面向毫米波雷达手势分类的RDI数据增强方法

在基于毫米波雷达的手势分类任务中,应用深度学习技术可以显著提高准确率。然而,深度学习技术对数据量的依赖性很高,当训练样本数据稀缺时容易出现过拟合问题。由于不同的毫米波雷达参数差异较大、采集数据耗时费力,基于毫米波雷达的手势数据量往往非常有限。为了解决数据量稀缺这一问题,本文提出了一种融入注意力模块的距离多普勒图自编码(Range-Doppler Image AutoEncoder with Attention Module,RDI-AEAM)数据增强方法,旨在增强毫米波雷达手势数据的RDI表征。该方法针对RDI缺乏语义信息、难以进行标注以及特征不明显的特点,构建了一个融入注意力模块的自编码网络。首先,利用自编码器进行特征提取和数据压缩,学习输入数据的分布并提取有用特征。其次,利用注意力模块专注学习通道和空间维度的特征,解决特征不明显问题,使模型能够更加集中关注重要特征。训练过程中,预定义了原始数据标签,使用最小均方误差损失函数衡量生成数据的质量,达到设定阈值时将生成数据与预定义标签相关联,而无须额外后期标注。实验先选择100%训练集进行增强,相比仅使用原始训练集进行训练的结果,数据增强后的准确率在自建数据集上提高了0.83%,在公开数据集deepSoli和VR-HGR上分别提高了0.39%和3.23%,表明RDI-AEAM方法提高了手势分类性能。本文进一步探究了采用更少原始数据的增强效果,使用25%的训练集进行增强,在三组数据集上分别取得1.92%、2.62%和1.56%的提升。