Cadre FMCW radar léger pour la reconnaissance d’activités humaines avec des données limitées

Observer la vie quotidienne sans caméra

Imaginez un domicile capable de détecter discrètement si une personne âgée est tombée, ou si quelqu’un reste immobile pendant une durée anormale — sans caméras, microphones ni objets portés. Cet article présente une nouvelle façon d’utiliser de petits capteurs radar et une intelligence artificielle efficace pour reconnaître les activités humaines courantes dans un environnement proche d’une chambre, même lorsque la quantité de données d’entraînement est faible. L’objectif est de construire des systèmes de surveillance pratiques et respectueux de la vie privée qui puissent finalement fonctionner sur des appareils peu coûteux dans des logements réels, des hôpitaux et des centres de soins.

Pourquoi le radar plutôt que les caméras ou les appareils portés ?

Beaucoup de systèmes actuels de surveillance d’activité reposent sur des appareils portés comme les montres connectées ou sur des caméras vidéo placées dans la pièce. Les appareils portés peuvent être inconfortables, nécessitent une recharge et sont souvent oubliés ou enlevés, notamment pendant le sommeil ou la douche. Les caméras posent des problèmes évidents de vie privée et peuvent échouer en cas de faible éclairage ou si la personne est cachée derrière un meuble. Le radar offre une option différente : il émet des ondes radio et mesure leurs réflexions pour déduire le mouvement et la position. Le radar millimétrique peut fonctionner dans l’obscurité, à travers certains obstacles, et sans révéler l’apparence d’une personne, ce qui en fait une technologie attrayante pour une surveillance continue et respectueuse de la vie privée.

Transformer des ondes invisibles en motifs utiles

Les chercheurs ont utilisé un capteur radar compact de 60 GHz monté en hauteur dans une pièce de type chambre, incliné vers le bas pour couvrir un lit, une chaise et le sol. Trois volontaires ont participé à 16 sessions d’enregistrement, réalisant sept catégories d’activités : la pièce vide, la marche, s’asseoir sur le lit, s’asseoir sur la chaise, être allongé sur le lit, être allongé par terre, et les transitions entre ces états. Plutôt que de convertir les signaux radar en images, comme le font de nombreuses études antérieures, l’équipe a conservé les données sous une forme qui reflète directement des grandeurs physiques : la distance au radar, la vitesse du mouvement et la direction depuis différents angles. Pour chaque trame radar, ils ont extrait trois types de cartes de caractéristiques — range–Doppler (mouvement versus distance), range–azimut (angle horizontal) et range–élévation (angle vertical) — et les ont empilées en vecteurs multidimensionnels compacts qui préservent la manière dont le corps d’une personne se déplace dans l’espace au fil du temps.

Intelligence légère pour petits appareils

Pour lire ces motifs radar, les auteurs ont construit un modèle d’apprentissage profond volontairement petit et efficace. Il combine une version allégée d’un réseau populaire de reconnaissance d’images (ResNet-18) avec un module LSTM bidirectionnel, un type de réseau neuronal récurrent. Des convolutions « séparables en profondeur » spécialisées réduisent fortement le nombre de calculs et de paramètres tout en capturant les détails spatiaux importants, et la partie récurrente apprend comment les activités se déroulent sur de courtes fenêtres temporelles d’une demi-seconde. Pour rendre le système plus résilient malgré des données provenant de seulement trois personnes, l’équipe a appliqué des augmentations de données réalistes : décaler légèrement la position ou la vitesse apparente, mettre à l’échelle et biaiser l’intensité du signal, inverser la direction du mouvement et ajouter un bruit léger — imitant la façon dont les maisons réelles et les personnes varient d’un moment à l’autre.

Quelle est la qualité de reconnaissance des actions quotidiennes ?

Le cadre a été évalué selon deux stratégies strictes. Lors des tests « cross-scene », le modèle a été entraîné sur la majorité des sessions enregistrées et testé sur des scènes qu’il n’avait jamais vues. Lors des tests « leave-one-person-out », il a été entraîné sur deux personnes et testé entièrement sur la troisième, afin d’évaluer sa généralisation à de nouveaux individus. Sur la tâche difficile à sept activités, le système a atteint environ 92 % de précision et près de 90 % de F1-score lorsque des scènes étaient mises de côté, et environ 90 % de précision sur des personnes inédites. Lorsque la tâche a été simplifiée à quatre activités principales — marcher, s’asseoir sur le lit, s’asseoir sur la chaise et être allongé sur le lit — la précision est montée à environ 99 % dans les tests cross-scene. Il est notable que ces performances égalent ou surpassent des réseaux neuronaux plus grands et plus coûteux en calcul, tout en utilisant moins d’un million de paramètres et une taille de modèle minime inférieure à 7 mégaoctets.

Quelles implications pour les futures maisons intelligentes ?

En termes simples, l’étude montre qu’une petite unité radar et un modèle d’IA compact peuvent distinguer de manière fiable les activités intérieures courantes, même avec des données d’entraînement limitées et sans porter atteinte à la vie privée. En travaillant directement avec des caractéristiques radar physiquement signifiantes et des astuces d’augmentation soigneusement choisies, les auteurs obtiennent à la fois précision et efficacité, rendant leur approche adaptée au matériel embarqué en périphérie plutôt qu’à de gros serveurs cloud. À mesure que les jeux de données s’élargiront pour inclure davantage de personnes et de comportements, ce type de surveillance par radar pourrait soutenir les chambres intelligentes, les chambres d’hôpital et les espaces de vie assistée du futur, qui veilleraient discrètement à la sécurité et au bien-être tout en respectant la dignité et la vie privée des personnes concernées.

Citation: 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

Mots-clés: reconnaissance d’activité par radar, radar millimétrique FMCW, surveillance de maison intelligente, apprentissage profond léger, vie assistée