本帖最后由 中国计算机学会 于 2024-4-19 15:28 编辑
摘要—本文介绍了毫米波感知的发展历程，对比分析了毫米波感知与低频段无线感知的区别，在物理空间重构方面，提出毫米波计算成像与多路径解析方法，，并结合机器人技术提出全自动化的空间感知方法，；在生理心理健康状态感知方面提出无感连续血压、心理压力监测方法。
周安福（北京邮电大学）
马华东（北京邮电大学）
徐冬竹（北京邮电大学）等
关键词 ：无线感知 毫米波感知 环境重构 血压监测
毫米波感知发展历程 毫米波是波长在1~10毫米之间的电磁波，对应的频率范围为30~300 GHz，是5G通信的主要频段之一。随着5G的广泛使用，毫米波感知越来越为人们所熟悉。实际上，毫米波感知的发展已历经约80年，大致可以分成三个阶段： • 阶段一：20世纪40年代起，毫米波感知最初用于军事领域对飞机、船舶等军事目标的探测，1947年以后应用于测绘、目标探测和气象测量等更多领域[1, 2]。 • 阶段二：20世纪80年代后期，随着集成电路技术的发展，可靠性、成本等问题得到解决后，毫米波元件逐渐被应用于汽车避障领域。梅赛德斯于1999年推出了第一款商用汽车避障雷达[2]。随着汽车产业的发展，车用毫米波雷达快速发展，其能力从避障升级为4D点云成像[3]，是视觉、激光雷达传感的有效补充，有望在自动驾驶中发挥更大作用。 • 阶段三：近十余年来，毫米波感知作为一种物联网泛在感知方式，逐步走进了日常生活。2015年，谷歌推出Project Soli，其设计了可集成于手机/可穿戴等物联网设备的小型化毫米波雷达，提供非接触式凌空手势识别等人机交互功能[4]；2017年,德州仪器推出了CMOS一体化毫米波感知芯片AWR1642及后续系列模块[5]，为毫米波感知的研究和应用发展提供了良好的实验平台。同时，国内外研究机构（加州大学圣迭戈分校、伊利诺伊大学厄巴纳-香槟分校、麻省理工学院、卡耐基梅隆大学、牛津大学、新加坡南洋理工大学、马德里先进材料研究所（IMDEA）、北京邮电大学、清华大学、北京大学、浙江大学、中国科学技术大学、南京大学等）纷纷开展相关研究，毫米波感知成为物联网/移动计算/网络高水平会议和期刊（例如SIGCOMM、MobiCom、NSDI、MobiSys、UbiComp，ToN、JSAC、TMC等）的焦点主题之一，也使得毫米波感知粒度越来越精细，从环境重构[6, 7]和目标追踪定位[8, 9]，发展到行为分类[10]与手势识别[4, 11~13]，甚至是更细粒度的材料和液体识别[14, 15]、语音/振动识别[16~18]、生命体征（呼吸、心跳）检测[19, 20]、脉搏血压情绪监测[21~24]等，广泛应用于空间计算、智慧建筑、人机交互、智慧康养等各个领域。 毫米波精细感知能力 上述毫米波感知的广泛应用，得益于其精细感知能力。与传统的厘米波段电磁波（例如Wi-Fi、LTE、RFID等）相比，毫米波具有带宽大、波长短的特点，在感知分辨率上具有显著优势，体现在如下三个方面： 1.距离分辨率。距离分辨率是指在感知径向方向上能区分出来的两个不同目标间的最小距离。根据经典感知理论，距离分辨率取决于所使用的电磁波带宽，即 （c为光速，B为带宽，dres是距离分辨率）。以常用的毫米波感知频段60~64 GHz为例，其距离分辨率为3.75厘米；而常见的Wi-Fi 802.11ac最大带宽为160 MHz，其距离分辨率为93.75厘米，差了近两个数量级。 2.速度分辨率。不同于距离分辨率涉及两个目标，每个目标自身的微小运动也会引起毫米波信号的相位变化[25]，速度分辨率的变化幅度∆φ取决于波长，即 (其中∆d是目标微运动距离，λ是波长，这里我们一般要求∆d<λ）。以常用的60 GHz毫米波感知为例，其波长为5毫米（小于Wi-Fi波长的1/10)，那么心脏跳动引起的1毫米的胸腔距离变化会产生约 的相位变化（远大于其他因素造成的相位噪声），据此可以感知心脏活动。进一步地，在常用调频连续波（FMCW）调制下，速度分辨率 （λ为波长，Tf为每次FMCW chirp（一种线性调频信号）的持续时间，单位一般为微秒），短波长使得毫米波感知可以探测到细微速度变化。 3.角度分辨率。角度分辨率是指两个目标在处于同一径向距离下时，能被区分的最小夹角。角度分辨率取决于感知模块上的天线数量，即 （N为天线数量）。由于毫米波的波长小，毫米波模块可以在相同面积上配置更多天线（天线长度、间距与波长成正比），因此可以提供更高精度的角度分辨率。以德州仪器的IWR6843ODS毫米波芯片为例，其在3 cm×4 cm电路板上集成4发射天线、3接收天线的阵列，支持约30°的水平和俯仰角度分辨率；利用毫米波感知较高的距离和角度分辨率，毫米波感知可以生成具象化、显式的目标感知结果——点云，从而方便后续步态、微手势等精细活动识别。而低频段无线感知，通常只能提供信道状态信息（Channel State Information，CSI）等难以直接体现目标信息的中间态数据，如图1所示。
毫米波的精细感知能力与数据驱动的人工智能相结合，将激发更大潜能，尤其是在智慧健康领域。《扁鹊见蔡桓公》记载了神医扁鹊仅凭片刻之间的观察，即判断出蔡桓公患有疾病，只不过还没有明显症状。我们设想，通过毫米波感知可以无感连续、不侵犯隐私地对人员活动、生理指标进行全时空感知，并将感知数据输入到深度学习特别是大模型中进行训练，可支持疾病（特别是心血管、神经退行性等慢性疾病）的早期筛查预警，从而使“治病于未病”成为可能。 下面将介绍笔者团队在毫米波感知方面取得的代表研究成果。 物理空间重构 环境感知是机器人等无人系统研究领域的核心技术。通常来看，无人系统顺利运行的一个先决条件是具备环境感知和分析能力，即一个移动机器人可构建周围的物理空间，包括反射物几何布局、尺寸和反射率，并在此基础上计算自身所在位置。环境感知的研究源远流长，解决方案包括基于可见光图像分析的感知、基于声纳/激光的感知和基于专用雷达的感知。与之不同的是，我们利用通信节点本身具备的60 GHz毫米波无线电模块进行环境感知，而不需要额外的毫米波雷达或激光雷达等其他感知设备，从而支持复用现有通信设备的泛在感知。 使用一般通信模块进行空间重构，其核心挑战在于如何仅使用通信信号强度（Received Signal Strength，RSS）和相位来“描绘”反射物。测量研究发现，毫米波信道具有很强的稀疏性，在实际环境中通常只有几条主要的反射路径，其他路径的信号强度基本可以忽略。基于此，我们提出了E-Mi[6]，设计了多路径解析框架（Multi-path Resolution Framework，MRF）对毫米波信号传播路径进行精确追踪，利用测得的RSS/相位创建“虚拟波束”，以解析不同信号传播路径的反射角度，并实现不同路径上出射角（AoD）和入射角（AoA）的匹配。在此基础上，设计多频距离估计方法，结合空间几何约束关系，推导信号传输路径被反射物“弯曲”的位置，从而估计反射点位置，进而恢复环境中主要反射物的形状和反射率。实验结果表明，E-Mi可以准确解析并重构反射物，角度误差为3.5°，距离误差为0.4米。 在此基础上，结合毫米波感知与机器人技术，我们提出全自动化的反射点定位方法mmRanger[26]，包括两个关键设计：一是仅使用普通毫米波无线网卡上可用的信号强度RSS信息来重构几何路径；二是提出了路径聚类算法，在没有基础设施支持的情况下对路径估计进行去噪，并重建反射物的几何形状及反射率。我们在低成本的可编程扫地机器人平台上实现了这一系统（见图2）。实验表明，mmRanger实现了静态物理环境的高精度（厘米级别）和高效率（感知时间缩短百倍）重构：平均角度误差小至1.9°；反射物平均定位误差仅为16厘米；重构效率从10分钟/平方米提高到5秒/平方米。
进一步，我们发现，对物理空间的重构可以用来解决毫米波传输敏感性问题。与sub-6 GHz低频段的全向传输模式不同，毫米波网络普遍采用高增益的有向模式，要求通信双方必须对齐波束方向才能建立有效通信链路，这导致网络性能对周围环境高度敏感。例如，当第三方（比如一个移动的人）挡住通信双方的视距（Line-of-Sight，LoS）通道时，链路吞吐量会降低至原有吞吐量的1/10左右，甚至造成通信中断[6]。为此，我们提出了感知驱动的传输增强新方法，通过上述环境重构方法获取通信环境中强反射物的形状、位置、反射率和物体移动实时轨迹，从而全面掌握潜在的反射通道信息，并提前预测传输通道被阻挡事件；基于这些感知信息计算并行链路间的干扰，提出了一种基于信噪干扰比的多维度空间重用机制，设计轻量级且兼容现有标准的波束重定向和空间复用增强算法和协议，分别从无线接入点（AP）关联、用户调度和波束选择三个维度，建立干扰冲突图，规划多链路中最佳的AP关联组合和并行的用户波束传输组合，从而有效提高空间重用性，把高码率无线VR应用的吞吐量提升近2倍[27, 28]。 除了理论工作，我们还研制了60 GHz毫米波感知可编程平台（射频前端中心频率/带宽、发射功率、天线增益可配置，基带波形可调制）和移动感知平台（见图3），研发了一整套软件开发工具包（支持底层毫米波信号加速处理、中间层点云聚类追踪、上层定制化深度学习算法），建立了目前最大的毫米波感知公开数据集[11, 29]，包含毫米波步态（95人30小时）、手势（246人440小时15.8万条样本）感知数据，已被美国国家标准与技术研究所、英国牛津大学、新加坡南洋理工大学等研究机构使用，促进了毫米波感知领域的研究。
人员行为动作识别 非接触凌空手势识别 提供了一种自然、便捷的人机交互方式。不同于大幅度的全身活动，手势仅由多个手臂手掌关节在不同位置的较小运动，甚至是不同手指之间的相对位移组成。毫米波感知可以充分捕获手指关节等不同部位各自的精细化运动，从而支持“手指级别”幅度的手势识别。如图4所示，通过不同距离点之间的位置关系和速度差异，可以将手势的运动分解成多个空间中的反射点，对执行手势过程中不同手掌部位的精细化运动进行细节描述，从而支持更加精细和准确的手势识别。根据这一思路，我们提出了基于点云空间画像的远距离手势识别方法[11]和面向多用户交互的手势识别系统[12, 13],为凌空手势交互提供了有效的解决方案，并应用于头部物联网设备厂商的原型系统。
步态识别 测量研究表明，每个人独特的行走姿势，会导致独特的无线信号变化模式，为无线步态感知提供了可能性。现有步态识别通常利用Wi-Fi等低频段无线信号，然而其带宽小，空间分辨率低，难以精确捕捉步态行为，不支持步态的进一步具象化分析，并且难以对多人的步态信号进行分解，不支持多人共存的步态识别。毫米波的精细感知能力为步态识别提供了更强大的感知手段。如图5所示，毫米波感知能够针对人员的步态生成丰富的点云数据，每个点云都包含坐标、速度、能量等多种信息，其中蕴含着行走时人体的重心变化趋势、手臂摆动的细微差异等重要的精细化、具象化步态特征。我们据此提出了毫米波多人步态识别方法mmGait[29]，设计了步态点云深度学习模块分别提取点云每种属性的时空特征，并使用特征整合模块提取步态点云序列的整体特征以表征重心变化趋势、手臂摆动等高层语义信息，进而使用分类器获取人员的身份。实验表明，单人场景的步态识别准确率达到90%，五人共存步态识别准确率达到88%。
人员内在生理心理状态感知 无感连续血压监测。血压是一种重要的生命体征，与多种心血管疾病密切相关。在现代社会，高血压是一种普遍的健康隐患——据统计我国高血压患者高达2.5亿。然而，高血压具有高隐匿性，患者往往没有明显症状，导致高血压的知晓率、治疗率、控制率仅分别为51.6%、45.8%、16.8%。这是由于单次或间歇的血压测量结果不仅受到血压本身具有的波动性影响，而且受到“白大褂效应”等情绪扰动的严重干扰。因此，血压的连续监测在心血管疾病的防治中具有重要作用。 然而，我们发现，现有的三类血压监测方法难以支持连续血压监测。（1）侵入式血压测量方法。将一个套管针扎于动脉（通常为桡动脉、股动脉、足背动脉或肱动脉）中直接测量动脉压。此类方法虽然准确，但测量过程需要专业人员操作且会造成创口，无法在日常生活中应用。（2）袖带加压式血压计。在日常生活中的应用较为普遍，被测人员穿戴袖带，通过给袖带加压来获得脉搏和血压信息。但此类设备便携性差，且充放气缓慢，无法实时连续测量。（3）可穿戴式血压计。随着可穿戴设备的发展，近年来，基于智能手机或手表传感器进行血压测量的技术备受关注。一些具有充气式腕带的可穿戴设备被研发出来用于测量血压，例如华为Watch D手表、入耳式血压计eBP等。它们将用于充放气的气囊和气泵缩小后与可穿戴设备结合，比普通的血压计更加便携，但其充放气的速度也更加缓慢，仍无法做到连续血压测量，且频繁的使用会导致局部组织缺氧。一些研究者也设计出了使用光电传感器的血压测量设备，例如使用光电容积脉搏波描记法（PPG）传感器测量脉搏传输时间进而计算血压的Crisp-BP、利用手机上的相机与加速度传感器测量血压的Seismo等。然而，这类方法需要使用者保持固定的测量体位，且测量精度受到肤色、汗水、环境光照条件影响。 因此，我们设计了airBP（见图6），一种利用毫米波信号“隔空”监测血压的系统。airBP通过毫米波雷达向手腕发射毫米波信号，并且从手腕反射的信号中准确定位动脉所在的位置，对动脉进行持续感知获得脉搏波，并设计深度学习神经网络从脉搏波中提取血压相关特征，计算用户血压[21]。
为了实现准确的血压预测效果，airBP解决了以下两个挑战。（1）利用毫米波从腕部非接触地监测微弱的脉搏波信号。与呼吸和心率监测的感知目标相比，血压测量的感知目标更加细微——直径为3毫米、搏动幅度仅为0.03毫米的腕部桡动脉血管，比呼吸心跳幅度小了两个数量级。为了准确地感知桡动脉的细微搏动，我们首先设计了自相关系数最大化的波束成形算法，快速定位桡动脉所在的区域。该算法的设计基于如下实验观察：脉搏自身具有时序周期性强的特点，来自不同区域的反射信号中，时序周期性越强的信号越接近动脉搏动的区域。因此，我们通过计算不同反射区域的信号强度随时间变化的自相关系数，关注其中信号强度变化周期性最强的区域，实现快速准确的动脉定位，进而获得脉搏波。（2）克服脉搏波信号失真，准确预测血压。腕部动脉被皮肤和肌肉紧紧包裹，这会导致毫米波在到达血管前的穿越皮肤组织的过程中发生严重的衰减，影响脉搏波的感知精度，导致血压相关特征被噪声淹没而难以获得准确的血压预测结果。为了从质量不足的脉搏波中获得精细的血压相关特征，我们设计了定制的两阶段神经网络模型，在第一阶段的预训练中，我们利用长序列的监督信息强化模型对脉搏波中蕴含的血压相关特征（例如返回波传输时间）的感知，在第二阶段中通过基于多层注意力机制的血压计算模型获得脉搏波中的长期依赖与局部上下文特征，准确计算血压数值。 我们收集了41名志愿者的超过10000个脉搏周期数据进行验证。结果表明airBP能够在距离毫米波雷达26厘米的范围内准确预测血压，收缩压和舒张压的平均误差小于0.3毫米汞柱（mmHg），标准误差小于4.80毫米汞柱，达到美国医疗器械促进协会（AAMI）医用血压计国际标准。“非接触式血压监测技术”专利获得2023年第48届日内瓦国际发明展金奖。目前，在北京市自然科学基金—小米联合创新基金重点项目的资助下，我们正与北京大学第三医院紧密合作，开展大规模临床验证，有望为心血管疾病早期检测和预警提供变革性的医学仪器设备。 心理压力监测。现代社会的快速工作和生活节奏，使人们通常承受着较大心理压力。长期的慢性压力累积会损害一个人的心理甚至生理健康。医学研究表明，慢性压力与抑郁、焦虑等高度相关，也让人更容易患上心血管疾病和帕金森病等慢性疾病。因此，长期的压力监测有重要意义，它可以帮助人们认识进而主动调节自己的压力水平，并为个性化的精准医疗提供支撑。 目前的压力监测方案主要分为三种。（1）问卷：该方案往往非常麻烦和繁琐，经常导致结果不可靠或用户中止测试。（2）可穿戴设备：利用手表/手环上的PPG传感器检测人的心率变异性，进而对人的压力进行推测，但长期佩戴会不舒适（特别是夜里睡觉时），且在用户准静止状态下才能获得比较准确的测量结果。（3）最近麻省理工学院提出的毫米波感知方案WiStress[23]，使用毫米波雷达感知目标心率变异性，以此推断出用户的压力状态。虽然该方案是无接触的，但需要监测心脏活动，仍要求用户保持准静止状态。 综上所述，目前的压力监测方案均局限于静态/准静态场景。为了打破这一局限，我们提出了从人类日常生活中推测心理压力的解决方案——mmStress[22]。如图7所示，mmStress使用毫米波雷达持续记录人日常生活的活动轨迹和和点云，输入到压力推测神经网络mmStressNet中进行训练，通过日常活动推理用户的压力状态。值得强调的是，mmStress是一种用户无感的方式，不侵犯隐私，也不干扰用户正常生活。
mmStress的设计基于一个心理学发现：置换活动，即人在压力状态下无意识地抓挠、触摸脸部、徘徊、晃腿等活动，这些活动的频率和强度与压力正相关。mmStress从人的日常活动中提取置换活动，以此推断人们的压力状态。为了实现准确的压力监测，mmStress主要解决了这一关键挑战：如何有效提取置换活动特征。首先，不同目标在压力状态下的置换活动千差万别，幅度差异大，有徘徊这种大范围活动，也有抓耳挠腮这种小幅度活动。mmStress发挥毫米波的精细感知能力，可以对厘米级别动作幅度的置换活动进行提取判别。此外，置换活动通常是少量且短暂的，淹没在其他正常的日常活动中。为了准确地提取置换活动，我们在mmStressNet中设计了两个特征提取器：Global View Module和Partial View Module。 Global View Module基于自注意力（self-attention）从全局视野尽可能地提取置换活动，以提高模型对置换活动的探测能力；而Partial View Module则基于因果膨胀卷积，利用置换活动的连续性，基于可变长度的局部视野，去除过量引入的易混淆的非置换活动，提升模型的准确性。 我们招募了10名志愿者进行了长期的压力监测实验，在每名志愿者的卧室部署毫米波雷达，采集了30天共超过1200小时的活动数据。目前，mmStress的平均准确率为83%，具体的压力预测效果因人而异。我们也在进一步探索更加普适、对每个人都高度准确的新方法。 展望 综上所述，除了外在物理环境重构和表面行为动作的识别，毫米波感知以精细感知、注重隐私保护的特点契合内在健康感知的需求，可望在智慧健康特别是慢性疾病长期监测与预警中发挥更大作用。然而，要真正发挥出这一潜力，还需要更深入的研究。 未来研究主要面临以下两个挑战。（1）抗干扰细微生理感知能力。现有无线感知大多局限于实验室或理想环境，而慢性疾病的长时间尺度感知面临更为复杂的日常开放场景，对连续的人员定位与追踪、活动识别形成了更大挑战。更重要的是，不同于现有工作对跌倒、手势等大中幅度人员动作的识别，疾病感知需要更为细微的信息，例如人员站立时的震颤幅度、行走步态的微小变异性，以及心电血氧等更细微的生理指标信息，这对毫米波感知能力也提出了更高要求。（2）厘清健康认知机理。在获得感知大数据后，更重要的是从这些初级信息中挖掘有效特征，从而支持深层次的病程认知。如何将感知数据驱动的深度学习方法与医学知识有效结合，以半监督甚至无监督的方式获取患者外在活动状态与疾病演化的关系，从长时间尺度的日常活动中认知人员健康状态，是未来亟待解决的重要问题。 ■ 参考文献： [1] 王少华, 印世平, 秦晓磊. 毫米波雷达在军事对抗中的应用[J]. 四川兵工学报, 2010, 31(5): 30-32. [2] Menzel W. 50 years of millimeter-waves: A journey of development[J]. Microwave Journal, 2008, 8. [3] Qian K, He Z, Zhang X. 3D point cloud generation with millimeter-wave radar[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2020, 4(4): 1-23. [4] Lien J, Gillian N, Karagozler M E, et al. Soli: Ubiquitous gesture sensing with millimeter wave radar[J]. ACM Transactions on Graphics, 2016, 35(4): 1-19. [6] Wei T, Zhou A, Zhang X. Facilitating Robust 60 GHz Network Deployment By Sensing Ambient Reflectors[C]// 14th USENIX Symposium on Networked Systems Design and Implementation. 2017: 213-226. [7] Lu C X, Rosa S, Zhao P, et al. See through smoke: robust indoor mapping with low-cost mmwave radar[C]// Proceedings of the 18th International Conference on Mobile Systems, Applications and Services. 2020: 14-27. [8] Wei T, Zhang X. mtrack: High-precision passive tracking using millimeter wave radios[C]// Proceedings of the 21st Annual International Conference on Mobile Computing and Networking. 2015: 117-129. [9] Pegoraro J, Meneghello F, Rossi M. Multiperson continuous tracking and identification from mm-wave micro-Doppler signatures[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(4): 2994-3009. [10] Wang Y, Liu H, Cui K, et al. m-activity: Accurate and real-time human activity recognition via millimeter wave radar[C]// IEEE International Conference on Acoustics, Speech and Signal Processing. 2021: 8298-8302. [11] Liu H, Wang Y, Zhou A, et al. Real-time arm gesture recognition in smart home scenarios via millimeter wave sensing[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2020, 4(4): 1-28. [12] Liu H, Zhou A, Dong Z, et al. M-gesture: Person-independent real-time in-air gesture recognition using commodity millimeter wave radar[J]. IEEE Internet of Things Journal, 2021, 9(5): 3397-3415. [13] Liu H, Cui K, Hu K, et al. MTransSee: Enabling environment-independent mmWave sensing based gesture recognition via transfer learning[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2022, 6(1): 1-28. [14] Liang Y, Zhou A, Zhang H, et al. Fg-liquid: A contact-less fine-grained liquid identifier by pushing the limits of millimeter-wave sensing[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2021, 5(3): 1-27. [15] Wu C, Zhang F, Wang B, et al. msense: Towards mobile material sensing with a single millimeter-wave radio[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2020, 4(3): 1-20. [16] Wei T, Wang S, Zhou A, et al. Acoustic eavesdropping through wireless vibrometry[C]// Proceedings of the 21st Annual International Conference on Mobile Computing and Networking. 2015: 130-141. [17] Jiang C, Guo J, He Y, et al. mmVib: micrometer-level vibration measurement with mmwave radar[C]// Proceedings of the 26th Annual International Conference on Mobile Computing and Networking. 2020: 1-13. [18] Yang Y, Xu H, Chen Q, et al. Multi-Vib: Precise Multi-point Vibration Monitoring Using mmWave Radar[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2023, 6(4): 1-26. [19] Yang Z, Pathak P H, Zeng Y, et al. Monitoring vital signs using millimeter wave[C]// Proceedings of the 17th ACM International Symposium on Mobile Ad Hoc Networking and Computing. 2016: 211-220. [20] Ha U, Assana S, Adib F. Contactless seismocardiography via deep learning radars[C]// Proceedings of the 26th Annual International Conference on Mobile Computing and Networking. 2020: 1-14. [21] Liang Y, Zhou A, Wen X, et al. airBP: Monitor Your Blood Pressure with Millimeter-Wave in the Air[J]. ACM Transactions on Internet of Things, 2023, 4(4):1-32. [22] Liang K, Zhou A, Zhang Z, et al. mmStress: Distilling Human Stress from Daily Activities via Contact-less Millimeter-wave Sensing[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2023, 7(3): 1-36. [23] Ha U, Madani S, Adib F. WiStress: Contactless stress monitoring using wireless signals[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2021, 5(3): 1-37. [24] Shi Z, Gu T, Zhang Y, et al. mmBP: Contact-Free Millimetre-Wave Radar Based Approach to Blood Pressure Measurement[C]// Proceedings of the 20th ACM Conference on Embedded Networked Sensor Systems. 2022: 667-681. [25] Seifert A K, Amin M G, Zoubir A M. Toward unobtrusive in-home gait analysis based on radar micro-Doppler signatures[J]. IEEE Transactions on Biomedical Engineering, 2019, 66(9): 2629-2640. [26] Zhou A, Yang S, Yang Y, et al. Autonomous environment mapping using commodity millimeter-wave network device[C]// IEEE Conference on Computer Communications. 2019: 1126-1134. [27] Zhou A, Xu S, Wang S, et al. Robot navigation in radio beam space: Leveraging robotic intelligence for seamless mmwave network coverage[C]// Proceedings of the Twentieth ACM International Symposium on Mobile Ad Hoc Networking and Computing. 2019: 161-170. [28] Zhou A, Xu S, Wang S, et al. Robotic millimeter-wave wireless networks[J]. IEEE/ACM Transactions on Networking, 2020, 28(4): 1534-1549. [29] Meng Z, Fu S, Yan J, et al. Gait recognition for co-existing multiple people using millimeter wave sensing[C]// Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(01): 849-856.
版权声明：中国计算机学会(CCF)拥有《中国计算机学会通讯》(CCCF)所刊登内容的所有版权，未经CCF允许，不得转载本刊文字及照片，否则被视为侵权。对于侵权行为，CCF将追究其法律责任。
| 
京公网安备 11010802032778号 )
发表于 2024-4-18 10:09:39