基于FMCW雷达的疲劳检测技术，采用卷积自适应池化注意力门控循环单元网络实现

《IEEE Transactions on Radar Systems》：FMCW Radar-Based Drowsiness Detection With a Convolutional Adaptive Pooling Attention Gated-Recurrent-Unit Network

　　本研究提出基于FMCW雷达和CAPA-GRU网络的睡眠iness检测方法，通过小波变换提取呼吸和心率生理特征，结合时间频域分析优化输入数据，实现二分类90.11%、三分类80.50%、五分类58.17%的检测精度，并在公共数据集上达到97.34%。

　　

摘要：

困倦状态会显著影响工作效率和生产力，增加事故和意外的风险。基于雷达的检测技术在困倦检测方面具有显著优势，它提供了一种非侵入性且可靠的方法，该方法基于生命体征跟踪和生理特征提取。然而，困倦程度的分类往往较为简单，检测精度也有限。本研究提出了一种基于频率调制连续波（FMCW）雷达的系统，并结合卷积自适应池化注意力门控循环单元（CAPA-GRU）网络，以提高检测精度并准确判断雷达检测到的困倦程度。首先，使用FMCW雷达获取呼吸和心跳信号，然后通过小波变换方法处理雷达信号以获得高精度的生理特征。接着，在时域和频域分析生命体征信号，并通过结合这些特征数据得到最优输入。此外，提出的CAPA-GRU网络包含卷积神经网络（CNN）、门控循环单元（GRU）和卷积自适应平均池化（CAA）模块，用于困倦分类和监测。实验结果表明，该方法基于FMCW雷达实现了多阶段困倦检测，在低精度分类任务中取得了优异的效果。该网络表现出良好的性能和一定的鲁棒性。在自收集的数据集上进行交叉验证的实验显示，该方法在二分类任务中的准确率为90.11%，在三分类任务中为80.50%，在五分类任务中为58.17%；同时，研究还使用了公共数据集进行困倦检测，检测准确率达到了97.34%。

引言

困倦状态会严重影响注意力，从而增加驾驶过程中的事故风险[1]，导致严重的危害和经济损失[2]，并降低学习效率[3][4]。利用困倦检测技术进行预警可以有效减少事故的发生并提高工作效率。