A comparison between ceiling-mounted FMCW, IR-UWB and Wi-Fi radar for in-bedroom human activity monitoring and sleep interruption detection

📄 arXiv: 2608.20322v1 📥 PDF

作者: Anton Lambrecht, Reda El Hail, Xianjun Jiao, Pieter Crombez, Dominique Schreurs, Peter Karsmakers, Adnan Shahid, Eli De Poorter

分类: cs.LG

发布日期: 2026-08-20

备注: This paper has been submitted to IEEE Access Journal and is currently undergoing review

💡 一句话要点

比较天花板安装的FMCW、IR-UWB和Wi-Fi雷达以监测卧室人类活动和睡眠干扰

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: FMCW雷达 IR-UWB Wi-Fi感知 人类活动识别 睡眠监测 无线电频率监测 非接触式医疗

📋 核心要点

  1. 现有研究通常在硬件、数据集和评估方法上存在差异，缺乏对不同无线电技术的统一比较。
  2. 本文通过对三种无线电技术的控制比较，提供了在相同条件下的性能评估，揭示了其优缺点。
  3. 实验结果表明，IR-UWB在活动识别中表现最佳，而FMCW在新环境中的泛化能力更强，所有技术在睡眠监测中均表现出色。

📝 摘要（中文）

尽管基于无线电频率的非接触式医疗监测日益重要，但不同的无线电技术如频率调制连续波（FMCW）雷达、脉冲无线超宽带（IR-UWB）和Wi-Fi感知在相同部署条件下的比较仍然较少。本文通过对20名参与者在六种房间布局下的同步记录进行控制比较，分析了这三种技术在细粒度10类人类活动识别和粗粒度4类睡眠监测任务中的表现。结果显示，IR-UWB在跨主体活动识别性能上表现最佳（89.0%宏F1），而FMCW在未见房间布局中具有最佳泛化能力（83.8%宏F1）。所有技术在未见环境中的睡眠监测均超过92%宏F1，揭示了识别性能与环境鲁棒性之间的基本权衡。

🔬 方法详解

问题定义：本文旨在解决不同无线电技术在相同条件下的比较问题，现有方法在硬件和评估标准上存在不一致，导致结果难以直接对比。

核心思路：通过对FMCW、IR-UWB和Wi-Fi雷达的控制比较，使用相同的卷积神经网络（CNN）进行评估，以确保结果的可比性和可靠性。

技术框架：研究设计包括对20名参与者在六种不同房间布局下的同步记录，使用CNN进行细粒度10类人类活动识别和粗粒度4类睡眠监测。

关键创新：本研究的创新在于首次在相同的实验条件下比较三种无线电技术，揭示了它们在活动识别和睡眠监测中的性能差异及其原因。

关键设计：在实验中，使用了标准化的评估指标（如宏F1分数），并对每种技术的参数设置进行了详细记录，以确保实验的可重复性和结果的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，IR-UWB在跨主体活动识别中达到了89.0%的宏F1分数，而FMCW在未见房间布局中的泛化能力为83.8%。所有技术在睡眠监测任务中均超过92%的宏F1，表明其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括医疗监测、智能家居和老年人护理等。通过优化无线电频率感知系统的设计，可以实现更高效的非接触式健康监测，提升用户的生活质量和安全性。

📄 摘要（原文）

Despite their growing importance for contact-free radio frequency (RF) based healthcare monitoring, different radio technologies such as frequency-modulated continuous wave (FMCW) radar, impulse radio ultra-wideband (IR-UWB), and Wi-Fi sensing are rarely compared under identical deployment conditions, as existing studies typically differ in hardware, datasets, and evaluation methodologies. In addition, the performance of ceiling-mounted radars, despite their practical deployment and cost advantages in healthcare environments, remain underexplored. Therefore, this paper presents a controlled comparison and analysis of ceiling-mounted FMCW, IR-UWB, and Wi-Fi sensing using synchronized recordings from 20 participants across six room layouts. All technologies are evaluated with the same convolutional neural network (CNN) on both a fine-grained 10-class human activity recognition (HAR) task and a coarse 4-class sleep monitoring task. IR-UWB achieves the highest cross-subject activity recognition performance (89.0% macro F1), while FMCW generalizes best to unseen room layouts (83.8% macro F1). For sleep monitoring, all technologies exceed 92% macro F1 in unseen environments. The results reveal a fundamental trade-off between recognition performance and environmental robustness, which can be explained through differences in range resolution, antenna diversity, Doppler resolution, and spatial information retention. These findings provide practical guidelines for the design of healthcare-oriented RF sensing systems.