自适应雷达生理传感

研究问题

雷达测量系统如何在噪声、物理前向模型约束和实时限制条件下，决定下一步测量什么，以最大化对底层生理过程（呼吸、心脏运动）的信息获取？

方法

本项目将生理雷达传感构建为不确定性下的序贯决策问题。方法结合了方法页面所述四个方法论支柱中的三个：

• 不确定性感知推断 —— 从稀疏、含噪的雷达测量中贝叶斯重建连续生理信号（呼吸率、心脏运动模式），产生校准的后验分布而非点估计。
• 自适应决策 —— 选择雷达测量配置（波形、角度、采样模式），使对底层生理状态的期望信息增益最大化，构建为约束序贯决策问题。
• 机理机器学习 —— 将电磁传播物理和传感器几何编码到推断流程中作为前向模型约束，而非将雷达视为黑箱信号源。

当前实验原型

已实现两个受控玩具问题，以在扩展到完整硬件之前隔离决策与推断组件：

1. 一维类雷达信号重建 —— 使用物理信息基函数的贝叶斯线性回归从含噪样本中恢复合成呼吸相位信号。实验表明，全局基的后验方差由噪声主导，无法按误差排列候选测量位置——这是自适应采集何时有效何时无效的边界条件。

2. 二维点源层析成像 —— 能量基模型（EBM）维护隐藏源位置的后验信念，自适应策略选择下一个投影角度以最大化信息增益。贪心策略在早期收敛快30–60%，但随着预算增长随机选择会追上——除非状态维度相对于测量预算较高，此时自适应传感决定性胜出（D=16、紧预算时为31.6%）。

这些原型记录在两篇研究写作文章中： 自适应生物医学传感的物理驱动机器学习 和 当自适应传感未能胜出时。

个人贡献

Frederik Banis是该项目的负责人。他设计了自适应传感框架，实现了实验原型，并阐述了与先前能源系统控制工作的联系。该研究作为西安电子科技大学杭州研究院客座研究员任命的一部分进行。

验证与关键结果

• 一维重建玩具确认，不确定性驱动采集需要一个在候选测量间有实质性变化的不确定性信号——这是全局基在噪声主导后验下的结构性限制。
• 二维层析玩具表明，信息增益采集在测量预算相对于状态维度紧张时优于投影方差采集和随机基线。
• 缩放实验（D = 2, 4, 8, 16）标定了自适应传感值得其复杂度成本的边界条件。

所有结果来自受控玩具问题，使用合成数据和已知物理。向真实雷达硬件的迁移仍是开放问题。

成果

• 论文： 尚无。项目进行中，未提交任何稿件。
• 软件： 实验原型；目前未发布软件包。
• 研究写作： 两篇方法笔记文章（见上文链接）记录了原型和阴性结果。

合作者

• 西安电子科技大学杭州研究院 —— 客座研究员任命的 host 机构。

状态与后续

状态： 进行中。自适应传感框架正在积极开发中，不声称任何结果为已完成。

后续步骤：

• 将一维重建玩具扩展到二维，使用真实雷达前向模型。
• 运行时验证EBM后验用于自适应测量选择。
• 在共享基准中将物理信息神经网络（PINN）重建与EBM不确定性估计集成。
• 从玩具问题向硬件相关雷达配置扩展。

与先前工作的联系： 序贯决策框架——在约束下选择下一步测量以最大化信息增益——与驱动微电网频率控制目标调整MPC的框架相同（已发表）。从控制物理能源系统转向测量生理系统，但底层的不确定性下决策架构是共享的。

详见方法页面的方法论支柱、研究页面的研究纲领概述，以及应用页面的完整应用图谱。