מסגרת רדאר FMCW קלה לזיהוי פעילויות אנושיות בתנאי נתונים מוגבלים

לצפות בחיי היומיום בלי מצלמה

תארו לכם בית שיודע בשקט אם אדם קשיש נפל, או אם מישהו הפסיק לזוז לפרק זמן חריג — ללא מצלמות, מיקרופונים או מכשירים לבישים. מאמר זה מציג דרך חדשה להשתמש בחיישני רדאר קטנים ובבינה מלאכותית יעילה כדי לזהות פעילויות יום‑יומיות בחדר דמוי חדר שינה, גם כאשר עומד לרשותם רק כמות קטנה של נתוני אימון. המטרה היא לבנות מערכות ניטור פרקטיות והשומרות על הפרטיות, שיכולות בסופו של דבר לפעול על מכשירים זולים בסביבות אמיתיות כמו בתים, בתי חולים ומרכזי טיפול.

למה רדאר במקום מצלמות או מכשירים לבישים?

רבים ממערכות הניטור כיום מסתמכות על מכשירים לבישים כמו שעוני חכם או על מצלמות וידאו המוצבות בחדר. מכשירים לבישים עלולים להיות לא נוחים, דורשים טעינה ולעתים נשכחים או מוסרים, בעיקר בשינה או באמבטיה. מצלמות מעוררות חששות ברורים לגבי הפרטיות ועלולות להיכשל בתנאי תאורה לקויים או כאשר אדם מוסתר מאחורי רהיטים. רדאר מציע אופציה שונה: הוא משדר גלי רדיו ומודד את ההדים שלהם כדי להסיק תנועה ומיקום. רדאר בתדר מילימטרי יכול לפעול בחושך, לעבור חלקית דרך מכשולים, וללא חשיפת מראהו של האדם — מה שהופך אותו לטכנולוגיה אטרקטיבית לניטור רציף וכבודני של חיי היומיום.

להפוך גלים בלתי נראים לדפוסים שימושיים

החוקרים השתמשו בחיישן רדאר קומפקטי בתדר 60 גיגהרץ שהוצב גבוה בחדר דמוי חדר שינה ומוטה כלפי מטה על מנת לכסות מיטה, כיסא ורצפה. שלושה מתנדבים השתתפו ב‑16 הקלטות, שבמהלכן ביצעו שבע קטגוריות של פעילויות: החדר ריק, הליכה, ישיבה על המיטה, ישיבה על כיסא, שכיבה על המיטה, שכיבה על הרצפה ומעברים בין המצבים הללו. במקום להמיר את אותות הרדאר לתמונות כפי שעשו מחקרים קודמים, הצוות שמר על הנתונים בצורה שמשקפת ישירות גדלים פיזיים: מרחק מהרדאר, מהירות תנועה וכיוון מזוויות שונות. מכל פריים של רדאר הם חילצו שלושה סוגי מפות תכונה — טווח–דופלר (תנועה מול מרחק), טווח–אזימוט (זווית אופקית) וטווח–אילרציה (זווית אנכית) — וערמו אותן לווקטורים רב־ממדיים קומפקטיים ששומרים על האופן שבו גוף האדם נע בחלל לאורך זמן.

בינה קלת משקל למכשירים קטנים

כדי לקרוא את דפוסי הרדאר האלה, המחברים בנו מודל למידה עמוקה המכוון להיות קטן ויעיל. הוא משלב גרסה מזורזת של רשת מוכרת לזיהוי תמונות (ResNet-18) עם מודול LSTM דו‑כיווני, סוג של רשת עצבית חוזרת. קונבולוציות מסוג "depthwise separable" מצמצמות באופן משמעותי את מספר החישובים והפרמטרים ועדיין לוכדות פרטים מרחביים חשובים, והחלק החוזר לומד כיצד פעילויות מתפתחות בחלון זמן קצר של חצי שנייה. כדי להפיק עמידות למרות שהנתונים הגיעו רק משלושה אנשים, הצוות השתמש בהגדלת נתונים ריאליסטית: הזזה קלה של המיקום או המהירות הנתפסת, שינוי בקנה מידה ובהיסט, היפוך כיוון התנועה והוספת רעש עדין — לחקות כיצד בתים ואנשים אמיתיים משתנים מרגע לרגע.

כמה טוב הוא מזהה פעולות יומיומיות?

המסגרת נבחנה באמצעות שתי אסטרטגיות הערכה נוקשות. בבדיקה חוצת‑סצנות, המודל אומן על רוב ההקלטות ונבדק על סצנות שמעולם לא נראו קודם. בבדיקה של השארת‑אדם‑אחד‑בחוץ, הוא אומן על שני אנשים ונבדק בשלמות על השלישי, כדי לבדוק עד כמה הוא מתכלל לאנשים חדשים. במשימה מאתגרת של שבע פעילויות, המערכת השיגה דיוק של כ‑92% וכמעט 90% מדד F1 כאשר שמרו על סצנות מחוץ לאימון, וכ‑90% דיוק על אנשים שלא נראו קודם. כאשר המשימה הופחתה לארבע פעילויות מרכזיות — הליכה, ישיבה על המיטה, ישיבה על כיסא ושכיבה על המיטה — הדיוק טיפס לכ‑99% בבדיקות חוצת‑סצנות. יש לציין שביצועים אלו תאמו או עלו על רשתות נוירונים גדולות וכבדות יותר מבחינת חישוב, בעוד שהמודל משתמש בפחות ממיליון פרמטרים ובגודל זעיר של פחות מ‑7 מגהבייט.

מה זה עשוי להצביע על בתים חכמים בעתיד

במילים פשוטות, המחקר מראה שיחידה רדאר קטנה ומודל AI קומפקטי יכולים להבחין בביטחון בין פעילויות נפוצות בתוך הבית, אפילו עם נתוני אימון מוגבלים וללא פגיעה בפרטיות. על‑ידי עבודה ישירה עם תכונות רדאר בעלות משמעות פיזיקלית ושימוש בתחבולות הגדלת נתונים נבחרות, המחברים השיגו גם דיוק וגם יעילות, מה שהופך את הגישה שלהם מתאימה לחומרה מוטמעת בקצה הרשת במקום לשרתי ענן כבדים. ככל שמאגרי הנתונים יורחבו ויכללו יותר אנשים והתנהגויות, ניטור מבוסס‑רדאר מסוג זה עלול להוות בסיס לחדרי שינה חכמים עתידיים, חדרי אשפוז ומקומות מגורים מסייעים שיבטיחו שקט תפעולי על־מנת לשמור על בטיחות ורווחה תוך שמירה על כבוד ופרטיות של האנשים המתגוררים בהם.

ציטוט: 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

מילות מפתח: זיהוי פעילויות מבוסס רדאר, רדאר גלונים FMCW בתדר מילימטרי, ניטור בית חכם, למידה עמוקה קלת משקל, סביבה מסייעת למגורים