基于深度学习的毫米波雷达手势识别实验教学设计_龚树凤.pdf

实 验 技 术 与 管 理 第 40 卷 第 4 期 2023 年 4 月 Experimental Technology and Management Vol.40 No.4 Apr.2023 收稿日期:2022-11-26 基金项目:浙江工业大学 2022 年度研究生教学“课程思政”改革试点项目（No.7）；浙江工业大学 2022 年校级教学改革项目（JG2022030）；2021 年教育部产学研合作协同育人项目（202102357003）作者简介:龚树凤（1985），女，河北唐山，博士，讲师，主要研究方向为雷达信号处理、智能感知与深度学习，。引文格式:龚树凤，方一鸣，施汉银，等.基于深度学习的毫米波雷达手势识别实验教学设计J.实验技术与管理,2023,40(4):168-176.Cite this article:GONG S F,FANG Y M,SHI H Y,et al.Experimental teaching design of millimeter wave radar gesture recognition based on deep learningJ.Experimental Technology and Management,2023,40(4):168-176.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.04.025 实验教学研究与改革 基于深度学习的毫米波雷达手势识别实验教学设计 龚树凤，方一鸣，施汉银，闫鑫悦，吴哲夫（浙江工业大学 信息工程学院，浙江 杭州 310023）摘 要：为了实现基于雷达传感器的人机交互，设计了一个基于深度学习的毫米波雷达手势识别实验。首先，该实验基于 77 GHz 的 FMCW 雷达，采集人体手部动作回波数据，并对回波数据进行帧差预处理，再利用多维 FFT 算法构建距离-速度-角度联合的多维特征融合数据谱图。然后，调用 MATLAB 中的深度学习工具箱，基于典型的 VGG16 网络，搭建了适用于多维特征数据提取和动作识别的 3D-VGG16-NET 网络。实验结果显示，该网络算法对手势的平均识别准确率达到 99.38%。关键词：毫米波雷达；手势识别；深度学习；FFT 算法；VGG16 中图分类号：TP183；TN958.6 文献标识码：A 文章编号：1002-4956(2023)04-0168-09 Experimental teaching design of millimeter wave radar gesture recognition based on deep learning GONG Shufeng,FANG Yiming,SHI Hanyin,YAN Xinyue,WU Zhefu(College of Information Engineering,Zhejiang University of Technology,Hangzhou 310023,China)Abstract:To realize human-computer interaction based on radar sensor,this paper designs a deep learning-based millimeter-wave radar gesture recognition experiment based on the FMCW radar,preprocesses the echo data,and builds a multi-dimensional distance-speed-angle fusion data graph using multidimensional FFT algorithm;then calls the deep learning toolbox in MATLAB to build a 3D-VGG16-NET network based on the typical VGG16 network and action recognition.Experimental results show that the average gesture recognition accuracy of the network algorithm is 99.38%.Key words:millimeter wave radar;gesture recognition;deep learning;FFT algorithm;VGG16 随着物联网技术的蓬勃发展及人工智能、大数据时代的到来，人类社会发生了前所未有的变化，各类智能设备不断涌现，智能化背景下的人机交互技术不断发展。手势检测和识别技术是人机交互技术的一个重要分支，其研究涉及计算机视觉、机器学习以及传感器等多学科领域，对人机交互技术的发展具有重要影响1-2。目前，手势识别技术中的数据来源主要是可穿戴传感器3-4、视觉传感器5-6和雷达传感器7-9。基于雷达传感器的手势识别方式，是一种与光学系统和可穿戴传感器技术相异、信息互补的主动探测方式，电磁波中蕴含的时、频、相等特征信息反映了手势目标的散射特性和运动状态，在技术原理上可以消解无光、遮蔽、非视距等常规意义上复杂环境所带来的探测难题，近年来在智能驾驶、物联网及智能家居等领域有着广泛的应用需求。因此，雷达手势识别是一个具有极强实用性、延续性、综合性的研究课题。目前用于手势识别的雷达包括连续波 CW 多普勒 龚树凤，等：基于深度学习的毫米波雷达手势识别实验教学设计 169 雷达7、超宽带 UWB 雷达8和调频连续波 FMCW 雷达9。其中，CW 雷达缺失距离信息，不能满足复杂场景的需求；UWB 雷达结构较为复杂，对采样率要求较高，成本较高；而 FMCW 雷达可以获得目标角度、距离、多普勒等多维度信息，同时具有较大的时宽带宽积，不需要较高的采样率，能够以低峰值功率获得较高信噪比，因此在手势检测识别方面具有较大优势。基于 FMCW 雷达传感器的手势识别方法大多使用回波信号进行 FFT 变换，来获得手势动作的距离、多普勒和角度等多个信息，生成各种数据谱图，如距离-多普勒图（RDM）10、距离-角度图（RAM）11、微多普勒时频图12、多特征组合图13等，再将各种数据谱图、点云图等以图片或数据形式输入到机器学习14、CNN15或 LSTM16等网络中进行分类识别。针对雷达传感器信号用于智能感知识别的理论知识比较晦涩，学生往往难以理解其基本原理以及实现过程等问题，本实验结合基本的深度学习网络和信号处理理论，设计了毫米波雷达手势系统综合实验案例。实验包括毫米波雷达手势回波信号采集、回波信号预处理、训练测试数据集划分、基于 VGG16 的融合网络搭建与训练、网络模型性能测试和结果可视化等内容。该综合实验系统有助于学生深入理解雷达传感器信号处理、深度学习等方面的理论知识，掌握传感器手势识别的实现过程，同时熟练掌握利用 MATLAB搭建深度学习网络、网络训练与测试的基本步骤，将所学的理论知识转化为具体的实践操作。1 实验整体设计 本实验设计了一种基于 FMCW 雷达的微动手势识别方法，实验步骤包括基于雷达的微动手势信号采集、中频信号预处理、多维特征提取、数据集划分、基于 VGG16-NET 的网络模型学习与训练等。具体实验流程如图 1 所示。图 1 实验流程图 首先针对手势动作的速度和幅度，通过中频信号采集软件设计了毫米波雷达系统参数，结合实际需求设计了 8 种手势动作，并对动作回波数据进行了采集。在信号预处理步骤中，考虑到杂波对手势动作回波数据的干扰，先利用背景帧差算法11对原始回波信号进行滤波预处理，然后基于三维 FFT 算法，构建手势动作的距离-时间特征图（RTM）、速度-时间特征图（DTM）和角度-时间特征图（ATM），并对多维特征图进行灰度化和归一化处理。在数据集划分步骤中，将上述灰化和归一化后的三种多维特征图按比例分为训练集和测试集，并打好标签。在网络模型学习与训练环节，基于 VGG16 的基础网络，利用 MATLAB 工具箱搭建三流 VGG16 融合网络，并设置不同的学习率、周期衰减因子等网络参数值，训练网络参数进行寻优，使网络展示出更好的识别效果。最后利用训练好的网络参数对测试集样本进行测试，并对结果进行分析。2 基于 FMCW 雷达的手势识别实验方法 2.1 手势信号采集平台 本实验采用TI公司型号为IWR1443BOOST的毫米波雷达和 DCA1000EVM 数据采集卡、电脑以及数据连接线进行人体手势回波数据采集。其中，IWR1443BOOST为一款基于 FMCW 雷达技术的集成式单芯片毫米波传感器，频带在 7781 GHz 之间，具有 4 GHz 的连续线性调频脉冲，有 3 根发射天线和 4 根接收天线。DCA1000EVM 是适用于雷达感应应用的实时数据捕捉适配器评估模块，通过数据线与电脑端连接，将雷达回波数据存储到电脑端。具体采集流程为：搭建雷达采集平台，将 1 根网 170 实 验 技 术 与 管 理 线和 2 根 USB 数据线连接至电脑，打开电源，打开电脑端安装的 mmWave Studio 软件，按照软件操作流程进行软件配置，参照表 1 设置采集页面的雷达基本参数，如图 2 所示。图 2 手势信号采集平台 表 1 雷达基本参数设置 基本参数 数值 基本参数 数值初始频率/GHz 77 采样点数 128调频斜率/GHzs1 40 斜坡结束时间/s 80闲置时间/s 7 Rx 增益/dB 30ADC 起始时间/s 6 抽样率/ksps 2 000Chirps 数 128 有效调频带宽/MHz 3 200发射天线 Tx 数目 1 接收天线 Rx 数目 4 2.2 微动手势数据集设计 本实验设计了 8 种手势。进行手势采集时，应在 雷达正前方 3040 cm 处完成相应手势动作，采集时间为 1.52 s。8 种手势动作如图 3 所示，手势动作的具体描述见表 2。本实验数据样本采集由三名采集者（一男两女）完成。每类手势依次采集 200 个样本，共计 1 600 个手势样本数据。对于单个手势样本，训练集包括 120个样本，验证集包括 40 个样本，测试集包括 40 个样本。在进行数据样本划分时，为保证整个算法模型在泛化性特征上表现更优越，对三名采集者的数据进行了均匀划分。数据样本采集示意图如图 4 所示。图 3 八种手势数据 表 2 8 种手势动作描述 手势 动作描述 滑动 距离/cm 动作时间/ms右滑 手掌带动食指从左往右滑动 20 左右 1020左滑 手掌带动食指从右往左滑动 20 左右 1020上滑 手掌带动食指从下往上滑动 25 左右 1020下滑 手掌带动食指从上往下滑动 25 左右 1020逆时针旋转 手掌带动食指逆时针滑动 15 左右（半径）1525顺时针旋转 手掌带动食指顺时针滑动 15 左右（半径）1525握拳扣手两次 手掌握拳扣手两次 3035手掌闭合两次 手掌进行两次开合动作 3035 2.3 雷达信号预处理 2.3.1 预处理过程 基于对 FMCW 雷达中频信号的处理和分析，进一步估计目标的距离、速度和角度特征。所采用的 图 4 数据样本采集示意图 FMCW 雷达信号波形为锯齿波，雷达的发射信号为：TTcT0cos2()d tStAf tf=+（）（1）式中，TA为发射信号的幅值，cf为载波频率，T()BfT=为周期T时间中雷达发射信号的频率，T 龚树凤，等：基于深度学习的毫米波雷达手势识别实验教学设计 171 为一个锯齿波信号的周期，B为发射信号的带宽。雷达的接收信号为：RRcR0cos2-()d tStAfttf=+（）（）（2）式中，RA为接收信号的幅值，t为接收信号与发射信号之间的时间差，R()BftfT=-+（）为周期T时间中雷达接收信号的频率，f为多普勒频率偏移。混频得到的中频信号为：IFTR1cos2()2cBStA Afttf tT=+-（）（3）理论上来说，通过t就可以得到距离信息，但是t这个参量难以准确测量，因此换个角度，通过一维FFT 来提取信号的频率信息，即提取中频信号在时间维度上的频点。根据雷达参数，引入 ADC 采样点数和采样频率，再根据一个锯齿波信号的周期 T、采样频率 Fs、ADC 采样点数 n 之间的关系，即可将距离信息简化为：2cRnB=（4）其中，c 代表光速。这样，由中频信号的一维 FFT 谱峰对应的频点，即由目标距离门号与距离分辨率的乘积就可以得到检测目标的距离信息，依照时间排列，即可得到距离-时间图。对距离 FFT 的结果在 Chirp 维作一维 FFT，得到距离-多普勒图，再通过峰值搜索方式就可以获取目标点所对应的距离和速度。将这两个变量对应到时间维度上，便可以得到速度-时间图，如图 5 所示。图 5 测速原理图 毫米波雷达测角度采用的是相位法，如图 6 所示。回波到达不同 Rx 天线时具有sind程差（d 为 Rx天线间距，为回波入射角度），导致不同 Rx 天线的回波信号具有不同的相位差。假设两个接收信号之间的相位差为，发射液为，则检测目标的角度信息可表示为：1sin2d-=|（5）综上，本实验可以得到距离、速度、角度这三维特征融合时间的谱图。图 6 3D-FFT 示意图 2.3.2 背景帧差处理 在运动目标识别图像处理方法中有一种较为常用的方法，即背景减法（background subtraction，BS）技术。在雷达采集系统中，如果将每个雷达数据帧都看作是一个数据矩阵，则 BS 所做的便是将新图像与参考图像（也可称为背景模型或参考模型）在这个数据矩阵上相减，得到二者之间的差异，而该差异便是由运动目标变化引起的，这样在相减的过程中便去除了静止的干扰杂波。但通过这种方法去除静止杂波的效果并非最佳，还有一种改进的 BS 算法。这种改进的 BS 算法是将帧差法与背景减法相结合的背景帧差法，该算法不再以固定参考模型作为背景，而是采用前一帧作为背景模型。借鉴图像处理中的 BS 技术，本实验考虑直接将经过 ADC 采样后的复数信号的实部和虚部（I/Q）进行帧减技术处理。与其他依赖于去除距离多普勒图中零多普勒区域的方法相比，BS 具有去除额外噪声的优势，定义第 q 帧和第 q1 帧的帧差为(,)qDn m，间步长 t 处的校准帧为：1(,)(,)(,)qqqDn mY n mYn m-=-（6）其中，n、m 分别代表快时间轴和慢时间轴上对应的标号，Y 代表采样的复数信号。2.3.3 构建距离-时间图 根据雷达信号参数设定，一帧信号内共有 128 个Chirps 信号，对这些 Chirps 信号依照时间顺序，依次做一维 FFT，得到 128 个频谱信息，将这些频谱信息求和再求平均值，就得到这一帧信号的距离信息。根据手势动作的物理特性，共设定了 40 帧，每帧都重复上述操作，并将每帧的距离信息在时间域上进行累积，172 实 验 技 术 与 管 理 就得到距离-时间谱图（RTM），流程如图 7 所示。8种微动手势动作的距离-时间图如图 8 所示。图 7 RTM 构建过程 从图 8 中可以看到，多个微动手势动作如左滑、上滑、下滑等在距离-时间图上的走向趋势十分类似，即在距离上的特征区分度不够明显。因此，需要进一步提取手势的速度特征来帮助网络提升识别准确率。2.3.4 构建速度-时间谱图 对已做过 1D-FFT 的每帧信号，再做一次 FFT，即可得到信号的距离-多普勒图（RDM）。基于完成的距离-时间谱图，按照时间顺序找到每帧信号的距离信息，并以距离信息为参照，从距离-多普勒图中搜索出该距离对应的速度列向量信息，由此获得每帧信号的速度信息。根据雷达参数以及微动手势动作的物理特性，每个动作共有 40 帧信号，每帧信号重复上述步骤，并将其按照时间有序排列，即可获得速度-时间谱图（DTM），8 种手势对应的速度-时间谱图如图 9 所示。从图 9 可以看到，多个微动手势动作在速度-时间图上的走向趋势还是比较类似，因此，需要进一步提取手势的角度特征来帮助网络提升识别准确率。2.3.5 构建角度-时间谱图 对已做过 2D-FFT 获得距离-多普勒特征图的每帧信号，在天线维度上再做一次 FFT，即可得到信号的角度-距离特征谱图（RAM）。基于获取的距离-时间谱图，按照时间顺序，找到每帧信号的距离信息，并以距离信息为参照，从角度-距离图中搜索出该距离对应的角度列向量信息，由此获得每帧信号的角度信息。根据雷达参数以及微动手势动作的物理特性，每个动作共有 40 帧信号，每帧信号重复上述步骤，并将其按照时间有序排列，即可获得角度-时间谱图（ATM）。8种手势对应的角度-时间谱图如图 10 所示。图 8 各类手势动作的 RTM 图 9 各类手势动作的 DTM 图 10 各类手势动作的 ATM 相较于动作的速度信息和距离信息，每个动作的角度特征更加稳定、更有区分度，更有利于网络准确性的提高。2.3.6 灰度化和归一化处理 考虑到后期卷积神经网络计算量较大，又由于仅需输入参数的数值信息，不需要颜色信息，因此对前 龚树凤，等：基于深度学习的毫米波雷达手势识别实验教学设计 173 期所得的所有特征谱图进行灰度化处理。这一操作不会影响网络的训练结果，只是大幅减少了训练的数据量，加快了训练速度。以距离-时间谱图（RTM）为例，按照下式进行图片的灰度化处理：0.2990.5870.114TRGB=+（7）其中，R、G、B 表示彩色图片三个基本通道的像素值 由于本实验的数据集由三类特征谱图组成，且这三类特征谱图之间的数据存在较大差异，因此要对每一类特征谱图进行离散化处理，将数值放缩到1,1区间内。以距离-时间图（RTM）为例，按照下式进行数值放缩：,11,/()max min RLm nr lrlm mddR LdDD=-|=-（8）其中，,m nd为原始像素值，,m nd-为更新后的像素值，R为特征谱图的行数，L 为特征谱图的列数，dr,l为图像中（r,l）点处的像素值，D 为每张图片总像素构成的像素区间。2.4 三维特征融合识别算法三维特征融合识别算法 结合前文提到的距离-时间谱图（RTM）、速度-时间谱图（DTM）和角度-时间谱图（ATM），本实验将基于 VGG16-NET设计一个 3D-VGG16-NET网络架构，用于手势动作的分类与识别。由于三类数据之间的差异较大，需要先分别对每类参数的数据进行基于单参数卷积神经网络的特征提取（见图 11）。输入网络的图片大小为 2242241，连接层的连接点数为 1 024。图 11 单参数卷积神经网络 整个网络分为两个部分（见图 12）。前六层是特征提取分支网络，3 个分支网络具有相同的结构和平行的处理时序，3 个分支输出均为 fc6 层特征，这是整个网络的前半部分。前半部分的输出作为后半部分的输入，紧接着的是全连接层，然后是 softmax 分类器，最后输出识别完成的手势类别。图 12 三维参数卷积网络 3 实验结果与分析 3.1 不同特征图输入时的结果比较 在卷积神经网络训练过程中，MATLAB 提供了可视化的交互界面，可以实时显示训练的准确率和损失值。这是卷积神经网络训练过程中的两个重要参数，二者结合，能够很好地描述卷积神经网络迭代训练情况。本实验用于识别的特征图包含 1 280 组训练数据和 320 组测试数据，每次迭代所需的样本量为 20，共迭代 20 轮，优化方法选择带动量机制的随机梯度下降法（Sgdm），初始学习率设置为 0.01，学习率衰减周期为 2 轮，学习率衰减因子设置为 0.9。实验对三维特征图输入单流网络（见图 11）以及融合输入三流网络（见图 12）分别进行离线训练和在线测试，得到的识别混淆矩阵如图 13 所示。（对角线 174 实 验 技 术 与 管 理 图 13 不同特征图输入时的混淆矩阵比较 上的数字表示在测试过程中，分类正确的样本数。因为总的测试样本数为 320，共 8 个动作，则每个动作有 40 个测试样本）由图 13 可以看出，三种特征图的识别准确率由大到小依次为：角度、距离和速度，其中距离和速度的准确率相差较小，角度的准确率比距离和速度高近20%。而三维融合特征数据集与单一特征数据集相比，识别准确率最高，验证了三维融合特征数据集的有效性。3.2 训练参数对网络性能的影响 基于对单一特征图学习准确率和有效性的研究，以下用三维融合特征时间图作为 3D-VGG16-NET 的输入，对训练过程中的学习率和学习率周期衰减因子进行参数寻优。3.2.1 初始学习率寻优 学习率对卷积神经网络训练的收敛性影响极大。一个适宜的学习率参量，可以使损失值在短时间内快速下降，并逐渐趋于平稳、无限接近于 0。如果初始学习率过大，训练迭代前期损失值会快速收敛，网络模型在视觉交互上容易接近局部或者全局最优解，造成一种训练参数优越的假象，但在训练后期损失值会出现较大波动，始终难以达到最优。如果初始学习率过小，网络中的权值更新缓慢，损失值收敛慢、波动大，且趋于平稳在一个远大于 0 的数值上。由图 14 可知，初始学习率为 0.01 和 0.001 时，前期收敛效果较一致，但在后期的学习过程中，初始学习率为 0.01 时，准确率波动较小且无线接近于100%。由图 15 可知，初始学习率为 0.01 的网络在测 图 14 不同初始学习率准确率曲线 龚树凤，等：基于深度学习的毫米波雷达手势识别实验教学设计 175 图 15 不同初始学习率混淆矩阵图 试环节的性能表现更优，平均准确率能达到 99.38%，而初始学习率为 0.001 的平均准确率为 99.06%。由于本实验的测试样本有限，二者差距较小，当测试样本增大时，初始学习率为0.01时测试结果优势更加明显。3.2.2 学习率周期衰减因子寻优 学习周期的周期衰减决定了网络学习率衰减方式，是影响网络训练效果的另一个重要参数。学习衰 减率的意义在于，训练前期能保证较大的学习率，使损失值快速收敛，加快网络的离线训练，在训练后期，随着训练迭代次数的不断增加，为了避免出现梯度下降导致学习率过小产生发散的情况，学习率尽可能小，逐步逼近最优数值。本实验训练过程选择常用的指数型衰减方式，衰减周期设为 2 轮，在学习衰减因子为 0.4 和 0.9 的情况下验证了网络性能。图 16 为随着迭代步数增加的损失值变化情况。图 17 为不同衰减因子在测试集上的混淆矩阵图。由图 16 可知，学习率衰减因子为 0.9 时，网络的收敛效果最佳。由图 17 可知，学习率衰减因子为0.9 时的网络性能更优。因此，在之后的训练分析中学习衰减率因子取值为 0.9。图 16 不同学习率衰减因子损失值变化情况 图 17 不同学习率衰减因子混淆矩阵图 176 实 验 技 术 与 管 理 4 结语 本文结合基本的深度学习网络和信号处理理论，设计了毫米波雷达手势系统综合实验案例。通过毫米波雷达手势回波信号采集、回波信号预处理、训练测试数据集划分、网络模型性能测试等内容，带领学生深入理解雷达传感器的信号处理和深度学习的理论知识，掌握传感器手势识别的实现过程，同时熟练掌握利用 MATLAB 工具箱搭建深度学习网络、进行网络训练与测试的基本步骤，帮助学生将所学的理论知识转化为具体的实践操作，并实现识别准确率的显著提升。在未来的教学实践中，将引导学生进一步从改进网络结构、信号处理、图像预处理等方面提高最终的识别精度、检测速度和应用范围。参考文献(References)1 LING K,DAI H,LIU Y,et al.Ultra gesture:Fine-grained gesture sensing and recognitionC/2018 15th Annual IEEE International Conference on Sensing,Communication,and Networking(SECON),Hong Kong,China:IEEE,2018:19.2 MOLCHANOV P,GUPTA S,KIM K,et al.Multi-sensor system for drivers hand-gesture recognitionC/11th IEEE international conference and workshops on automatic face and gesture recognition,Ljubljana,SL:IEEE,2015(1):18.3 李辉.基于数据手套的手语手势识别及应用D.哈尔滨：哈尔滨理工大学，2018.4 陈鹏展，罗漫，李杰.基于加速度传感器的连续动态手势识别J.传感器与微系统，2016,35(1):3942.5 HOQUE S M A,HAQ M S,HASANUZZAMAN M.Computer vision based gesture recognition for desktop object manipulation C/International Conference on Innovation in Engineering and Technology,Dhaka,Bangladesh:IEEE Press,2018:16.6 VATAVU R.User-defined gestures for free-hand TV control C/Proceedings of the10th european conference on interactive TV and video.Berlin,GER:ACM Press,2012:4548.7 张佳俊.基于 5 GHz 频段雷达的手势识别系统研究D.杭州：浙江大学，2018.8 余晨晖.基于UWB雷达的手势识别技术算法研究D.南京：南京理工大学，2018.9 任爱虎.基于 FMCW 雷达的手势检测与识别方法研究D.重庆：重庆邮电大学，2021.10 夏朝阳，周成龙，介钧誉，等.基于多通道调频连续波毫米波雷达的微动手势识别J.电子与信息学报，2020,42(1):164172.11 XIA Z Y,LUOMEI Y X,ZHOU C L,et al.Multidimensional feature representation and learning for robust hand-gesture recognition on commercial millimeter-wave radarJ.IEEE Transactions on Geoscience and Remote Sensing,2020,59(6):116.12 NEEMAT S,KRASONV O,YAROVOV A.An interference mitigation technique for FMCW radar using beat-frequencies interpolation in the STFT domainJ.IEEE Transactions on Microwave Theory and Techniques,2019,67(3):12071220.13 SHEN X S,ZHENG H F,FENG X X,et al.ML-HGR-Net:A meta-learning network for FMCW radar based hand gesture recognitionJ.IEEE Sensors Journal,2022,22(11):1080810817.14 MALYSA G,WANG D,NETSCH L,et al.Hidden Markov model-based gesture recognition with FMCW radarC/IEEE Global Conference on Signal and Information Processing,Washington,USA:IEEE,2016,10171021.15 王俊，郑彤，雷鹏，等.基于卷积神经网络的手势动作雷达识别方法J.北京航空航天大学学报，2018,44(6):11171123.16 CHOI J W,RYU S J,KIM J H.Short-range radar based real-time hand gesture recognition using LSTM EncoderJ.IEEE Access,2019(7):3361033618.（编辑：张文杰）