基于十字缝隙天线与人工智能集成的手部摆动活动分析及位置监测研究

《IEEE Journal of Selected Areas in Sensors》：Position Monitoring of Human Hands Using Cross-Slot Antennas and AI Integration for Hand Swing Activity Analysis

本文推荐一项创新研究：为解决传统人体活动监测技术存在视线遮挡、集成漂移等问题，研究人员开展了基于十字缝隙天线与人工智能集成的手部位置监测研究。通过设计工作在2-3 GHz频段的双天线系统，结合生成对抗网络（GAN）增强数据集，并对比多种机器学习算法，最终采用人工神经网络（ANN）实现85%的分类准确率，且在FPGA平台上完成硬件验证。该工作为可穿戴健康监测、人机交互等应用提供了有效的技术路径，兼具理论与工程价值。

　　

在日常生活中，人类的手部活动——如行走时的自然摆动、运动训练中的姿势控制，乃至康复医疗中的动作评估——都具有重要的监测价值。然而，传统监测技术存在明显局限：光学摄像头受视线遮挡影响，惯性测量单元易产生积分漂移，且难以在真实复杂环境中保持稳定性能。随着人体区域网络（BAN）的发展，基于天线的无线传感技术逐渐受到关注，但其在人体表面的传播机制、数据获取效率以及实时分类能力仍是当前研究的难点。

为此，来自Digital University Kerala的Shilpa Pavithran、Vineeta V Nair、Aravind S、Elizabeth George和Alex James等研究人员在《IEEE Journal of Selected Areas in Sensors》上发表了一项创新研究，提出利用十字缝隙天线与人工智能相结合的方法，实现对人体手部位置的实时监测与摆动活动分析。该研究不仅深入探索了电磁波在人体躯干周围的传播特性，还通过生成对抗网络（GAN）增强数据，并在多种机器学习算法中优选出人工神经网络（ANN）进行高精度分类，最终在FPGA硬件平台上实现系统验证，为可穿戴设备在健康监护、体育科学、人机交互等领域的应用提供了重要技术支撑。

为完成上述研究，作者团队主要采用以下几项关键技术：首先设计并制作了两款相同结构的十字缝隙天线（Ant1、Ant2），工作频段为2–3 GHz，分别放置于志愿者胸部和手部，通过矢量网络分析仪（VNA）采集传输参数（S₂₁）；随后建立12单元圆柱人体模型（介电常数ε_r=35.15，电导率σ=1.16 S/m）进行电磁仿真，分析 creeping wave（爬行波）传播特性；利用自定义的GAN生成合成S₂₁数据以扩充样本；分别采用决策树（DT）、支持向量机（SVM）、随机森林（RF）和ANN进行位置分类比较；最终将精度最高的ANN模型在Xilinx ZCU104 FPGA平台上实现硬件加速，并提出自适应进位感知剪枝（ACAP）算法以优化资源使用。

辐射特性与传输参数分析

研究人员首先将Ant1固定于志愿者胸部，Ant2沿躯干周向移动，测量不同位置的S₂₁参数。结果发现，当Ant2位于Ant1正对面时，由于电磁波相干叠加，传输值出现局部增强，随后随距离呈指数衰减，表明人体表面存在明显的 creeping wave 传播机制。

手部摆动活动实验与数据生成

实验中，志愿者分别将手部置于两个不同位置（P1和P2）进行摆动，Ant2随之采集信号。为克服真实数据量不足的问题，研究团队利用GAN生成合成数据，其生成器与判别器均采用全连接结构，以均方误差（MSE）和平均绝对误差（MAE）评估生成质量。生成数据与实测数据在频率与相位特征上高度吻合，有效扩充了训练样本。

位置预测与算法比较

在相同数据集上，ANN、RF、DT和SVM四种算法进行性能比较。其中ANN准确率最高，达到85%，精确度（Precision）、召回率（Recall）和F1分数均优于其他模型。ANN模型训练过程中的准确率与损失曲线显示其收敛稳定，未见明显过拟合。

FPGA实现与资源优化

ANN模型在Zynq ZCU104开发板上完成硬件部署。研究人员提出自适应进位感知剪枝（ACAP）方法，通过分析进位传播的重要性，优化计算资源。资源利用率报告显示，使用Sigmoid激活函数时查找表（LUT）利用率仅为12.28%，触发器（FF）为5.16%，而数字信号处理器（DSP）块利用率达77.27%，在保证推理速度的同时显著降低硬件开销。

电缆损耗测量与误差控制

为进一步排除系统误差，研究还通过单端口与双端口法测量同轴电缆损耗。结果表明，在2–3 GHz频段内，电缆损耗低于1.2 dB，对整体传输特性影响可忽略，保证了实验数据的可靠性。

本研究系统性地验证了基于天线传感与机器学习的手部活动监测方案的可行性。通过分析电磁波在人体表面的传播特性，结合GAN数据增强与ANN分类算法，实现了对手部位置的高精度识别，最终在FPGA平台上完成硬件实现。该工作不仅为可穿戴医疗设备、人机交互界面提供了新的技术路径，也为天线在体域网（BAN）中的优化布置提供了理论依据。未来，该方法可进一步扩展至复杂手势识别、多活动同步监测等场景，推动便携式、低功耗智能感知系统的发展。