合架构，但DFT存在基函数非自适应、分辨率受限等问题。本研究提出了一种名为CubeLearn的复数权重可学习预处理模块，旨在替代DFT，直接从原始雷达信号中提取特征，构建端到端的神经网络模型，以提升手势与活动识别的准确率，尤其优化边缘设备的计算效率。

三、研究流程与方法
1. 问题定义与模块设计
- 研究目标：解决DFT预处理在特征提取中的局限性，如固定基函数和分辨率不足。
- CubeLearn架构：由堆叠的复数线性层组成，依次模拟雷达信号的距离、多普勒和到达角（AoA）变换，保留复数信号的物理意义。模块初始化采用DFT基函数，通过端到端训练自适应调整权重。

1. 数据收集与实验设置

   • 硬件：使用Texas Instruments IWR6843毫米波雷达，配置3发射4接收天线阵列，采样率107 Hz，每帧256个ADC样本。
     
   • 任务设计：
     
     • 手势识别（HGR）：12种精细手指动作（如捏合、滑动），距离雷达20 cm。
       
     • 手臂动作识别（AGR）：12种大范围手臂动作（如侧举、前推），距离1.5 m。
       
     • 活动识别（HAR）：6种连续活动（如原地跑步、挥手），距离2 m。
       
   • 数据集：8名参与者（4男4女），每人每动作30样本，划分为训练集（15）、验证集（5）和测试集（10）。
     

2. 模型训练与对比

   • 下游分类器：采用CNN（3层卷积+LSTM或全连接）和CNN-LSTM混合架构。
     
   • 基线方法：传统DFT预处理（如距离-多普勒图、微多普勒特征）与现有端到端方法（如RadarNet、2D sinc滤波器）。
     
   • 训练细节：使用交叉熵损失和Adam优化器，学习率0.0003，训练30轮，优先保存验证集最佳模型。
     

3. 创新方法

   • 复数线性层：直接处理原始雷达信号的实部与虚部，避免信息丢失。
     
   • 动态基函数调整：通过训练优化变换基，聚焦任务相关特征。
     
   • 计算优化：支持输入尺寸缩减（如3/8原始数据量），平衡精度与边缘设备算力需求。
     

四、主要结果
1. 性能提升
- HGR任务：CubeLearn使简单模型（如距离-时间预处理+2DCNN）准确率提升10%以上，最优模型（距离-多普勒-角度-时间+3DCNN-LSTM）达98.06%。
- 泛化能力：在多普勒特征主导的任务中（如AGR），对未见用户的识别准确率提高9%（从63%至72%）。

1. 收敛速度

   • CubeLearn模型在15轮内快速收敛，验证集损失比DFT基线低20%，表明其更高效的特征提取能力。
     

2. 边缘设备适配

   • 在树莓派4上，输入尺寸缩减至3/8时，推理时间200 ms/样本，精度仍优于DFT全尺寸输入。
     

五、结论与价值
1. 科学价值
- 首次提出复数线性层替代DFT的端到端雷达信号处理方法，为雷达识别任务提供通用框架。
- 证实可学习预处理能突破DFT的分辨率限制，实现超分辨率特征提取。

1. 应用价值
   
   • 显著提升低配置雷达（如单发射/接收天线）的性能，推动毫米波雷达在智能家居、医疗监测等隐私敏感场景的应用。
     
   • 开源代码与数据集（GitHub: zhaoymn/cubelearn）促进后续研究。
     

六、研究亮点
1. 方法创新：复数权重可学习模块兼顾物理意义与数据驱动特性。
2. 性能突破：简单模型准确率提升显著，降低边缘设备部署门槛。
3. 多任务验证：在HGR、AGR、HAR三类任务中均表现优异。

七、其他发现
- 初始化敏感性：DFT基函数初始化优于随机初始化，但学习率需精细调节（最佳0.001）。
- 结构鲁棒性：添加非线性激活（如CReLU）会破坏相位信息，降低性能。

此研究为毫米波雷达信号处理提供了新范式，其端到端架构与任务无关的设计具有广泛拓展潜力。