探索物联网专业创新型本科生培养体系

探索物联网专业创新型本科生培养体系一文创作于：2023-08-16 04:23:19，全文字数：17156。

探索物联网专业创新型本科生培养体系

��可穿戴设备或摄像头的解决方案，而前者经常出现忘戴现象，后者会侵犯用户隐私，实施阻力较大。带领学生将这一实际问题与毫米波感知技术相结合，研发了基于毫米波感知非介入式运动状态监测和预警技术，可在不侵犯隐私、不需要用户配合的情况下，对感知对象进行全天候24 小时的监测呵护。目前，我们正与相关企业适合，将这一技术进行工程优化和场景适配，以形成实际产品，实现更好的社会服务。

在项目实践的模块中，我们将本科生引入实验室，与博士生、硕士生形成科研小组，解决实际问题，完成实践工作。例如，我们的3 名本科生在设计毫米波精准感知系统的过程中，将毫米波感知用到了手势识别方面。通过神经网络分类模型，实现了5 种微手势的识别，并将其与自动拍照系统结合，研发了基于毫米波手势识别的自动拍照系统，获得了北京邮电大学大学生创新创业大赛奖励。此外，先后有4 位本科生参加了我们与国内高科技产业界合作的感传融合校企合作创新项目，研究成果发表于移动计算领域顶尖国际会议ACM MobiCom 2019/2020，并获得了阿里巴巴优秀学术合作奖。

下面，我们以两个具体案例展开阐述上述培养模块的设计过程。

案例一：毫米波手势控制拍照系统

我们以毫米波手势拍照系统为基础在课堂上进行了面向物联网的创新性本科生培养体系实践。该系统主要包括三个模块：毫米波信号分析、卷积神经网络手势分类器和相机控制程序。学生通过该系统的学习能够全面掌握当前物联网科学前沿毫米波感知的相关知识，深度参与物联网技术在前沿领域的应用过程，激发学生科研和创新的兴趣，全方位提升学生的实践能力和创新能力。该模块的总体架构如下：

首先由毫米波设备发送天线发射无线信号，信号被用户手部动作调制反射，反射信号被毫米波接收天线捕获。接着，毫米波设备将收到的信号进行处理，获得信号强度、距离、多普勒频移等信息。将这些信息输入神经网络进行学习，通过学习后的分类器对用户新动作进行分类预测。这一过程的进一步描述如下：

（1）以TI 毫米波雷达为例进阐述。毫米波设备为TI IWR1443，该设备可以将原始FMCW 信号进行预处理后，得到一个帧序列信号，每一帧含有11 个与角度、距离、RangeDoppler 有关的特征值。

（2）利用神经网络对这些帧序列进行学习和分类的过程我们是在Python 中实现。当前采用的神经网络为ResNet。在神经网络进行学习的过程中，我们把学习准确率最高的网络模型保存为.pkl 的格式，留以后用。

（3）对新手势的预测，采用调用Python 脚本的方式导入训练好的网络模型，并用该网络模型对于新手势进行预测。该脚本由Matlab 进行调用，并返还给Matlab 一个预测分类结果值。

（4）控制相机的部分在Matlab 中完成。采用的方式是调用Webcam 模块控制相机。每当一个新手势完成分类预测之后，Matlab 就会给该模块发送一个control 值。模块根据不同的control 值控制相机的不同动作。

该系统的基本原理如下：用毫米波束发射并照射手，反射信号是来自多个动态散射中心的反射的叠加，其代表动态手部变化。然后，将接收到的信号处理成多个与角度、距离、Range Doppler 有关的特征值表示（在此称之为变换），这使我们能够提取手部动作各种瞬时和动态特征。虽然这些特征不足以重建手的骨骼结构，然而它们的组合可以唯一地识别。我们可以通过深度学习技术将它们与先验捕获的训练数据集进行比较来识别各种手部配置和运动。

在课堂上，学生们在老师的指导下分组自行搭建了上述系统，并运用该系统采集到了相应的数据。课后，学生们运用所学的知识对这些数据进行分析和处理，形成各自的汇报结果。学有余力的学生，还可以在上述系统的基础上运用所学知识对系统进行修改和验证。

案例二：毫米波步态识别系统

我们在本科生培养中运用的第二个系统是毫米波步态识别系统。在研究中发现使用毫米波技术，能够提供更智能、有效的生物识别，例如步态识别。

步态是人类步行的行为特征。步行是人类生存的基础，是人类与其他动物区别的关键特征之一。正常步行并不需要思考，然而步行的控制十分复杂，包括中枢命令，身体平衡和协调控制，涉及足、踝、膝、髋、躯干、颈、肩、臂的肌肉和关节协同运动。任何环节的失调都可能影响步态。步行是全身肌肉参与，包括人体重心移位，骨盆倾斜旋转，髋、膝、踝关节伸屈及内外旋转等，使人体位移的一种复杂的随意运动。随着年龄的增长，单、双支撑时相占步态周期的比例也随之增加。不同性别和身高的人，其支撑时相和摆动是有差异性的。

行走过程中，从一侧脚跟着地开始到该脚跟再次着地构成1 个步态周期。由于体型和运动模式的不同，每个人在活动时，都会对周围毫米波信号产生特定的影响模式，人在行走时，身体在用毫米波波束照射时，会将该波调制并反射，且由于毫米波对变化的分辨率极高，毫米波设备可以检测到细微的变化，比如步态周期中的支撑时相和摆动时相。支撑时相又分为脚跟着地、趾着地、支撑中期、脚跟离地、蹬离期和趾离地等动作阶段。摆动时相分为加速期、摆动期和减速期。身体在动态变化时所产生的反射信号就是由多个表面反射点的反射的叠加所造成。为了得到这些反射点的特性，我们将接收到的信号按照相关原理模块变换成与Range Doppler、角度有关的特征值的表示，这些特征值包括每一个反射点的距离、速度和角度。这些反射点组成一个人的点云。

通过毫米波雷达设备得到的点云数据为非结构化数据，点云相对稀疏，人类并不能直观地去理解这些数据。所以为此特意定制了一套神经网络模型进行学习点云数据中的特征，以便对人类步态点云数据进行分类预测。

我们在课堂上搭建了一套毫米波步态识别系统，该系统的总体架构如下：

首先由毫米波设备发送天线发射无线信号，信号被用户步态动作调制后反射，反射信号被毫米波接收天线捕获。接着，毫米波设备将捕获信号进行处理，获得距离、角度、多普勒频移等信息，并将这些信息输入神经网络进行学习，通过学习后的分类器对用户进行分类预测。这一过程的进一步描述如下：

毫米波设备我们使用TI 毫米波雷达TI IWR1443，该设备可以将原始FMCW 信号进行预处理后，得到3D 的点云，点云中包含若干个反射点，每个反射点含有3 个属性，分别是三维坐标、速度、信噪比。

对这些点云数据进行预处理并生成点云序列，利用神经网络对这些点云序列进行学习和分类的过程在Python 中实现，当前采用的神经网络为ResNet。在神经网络进行学习的过程中，把学习准确率最高的网络模型保存下来。

对步态的预测，采用调用Python 脚本的方式导入训练好的网络模型。该脚本由Matlab 进行调用，并返还给Matlab一个预测分类结果值。

结果显示部分在Matlab 中完成，将预测的结果匹配到特定的人进行显示。

通过对该系统的学习，学生们能够进一步加强对物联网前沿技术毫米波感知的认识，并学会运用多种技术去分

提醒您：因为《探索物联网专业创新型本科生培养体系》一文较长还有下一页，点击下面数字可以进行阅读！

《探索物联网专业创新型本科生培养体系》在线阅读地址：探索物联网专业创新型本科生培养体系