國立聯合大學資訊工程(學)系
112級大學部資工三甲
專題計畫書



專題製作題目: 基於毫米波雷達的居家行為與安全監測系統




指導教師：王能中      老師
班    級：資工三甲(大學部)
組    長：陳禹潔(U1224019)
組    員：許乃懿(U1224009)
組    員：鍾雅軒(U1224006)
組    員：許芊瑜(U1224008)
組    員：林心怡(U1224018)


中  華  民  國  115 年  1  月  12   日
目     錄
目錄	…………………………………………………………	2
第一章、	背景及目的……………………………………………	3
1.1	研究背景………………………………………………	3
1.2	研究目的………………………………………………	3
第二章、	相關研究………………………………………………	4
2.1	毫米波雷達原理………………………………………	4
2.2	毫米波雷達在居家行為監測與獨居老人照護上的應用………………………………………………………	6
第三章、	研究方法及進行步驟…………………………………	7
3.1	資料擷取層……………………………………………	8
3.2	雷達訊號處理層………………………………………	8
3.3	行為狀態判斷層………………………………………	9
3.4	視覺化與應用層………………………………………	10
第四章、	預期完成之工作項目及成果…………………………	10
4.1	預期完成項目…………………………………………	10
4.2	預期成果與貢獻………………………………………	11
參考文獻	…………………………………………………………	12
		
		
		
		
		
		
	

 
第一章、背景及目的
1.1 研究背景
1.	高齡化社會與居家安全需求：隨著全球人口結構快速邁入高齡化社會，長者獨居與日常自理的比例逐年攀升，使居家環境中的行為安全與健康監測成為重要議題。長者在日常生活中可能面臨多種潛在風險行為，例如行走不穩、長時間靜止、跌倒等突發安全事件，其中「跌倒」更是最常見且後果嚴重的意外事件之一。研究指出，若能於意外發生後的黃金時間內即時偵測異常並通報救援，將可有效降低傷害程度與後續醫療負擔。
2.	居家安全監測成為智慧醫療與智慧家庭領域的重要課題。傳統的監測手段主要分為「穿戴式裝置」與「影像監控系統」兩大類：
(1)	穿戴式裝置：使用者需長時間佩戴感測器（如智慧手環），常因忘記佩戴、充電麻煩或佩戴不適感而導致監測中斷，且在突發狀況下，使用者未必能主動觸發警報。
(2)	影像式監控（攝影機）：雖然能提供直觀的影像資訊，但卻面臨嚴重的隱私問題，特別是在浴室、臥室等私密空間，且易受環境光源與障礙物遮蔽之影響。
3.	毫米波雷達的優勢：毫米波雷達（FMCW Radar）具備非接觸式感測、受環境影響小（無視光線、煙霧）、具備穿透非金屬障礙物之特性以及保護隱私（不產生具體影像）等優點。透過雷達獲取的原始回波訊號（ADC Data），能精準捕捉人體細微的微多普勒動態特徵與行為模式。因此，開發一套基於毫米波雷達的居家行為監測系統，對於提升居家安全與照護品質具有極大的應用價值與研究意義。
1.2 研究目的
本研究旨在開發一套結合毫米波雷達感測技術、訊號處理與深度學習演算法的「居家行為與安全監測系統」，具體目標包括：
1.	實現非侵入式監測：利用毫米波雷達技術，在無需佩戴任何裝置及不使用攝影機的前提下，實現對居家環境內人體活動的即時感測，確保個人隱私。
2.	精準行為與狀態辨識：透過處理由原始回波轉換之特徵圖像（如 RDM、RAM），有效辨識「跌倒」或「坐下」等行為，並透過狀態持續監測機制，降低因環境干擾所產生的誤判。
3.	即時預警與雲端通知：整合通訊模組（如 LINE Notify），當系統判定發生跌倒或異常靜止等風險事件時，能即時發送警示通知予家屬或照護人員，縮短救援反應時間。
4.	行為辨識與數位化安全管理：透過視覺化介面即時顯示深度學習模型判讀之動作結果（如：正常行走、坐下、跌倒等狀態），並將辨識紀錄數位化。這能協助家屬或照護人員回溯特定時段的安全狀態，作為調整居家照護方案與風險評估的參考依據。
第二章、相關研究
2.1 毫米波雷達原理
毫米波雷達是一種利用毫米波頻段電磁波進行目標探測的感測技術，其工作頻率範圍約為 30 GHz 至 300 GHz，對應波長約為 1 mm 至 10 mm。由於毫米波波長介於微波與光波之間，使其兼具微波雷達的穿透能力與短波長所帶來的高空間解析度特性。當毫米波在空間中傳播並遇到物體時，會因物體的電磁特性而產生反射、散射或折射現象，雷達系統即透過接收並分析這些回波訊號，以獲取目標相關資訊:
 
圖 1
毫米波雷達的基本原理可歸納為電磁波反射與訊號分析機制。雷達系統發射毫米波訊號後，該訊號沿傳播路徑前進，當遇到目標物體時，部分能量將以回波形式反射返回。透過量測發射訊號與接收回波之間的時間延遲，可推算目標與雷達之間的距離；同時，藉由分析回波頻率相對於發射頻率的變化，可利用多普勒效應計算目標的相對速度:
 
圖 2
這種結合時間與頻率資訊的分析方式，是毫米波雷達能夠同時進行距離與速度量測的核心原理。
依據訊號發射形式不同，毫米波雷達可區分為脈衝雷達與連續波雷達兩種基本型態。脈衝雷達透過發射短時間、高功率的脈衝訊號，利用回波的往返時間直接計算目標距離，並可結合多普勒效應估測目標速度。然而，由於脈衝雷達需較高峰值功率，且存在發射與接收間的盲區，在現行毫米波雷達實際應用中較少採用。
連續波雷達則以持續發射電磁波為特徵，其中又可分為恆頻連續波（CW）與調頻連續波（FMCW）等形式。CW 雷達透過接收回波與原始發射訊號進行混頻，可取得目標的多普勒頻移資訊，進而推算目標速度，但由於缺乏時間標記，無法直接量測目標距離。為克服此限制，FMCW 雷達在發射端引入隨時間線性變化的頻率調變，使發射訊號同時攜帶時間資訊:
 
圖 3
接收端將回波與發射訊號進行混頻後，可得到與目標距離與速度相關的差頻訊號，進而實現對多個目標的同時測距與測速，且具備較高的距離解析度，因此成為目前毫米波雷達中最具代表性的工作原理。
簡單來講，毫米波雷達是藉由短波長電磁波的反射特性，結合時間延遲與多普勒頻移分析，以實現對目標距離與速度的量測。其高頻、短波長的物理特性，使毫米波雷達在解析度與環境適應性方面具備顯著優勢，成為現代智慧感知與車載感測系統中不可或缺的核心感測原理之一。
2.2 毫米波雷達在居家行為監測與獨居老人照護上的應用
毫米波雷達(mmWave radar)已逐漸被應用在居家安全與老人照護領域，其非接觸性與對隱私不侵入的特性，使其成為智慧長照系統中重要的感測技術。現有許多研究與產品正致力於利用毫米波雷達進行行為偵測、跌倒判斷以及健康狀態監控。
首先，有研究專門針對老年人跌倒偵測展開，以毫米波雷達搭配深度學習的方法來分析日常活動與跌倒行為。例如，一項研究使用 76–81 GHz 的 FMCW 毫米波雷達，結合特徵提取與 LSTM 模型來辨識包括走路、坐下和跌倒等不同活動，並成功實現準確的跌倒偵測。
除了學術研究之外，產業應用上也有智慧照護系統結合毫米波雷達與 AI 技術，提供跌倒預警、離床監測、久臥提醒與生命體徵監測等功能，並用於長期照護機構改善照護品質。
在行為分類方面，毫米波雷達能夠透過微多普勒與原始數據特徵來辨識不同的活動狀態，例如走動、坐下與跌倒等。相關研究指出，利用機器學習（如支持向量機、隨機森林、雙向 LSTM 和卷積神經網路等）可以從雷達影像中分類多種日常活動，有助於老人行為模式分析與跌倒偵測。
此外，毫米波雷達也被整合進智慧居家系統，用於長時間的居家安全監控。例如，透過分析雷達回波訊號，系統能夠在不侵犯隱私的前提下，即時判斷使用者是否發生意外，並透過通訊平台發送警示，兼顧隱私與居家安全。
綜合以上研究，可以看出毫米波雷達在居家行為監測方面具有以下優點：
1.非接觸式且保護隱私：不需穿戴裝置，相較於攝影機不會錄影個人影像。
2.可辨識多種日常行為與異常事件：結合機器學習可以分類日常活動並偵
測跌倒。
3.適合長期監測與智慧照護系統整合：可以與網頁平台、物聯網系統連動，提供異常提醒與歷史事件紀錄。
然而，多數研究仍於受控環境下進行，且高度依賴大量標註資料。在實際居家場域中，環境背景複雜、家具配置差異大，加上跌倒事件本身屬於低發生率行為，使得資料蒐集與模型泛化具有挑戰性。
因此，本專題在設計上採用 DCA1000 數據擷取卡獲取毫米波雷達的原始 ADC 資料。透過訊號處理技術將原始回波轉化為富含動態特徵的數據，並導入深度學習技術進行行為分類。利用深度神經網路強大的特徵提取能力，自動學習不同行為在微多普勒訊號中的複雜模式，藉此解決居家環境干擾問題，並提升對跌倒等異常動作的辨識精準度與系統穩定性。
第三章、研究方法及進行步驟
本研究建構一套以 FMCW 毫米波雷達（AWR1843AOPEVM）結合 DCA1000 高速數據擷取卡為核心之居家人體行為與安全監測系統。過雷達感測獲取原始 ADC 數據（Raw Data），經由訊號處理轉化為高解析度之微多普勒特徵資訊，並導入深度學習行為辨識模型，實現對複雜居家環境中行為動作的自動化特徵提取與分類，提供長時間、非接觸式且高準確度之居家監測應用。
系統效能評估將以實驗場景測試為主，透過模擬不同行為狀態（如行走、靜止、跌倒模擬）進行測試與結果比對，並以深度學習模型之分類準確率、精確度、召回率（Recall）及推論反應時間作為主要評估指標，驗證系統於居家安全防護上的實務可行性。
居家行為與安全監測系統流程架構圖:
 
圖 4
整體系統依功能可劃分為以下四個層級：
1.	資料擷取層
2.	雷達訊號處理層
3.	行為狀態判斷層
4.	視覺化與應用層
3.1 資料擷取層
資料擷取層負責獲取人體動作行為之原始感測訊號。本研究採用 FMCW 毫米波雷達發射線性調頻連續波（Chirp），並同步透過 DCA1000 數據擷取卡 捕捉由人體反射回來的 ADC 原始回波資料（Raw Data）。系統透過高速傳輸介面將這些未經壓縮與損耗的原始訊號儲存至運算平台，確保資料包含完整的相位與多普勒資訊，為後續深度學習模型的特徵提取提供最高品質的數據基礎。
3.2 雷達訊號處理層
本層將原始 ADC 數據轉換為具備距離與動態意義的特徵資訊：
	基礎處理：進行去直流偏移與雜訊抑制，降低靜態背景（如牆壁、家具）的干擾 。
	二維 FFT 與特徵圖生成：
距離-速度圖(Range-Doppler Map, RDM)：透過距離 FFT 與速度 FFT 處理，將訊號轉化為 RDM 圖像。此圖能呈現目標在不同距離下的速度變化，是辨識動作位移特徵的核心數據。
距離-方位圖(Range-Azimuth Map, RAM)：透過角度 FFT 處理，生成顯示目標能量於水平空間分佈的 RAM 圖像，提供動作在方位維度上的動態資訊。
	數據格式化與預處理：將處理後生成的 RDM 與 RAM 特徵圖封裝為 NumPy 格式資料集。透過對圖像序列的標準化與正規化處理，將雷達原始訊號轉化為深度學習模型可高效讀取的張量（Tensor）輸入。
	微多普勒特徵分析：於特徵圖序列中完整保留微多普勒(Micro-Doppler)資訊。此特徵反映了肢體末端的微小震動與重心墜落時的頻譜擴展，對於區分行為(如：跌倒與正常坐下）至關重要，為深度學習模型提供關鍵的判別依據。
3.3 行為狀態判斷層
行為狀態判斷層為系統的核心決策單元，負責接收訊號處理層生成的特徵圖像（如 RDM、RAM），並透過訓練完成的深度學習模型進行即時行為分類。本研究利用神經網路自動提取高維度特徵，以精準區分不同的居家行為動作與安全事件。
本研究採用深度學習架構，將預處理後的 NumPy 格式特徵序列輸入神經網路。模型透過學習不同動作在時間與頻率維度上的能量演變規律，產出對應的行為分類結果（如：行走、坐下、跌倒等）。
本層主要實現之辨識功能如下：：
一、	居家行為動作辨識
系統利用訓練完成的模型，即時判讀使用者當下的動作狀態（如行走、坐下、起身等）。透過分析雷達回波中的微多普勒特徵，模型能自動捕捉肢體動作細節，將日常行為精確分類，為居家環境提供基礎的行為監控資訊。
二、	基本活動狀態偵測
系統利用訓練完成之深度學習模型，分析雷達特徵圖中的能量分佈與頻譜演變，即時辨識使用者的基本活動狀態。
	辨識機制： 模型根據 距離-速度圖 (RDM) 中的多普勒頻移強度，以及 距離-方位圖 (RAM) 中的能量聚集情形，自動判斷使用者當下的活動狀態。
	狀態分類： 系統將行為即時分類為「動態行為」（如行走、轉身、大幅度肢體動作）與「靜止/微動狀態」（如坐姿、臥床、呼吸微動）。
	應用價值： 透過深度學習對微多普勒訊號的敏感性，系統能有效區分環境雜訊與人體微小動作，確保在無人狀態下系統能進入低負載監控，並在偵測到動作時即時切換至高精度安全監測模式。
三、	跌倒事件辨識與狀態持續監測
本功能利用深度學習模型對雷達特徵進行即時判讀，藉此偵測高風險跌倒事件並追蹤使用者的即時動作狀態。：
	動態行為辨識機制： 系統透過處理由 DCA1000 擷取之原始資料生成的時序特徵圖像（如 RDM、RAM），偵測使用者動作的動態變化。模型能精準捕捉跌倒發生時特有的頻譜特徵（如短時間內的能量劇烈擴散），以區分「正常坐下」與「意外跌倒」。
	狀態維持與切換邏輯： 本研究採用「狀態導向」的判斷機制（狀態持續直到下個動作）。當模型辨識出一個特定動作（如「坐下」或「行走」）後，系統會將使用者標記為該動作狀態，並持續維持該狀態直到偵測到下一個動作行為的觸發。
	長時間不動預警： 系統會持續監測目前狀態的持續時間。若使用者長時間維持在同一狀態（例如「坐下」或「跌倒」後長時間無後續動作），系統會判定為「異常靜止」，並發送通知提醒家屬或照護人員，以防止發生因昏迷、受傷導致無法求救的意外。	
3.4 視覺化與應用層 
視覺化與應用層負責將深度學習模型的分析結果以直觀方式呈現，並於發生安全異常狀況時即時發送警示通知。
	即時狀態監控介面：系統透過網頁介面即時顯示雷達感測到的行為狀態（如：行走、坐下、起身等）。介面捨棄複雜的點雲地圖，改以直觀的狀態圖標與行為日誌呈現，使家屬能直接掌握使用者當下的動作類型與安全情形。
	即時預警與通訊整合：當深度學習模型判定發生「跌倒」或「異常靜止（維持同一狀態過久）」等緊急事件時，系統將立即啟動預警機制。除了在網頁介面上標示紅色警戒狀態外，系統會整合 LINE Notify 通訊模組，即時將事件類別與發生時間傳送至家屬或照護人員的手機，確保能在黃金救援時間內採取行動。
	歷史事件紀錄查詢：系統提供歷史紀錄，將每日偵測到的跌倒警示與異常行為進行紀錄。此功能以「事件導向」的方式呈現數位化照護紀錄，協助醫護人員或家屬回溯使用者過往的安全紀錄，作為預防性照護與健康評估之參考。
第四章、預期完成之工作項目及成果	
4.1 預期完成項目
本節著重於「系統功能面」之完成項目說明。本研究預期完成一套以毫米波雷達結合 DCA1000 數據擷取技術為核心之居家行為辨識與安全監測系統。開發重點在於利用深度學習技術，從原始雷達訊號中精確判讀行為動作，並在發生意外事件時提供即時告警。
1.	高精度動作行為辨識：透過 DCA1000 擷取之原始 ADC 資料，轉化為 Range-Doppler Map (RDM) 與 Range-Azimuth Map (RAM) 等特徵圖像，並導入深度學習模型進行訓練。系統預期能辨識包括「行走」、「坐下」、「起身」及「站立」等居家基本行為，並精確區分不同動作間的頻譜特徵。
2.	即時跌倒偵測與預警機制：針對高風險的跌倒事件，系統將利用模型捕捉跌倒發生時產生的能量劇烈擴散與速度突變特徵。透過連續幀的時序分析，系統能有效區分日常動作（如快速坐下）與真實跌倒，並在判定為跌倒事件後，立即觸發告警流程。
3.	狀態持續追蹤與異常靜止監測：系統將實現「狀態導向」的監測邏輯，記錄使用者當下的動作狀態，並維持該狀態標記直至偵測到下一個行為觸發。若系統偵測到使用者長時間維持在同一狀態（如坐下或跌倒後）且無任何微動特徵，將判定為「異常靜止」並發送通知，防止意外受傷或昏迷導致的救援延遲。
4.	智慧化告警與數位照護平台：開發整合 LINE Notify 的視覺化監測介面。系統除即時顯示目前的動作狀態外，亦會自動記錄所有安全事件（如跌倒時間、異常靜止時長）。家屬可透過網頁平台查閱歷史辨識紀錄，取代繁雜的活動量統計，改以事件導向的資訊提升照護效率。
4.2 預期成果與貢獻
本節從研究與應用角度，說明本系統之技術貢獻與實務價值。本研究預期提出一種適合實際居家環境部署的毫米波雷達行為辨識架構，透過處理底層原始訊號並結合深度學習技術，達成以下成果與貢獻：
1.	體現原始訊號處理於動作辨識之應用潛力：本研究旨在利用 DCA1000 獲取 ADC 原始回波資料，以保留完整的相位與微多普勒資訊。透過深度學習模型對這些高維度特徵（如 RDM、RAM）進行自動提取，目標是在不侵犯隱私的前提下，捕捉行為動作中細微的動態變化，藉此提升在居家環境中對於不同行為動作的辨識能力，並降低環境雜訊所帶來的誤判風險。
2.	建立穩定之狀態追蹤與安全預警機制：針對居家安全需求，本研究預期實作一套穩定的狀態監測邏輯。透過模型連續判讀動作類型，系統能精確鎖定使用者當下的行為狀態（如坐下、跌倒），並在動作發生改變前持續維持該狀態。此設計不僅能即時偵測意外跌倒，更能透過監測「狀態維持時長」來發現異常靜止事件，顯著提升居家安全防護的實務價值。
3.	提供具備照護價值的數位化事件紀錄：系統預期能產出清晰的行為事件日誌，取代繁瑣的原始數據統計。透過對「關鍵行為動作」與「安全異常事件」的數位化記錄，協助家屬或照護人員快速回溯使用者的安全履歷。這種以「事件導向」為核心的呈現方式，能更直觀地協助評估使用者的居家風險，作為預防性照護的重要輔助資訊。
4.	推動非接觸式感測技術於智慧長照之應用：整體而言，本研究預期能展示一套非穿戴式、兼顧隱私與技術深度的監測解決方案。本計畫旨在驗證毫米波雷達在「原始數據驅動」架構下的應用潛力，證明透過深度學習技術處理複雜波形訊號，能為智慧居家服務提供比傳統感測器更穩定、更具備擴充性的技術支援。
參考文獻	
〔1〕	億佰特物聯網應用（成都億佰特電子科技有限公司），〈全面解析毫米波雷達技術：從原理到應用〉，知乎，2025 年 1 月 13 日。URL:https://zhuanlan.zhihu.com/p/18038049258
〔2〕	中文百科全書，〈毫米波雷達〉。URL:https://www.newton.com.tw/wiki/%E6%AF%AB%E7%B1%B3%E6%B3%A2%E9%9B%B7%E9%81%94
〔3〕	愛彼電路股份有限公司，〈毫米波雷達的原理與分類〉，《高頻微波技術》，2023 年 2 月 5 日。URL:https://www.ipcb.tw/rf-tech/757.html
〔4〕	H. Cui and N. Dahnoun, "High Precision Human Detection and Tracking Using Millimeter-Wave Radars," in IEEE Aerospace and Electronic Systems Magazine, vol. 36, no. 1, pp. 22-32, 1 Jan. 2021, doi: 10.1109/MAES.2020.3021322. URL:https://ieeexplore.ieee.org/document/9318574?denied=
〔5〕	孫家銘，〈毫米波雷達引領智慧長照 AI 智慧行動感知輔助監測儀造福長者〉，《Newtalk 新聞》，2024 年 12 月 15 日。URL:https://newtalk.tw/news/view/2024-12-15/948989?utm_source
〔6〕	Yu, Y. S., Wie, S., Lee, H., Lee, J., & Kim, N. H. (2025). Long Short-Term Memory-Based Fall Detection by Frequency-Modulated Continuous Wave Millimeter-Wave Radar Sensor for Seniors Living Alone. Applied Sciences, 15(15), 8381. URL:https://doi.org/10.3390/app15158381
〔7〕	Taylor W, Dashtipour K, Shah SA, Hussain A, Abbasi QH, Imran MA. Radar Sensing for Activity Classification in Elderly People Exploiting Micro-Doppler Signatures Using Machine Learning. Sensors (Basel). 2021 Jun 4;21(11):3881. doi: 10.3390/s21113881. PMID: 34199814; PMCID: PMC8200051. URL:https://pubmed.ncbi.nlm.nih.gov/34199814/
〔8〕	王能中、符絮棻、陳皇任、許庭瑜，〈智慧居家安全的個人位置追蹤系統〉，國立聯合大學資訊工程學系，苗栗，臺灣。URL:https://csie.nuu.edu.tw/var/file/41/1041/img/1127/681813795.pdf?utm_source