Marco FMCW de bajo peso para el reconocimiento de actividades humanas con datos limitados

Vigilar la vida cotidiana sin una cámara

Imagínese un hogar que pueda detectar discretamente si una persona mayor se ha caído, o si alguien ha dejado de moverse durante un tiempo inusual, sin cámaras, micrófonos ni dispositivos que llevar puestos. Este artículo presenta una nueva manera de usar sensores radar compactos y una inteligencia artificial eficiente para reconocer actividades humanas cotidianas en un entorno similar a un dormitorio, incluso cuando solo hay una pequeña cantidad de datos de entrenamiento. El objetivo es construir sistemas de monitorización prácticos y respetuosos con la privacidad que, eventualmente, puedan ejecutarse en dispositivos de bajo coste en viviendas reales, hospitales y centros de cuidado.

¿Por qué radar en lugar de cámaras o dispositivos portátiles?

Muchos sistemas actuales de monitorización de actividad dependen de dispositivos portátiles como relojes inteligentes o de cámaras de vídeo colocadas en la habitación. Los wearables pueden resultar incómodos, necesitan recarga y a menudo se olvidan o se quitan, especialmente durante el sueño o el aseo. Las cámaras plantean evidentes problemas de privacidad y pueden fallar con poca luz o cuando una persona está detrás de un mueble. El radar ofrece una alternativa: emite ondas de radio y mide sus reflexiones para inferir movimiento y posición. El radar en ondas milimétricas puede funcionar en la oscuridad, a través de ciertos obstáculos y sin revelar la apariencia de la persona, lo que lo convierte en una tecnología atractiva para una monitorización continua y respetuosa de la vida cotidiana.

Convertir ondas invisibles en patrones útiles

Los investigadores usaron un sensor radar compacto de 60 GHz montado en lo alto de una habitación tipo dormitorio, inclinado hacia abajo para cubrir una cama, una silla y el suelo. Tres voluntarios participaron en 16 sesiones de grabación, realizando siete categorías de actividad: la habitación vacía, caminar, sentarse en la cama, sentarse en la silla, tumbarse en la cama, tumbarse en el suelo y transiciones entre estos estados. En lugar de convertir las señales radar en imágenes, como hacen muchos estudios anteriores, el equipo mantuvo los datos en una forma que refleja directamente magnitudes físicas: distancia al radar, velocidad de movimiento y dirección desde diferentes ángulos. De cada fotograma radar extrajeron tres tipos de mapas de características: rango–Doppler (movimiento frente a distancia), rango–azimut (ángulo horizontal) y rango–elevación (ángulo vertical), y los apilaron en vectores multidimensionales compactos que preservan cómo se mueve el cuerpo de una persona en el espacio a lo largo del tiempo.

Inteligencia ligera para dispositivos pequeños

Para interpretar estos patrones radar, los autores construyeron un modelo de aprendizaje profundo deliberadamente pequeño y eficiente. Combina una versión simplificada de una red popular de reconocimiento de imágenes (ResNet-18) con un módulo LSTM bidireccional, que es un tipo de red neuronal recurrente. Convoluciones especializadas “separables en profundidad” reducen considerablemente el número de cálculos y parámetros mientras siguen capturando detalles espaciales importantes, y la parte recurrente aprende cómo se desarrollan las actividades en ventanas temporales cortas de medio segundo. Para hacer el sistema más resistente a pesar de disponer de datos de solo tres personas, el equipo aplicó aumentos de datos realistas: desplazar ligeramente la posición o la velocidad aparentes, escalar y sesgar la intensidad de la señal, invertir la dirección del movimiento y añadir ruido suave, imitando cómo los hogares y las personas reales varían de un momento a otro.

¿Qué tan bien reconoce acciones cotidianas?

El marco se probó usando dos estrategias de evaluación estrictas. En la prueba entre escenarios (cross-scene), el modelo se entrenó con la mayor parte de las sesiones grabadas y se probó en escenas que no había visto antes. En la prueba leave-one-person-out, se entrenó con dos personas y se evaluó completamente en la tercera, examinando cuánto generaliza a nuevos individuos. En la desafiante tarea de siete actividades, el sistema alcanzó alrededor del 92% de precisión y casi un 90% de F1 cuando se separaron escenas, y aproximadamente un 90% de precisión con personas no vistas. Cuando la tarea se simplificó a cuatro actividades principales —caminar, sentarse en la cama, sentarse en la silla y tumbarse en la cama— la precisión subió hasta alrededor del 99% en pruebas cross-scene. Cabe destacar que este rendimiento igualó o superó al de redes neuronales más grandes y computacionalmente exigentes, usando menos de un millón de parámetros y un tamaño de modelo inferior a 7 megabytes.

Qué podría significar para futuros hogares inteligentes

En términos sencillos, el estudio muestra que una pequeña unidad radar y un modelo de IA compacto pueden distinguir con fiabilidad actividades comunes en interiores, incluso con datos de entrenamiento limitados y sin invadir la privacidad. Al trabajar directamente con características radar físicamente significativas y emplear trucos de aumento cuidadosamente seleccionados, los autores logran tanto precisión como eficiencia, haciendo su enfoque adecuado para hardware embebido en el borde en lugar de servidores voluminosos en la nube. A medida que los conjuntos de datos se amplíen para incluir más personas y comportamientos, este tipo de monitorización basada en radar podría sustentar futuros dormitorios inteligentes, habitaciones de hospital y espacios de vida asistida que vigilen discretamente la seguridad y el bienestar respetando la dignidad y privacidad de las personas a las que sirven.

Cita: Fard, A.S., Mashhadigholamali, M., Zolfaghari, S. et al. Lightweight FMCW radar framework for human activity recognition under limited data conditions. Sci Rep 16, 9650 (2026). https://doi.org/10.1038/s41598-026-44815-8

Palabras clave: reconocimiento de actividades mediante radar, radar FMCW en ondas milimétricas, monitorización de hogar inteligente, aprendizaje profundo ligero, vida asistida ambiental