前言
最近阅读了一篇关于使用雷达检测人体是否摔倒的论文。在电力线识别场景中，我们可以借鉴该论文中的一些方法。
文献基本内容
该论文的大致内容是：作者将雷达安装在实验室的侧壁或顶部，采集志愿者数据，分别使用了深度学习分类器（DL）和机器学习模型来分类和识别。最终结果表明，利用毫米波雷达开发跌倒检测系统是可行的。
使用到的传感器：毫米波雷达
-
红外传感器 红外传感器可以准确识别人类活动并检测跌倒。然而，红外传感器对热源很敏感，比如笔记本电脑、水壶或加热器，而毫米波雷达传感器则不受影响。在该论文中，作者并没有详细说明红外传感器的布局位置，只是详细说明了毫米波雷达数据的处理方法以及实验结果。作者表明在后续的实验中将会使用红外传感器提高识别的准确率。
-
雷达 在该论文中，使用的是在 60-64 GHz 频率范围内工作的毫米波雷达。德州仪器 WR6843SK-ODS 作为天线板，德州仪器 MMWAVEICBOOST 作为载波板。
在该论文的实验 1 中，雷达安装在墙壁的一侧，如下图所示。在该论文的实验 2 中，雷达安装在墙壁的顶部。
雷达采集数据集合的形式
毫米波雷达的数据形式主要有两种：点云数据和底层数据。
-
点云数据 点云是通过对原始数据使用数字信号处理技术生成的。点云指的是由雷达设备扫描得到的空间点的数据集，每一个点云都包含了三维坐标（XYZ）和信号反射强度（Intensity），其中强度信息会与目标物表面材质与粗糙度、入射角度、波长以及雷达的能量密度有关。点云是毫米波雷达最常用的数据形式。虽然非常稀疏（比如每帧 64 个点），能够提供的信息量有限，但也正是因为数据量小，处理它需要的计算量非常小，适用于低算力系统。点云数据的使用一般有两种方式：一种是直接使用点数据，一种是把点云转换为网格形式。网格形式的点云适合用于卷积神经网络中。
-
底层数据 底层数据是毫米波雷达最原始的 ADC 数据。这些信息中很多都是噪声，但是也有不少有用的信息，比如多普勒的频谱信息。在处理原始数据时，典型的方法就是将原始信号转换成不同类型的图像：微多普勒频谱图、距离 - 时间图、距离 - 多普勒图、时频图。传统的信号处理方法很难从大量的噪声中提取这些有用信息，而这正是深度学习算法的强项。
雷达数据的获取
该论文使用点云作为分析的数据集合。获取点云的过程：雷达传感器向环境发送信号并接收其回波信号，然后执行内置处理技术将信号转换为点云。为了调整内置处理技术，在运行数据收集实验之前，向雷达传感器发送配置文件。
