RadEye：使用FMCW雷达追踪眼球运动

研究背景与问题

• 发现的问题或挑战： 现有的无接触眼动追踪技术（如基于摄像头、声学或毫米波雷达的方法）存在以下问题：

  1. 摄像头虽然准确且易于使用，但可能引发隐私担忧，并在光线不足的条件下性能下降。
  2. 声学方法受到传播距离的限制，通常适用于较短距离内的眼部瞬目检测。
  3. 毫米波雷达虽然可以实现毫米级运动检测，但检测范围受限且大多集中在瞬目，而不是眼动追踪。

• 重要性： 眼动追踪在多种场景中具有重要价值，包括人机交互（HCI）、虚拟现实、心理学研究、市场分析及疾病早期检测等。在某些情况下，如协助患有肌萎缩性侧索硬化症（ALS）的患者沟通，隐私保护和非侵入性解决方案显得尤为重要。

• 研究动机与相关工作： 本研究动机是开发一种能够克服现有方法限制的长距离非接触式眼动追踪系统，既隐私友好又可靠，特别是在灯光条件不佳的情况下。作者旨在填补采用RF信号进行长距离眼动追踪的研究空白。

解决方案

• 方法或解决方案： 作者提出了一种名为RadEye的系统，基于子6GHz的FMCW雷达并结合深度神经网络（DNN），实现毫米级眼动检测和长距离追踪。

  1. 硬件部分：定制设计了5GHz FMCW雷达，以达到所需的检测分辨率和距离。
  2. 软件部分：采用了一种基于摄像头监督训练的变压器结构的DNN，以进一步提高检测准确性。

• 创新之处：

  1. RadEye是首个利用RF信号在长距离下进行眼动角度估计的系统。
  2. 通过结合硬件设计（如自定义天线）和软件优化（如摄像头引导的DNN），该系统有效解决了细微眼动检测和干扰抑制问题。
  3. 与现有技术相比，RadEye显著扩大了检测范围（从不足1米提升至超过5米），并实现了眼动方向的高准确度追踪。

• 实施步骤及关键技术：

  1. 信号处理：
     • FMCW雷达通过发送频率调制信号并接收目标反射的信号，提取眼动特征。
     • 使用范围FFT区分不同物体反射的信号，并通过窗滑检测用户眼瞬动作的动态变化。
  2. 特征提取：
     • 利用眼肌和眼睑的运动引起雷达信号幅度和相位变化，通过特定特征（如幅度变动率和复杂域内的运动曲率）进行建模和分离。
  3. 深度学习模型：
     • 基于变压器的DNN结构对输入信号进行编码，预测眼球的方向角度。
     • 使用摄像头生成的眼动方向角度作为监督标签训练模型，保证模型的泛化能力。

研究成果

• 具体成果：

  1. RadEye在非接触式眼动追踪方面实现了高准确度（90%方向检测准确率），且能够支持长达5米的检测距离。
  2. 在用户提供不同方向的眼动时，该系统参数估计误差仅为24度（方位角）和21度（仰角）。

• 优势：

  1. 隐私保护：RF信号无法直接解析个人面部特征，与摄像头相比显著减少隐私风险。
  2. 扩展适应性：能在低光环境下有效运行，并支持更多用户和场景的零样本检测。

• 实验或评估：

  1. 实验设置：评估了RadEye在三种距离（3米、4米和5米）以及多种背景环境下的性能。
  2. 干扰适应性：
     • RadEye能够处理环境内的干扰（如附近活动物体）。
     • 在用户自身动作（如头部、口部或手脚活动）时仍能保持一定程度的准确性。
  3. 零样本泛化能力：
     • RadEye对未训练的用户和新的场景表现出优异的适应性。

• 局限性与未来方向：

  1. 局限性：
     • 用户必须保持头部静止，头部和嘴部运动可能干扰检测。
     • 当前的原型尺寸较大，不适于某些场景（如安装在轮椅上）。
     • 用户眼动输入仅限于四个方向，可能导致使用疲劳。
  2. 未来方向：
     • 增加雷达带宽以分离嘴部干扰。
     • 优化设备体积设计，使其更加轻便紧凑。
     • 提升模型分辨率以支持连续眼动方向追踪，提高输入效率并减轻用户疲劳。

此论文展示了RF感知技术在远程眼动追踪中应用的潜力，并为未来相关技术发展提供了有力的研究基础。