論文の概要: Radar-APLANC: Unsupervised Radar-based Heartbeat Sensing via Augmented Pseudo-Label and Noise Contrast

• arxiv url: http://arxiv.org/abs/2511.08071v1
• Date: Wed, 12 Nov 2025 01:38:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.625157
• Title: Radar-APLANC: Unsupervised Radar-based Heartbeat Sensing via Augmented Pseudo-Label and Noise Contrast
• Title（参考訳）: Radar-APLANC:Augmented Pseudo-Labelとノイズコントラストを用いた教師なしレーダベース心拍センシング
• Authors: Ying Wang, Zhaodong Sun, Xu Cheng, Zuxian He, Xiaobai Li,
• Abstract要約: レーダーは胸壁の微妙な振動を計測し、非接触型心拍検出を可能にする。 従来のレーダーを用いた心拍検出法はノイズによる性能劣化に直面している。 本稿では,Augmented Pseudo-Label and Noise Contrastを用いたレーダベース心拍センサのための教師なしフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.935264919712658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frequency Modulated Continuous Wave (FMCW) radars can measure subtle chest wall oscillations to enable non-contact heartbeat sensing. However, traditional radar-based heartbeat sensing methods face performance degradation due to noise. Learning-based radar methods achieve better noise robustness but require costly labeled signals for supervised training. To overcome these limitations, we propose the first unsupervised framework for radar-based heartbeat sensing via Augmented Pseudo-Label and Noise Contrast (Radar-APLANC). We propose to use both the heartbeat range and noise range within the radar range matrix to construct the positive and negative samples, respectively, for improved noise robustness. Our Noise-Contrastive Triplet (NCT) loss only utilizes positive samples, negative samples, and pseudo-label signals generated by the traditional radar method, thereby avoiding dependence on expensive ground-truth physiological signals. We further design a pseudo-label augmentation approach featuring adaptive noise-aware label selection to improve pseudo-label signal quality. Extensive experiments on the Equipleth dataset and our collected radar dataset demonstrate that our unsupervised method achieves performance comparable to state-of-the-art supervised methods. Our code, dataset, and supplementary materials can be accessed from https://github.com/RadarHRSensing/Radar-APLANC.
• Abstract（参考訳）: 周波数変調連続波(FMCW)レーダーは、微妙な胸壁振動を測定し、非接触型心拍検出を可能にする。 しかし、従来のレーダーによる心拍検出手法はノイズによる性能劣化に直面している。 学習に基づくレーダー手法は、より優れたノイズロバスト性を実現するが、教師あり訓練には高価なラベル付き信号を必要とする。 これらの制約を克服するため、Augmented Pseudo-Label and Noise Contrast (Radar-APLANC) を用いたレーダベース心拍センサのための、最初の教師なしフレームワークを提案する。 本稿では, レーダ範囲行列内の心拍域と雑音域の両方を用いて, 正と負のサンプルをそれぞれ構築し, ノイズの頑健性を改善することを提案する。 ノイズコントラストトリプルト (NCT) 損失は, 従来のレーダ法で発生する正のサンプル, 負のサンプル, 擬似ラベル信号のみを利用するため, 高価な地中構造信号への依存を回避できる。 さらに、適応型雑音認識ラベル選択を特徴とする擬似ラベル拡張手法を設計し、擬似ラベル信号の品質を向上させる。 Equiplethデータセットと収集したレーダデータセットの大規模な実験により、我々の教師なし手法が最先端の教師付き手法に匹敵する性能を達成することを示した。 コード、データセット、補足資料はhttps://github.com/RadarHRSensing/Radar-APLANCからアクセスできます。

関連論文リスト

• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation [48.265859815346985]
  レーダー信号認識は電子戦(EW)において重要な役割を果たす 近年のディープラーニングの進歩は、レーダー信号認識の改善に大きな可能性を示している。 これらの手法は、注釈付き無線周波数(RF)データが少ない、あるいは入手できないEWシナリオでは不十分である。
  論文  参考訳（メタデータ） (2025-01-07T01:35:56Z)
• radarODE-MTL: A Multi-Task Learning Framework with Eccentric Gradient Alignment for Robust Radar-Based ECG Reconstruction [13.124543736214921]
  この作業は、レーダーによるECG回復を創造的に3つの個別のタスクに分解する。 複数タスクの学習フレームワークであるRadarODE-MTLを提案し、一貫した雑音や突然の騒音に対する堅牢性を高める。 実験の結果,レーダノード-MTLはレーダ信号から正確なECG信号を頑健に再構成できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T09:28:09Z)
• radarODE: An ODE-Embedded Deep Learning Model for Contactless ECG Reconstruction from Millimeter-Wave Radar [16.52097542165782]
  レーダノードと呼ばれる新しいディープラーニングフレームワークは、レーダ信号から抽出された時間的および形態的特徴を融合させ、ECGを生成するように設計されている。 レーダノードは,検出率の欠落,ルート平均二乗誤差,ピアソン相関係数の9%,16%,19%で,ベンチマークよりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2024-08-03T06:07:15Z)
• BRSR-OpGAN: Blind Radar Signal Restoration using Operational Generative Adversarial Network [15.913517836391357]
  現実世界のレーダー信号は、望ましくないエコー、センサーノイズ、意図的な妨害、干渉など、人工物が混ざり合っているため、しばしば破損する。 BRSR-OpGAN(Operational Generative Adversarial Network)を用いたブラインドレーダ信号復元の検討 このアプローチは、破壊の多様性や強度に関わらず、レーダ信号の品質を向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-07-18T23:55:48Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。