Framework radar FMCW leggero per il riconoscimento delle attività umane con dati limitati

Osservare la vita quotidiana senza una fotocamera

Immaginate una casa in grado di rilevare silenziosamente se una persona anziana è caduta o se qualcuno ha smesso di muoversi per un tempo anomalo—senza telecamere, microfoni o dispositivi indossabili. Questo articolo presenta un nuovo metodo che utilizza piccoli sensori radar e un’intelligenza artificiale efficiente per riconoscere le attività quotidiane in un ambiente simile a una camera da letto, anche quando è disponibile solo una quantità ridotta di dati di addestramento. L’obiettivo è costruire sistemi di monitoraggio pratici e rispettosi della privacy che possano in futuro funzionare su dispositivi a basso costo in case reali, ospedali e strutture di cura.

Perché il radar invece di telecamere o dispositivi indossabili?

Molti sistemi attuali di monitoraggio delle attività si basano su dispositivi indossabili come smartwatch o su videocamere collocate nella stanza. I dispositivi indossabili possono risultare scomodi, necessitare di ricarica e spesso vengono dimenticati o rimossi, specialmente durante il sonno o la toilette. Le telecamere sollevano evidenti problemi di privacy e possono non funzionare bene in condizioni di scarsa illuminazione o quando la persona è nascosta da mobili. Il radar offre un’opzione diversa: invia onde radio e misura i loro echi per inferire movimento e posizione. Il radar millimetrico può funzionare al buio, attraverso alcuni ostacoli e senza rivelare l’aspetto della persona, rendendolo una tecnologia interessante per un monitoraggio continuo e rispettoso della privacy della vita quotidiana.

Trasformare onde invisibili in modelli utili

I ricercatori hanno utilizzato un compatto sensore radar a 60 GHz montato in alto in una stanza simile a una camera da letto, inclinato per coprire un letto, una sedia e il pavimento. Tre volontari hanno partecipato a 16 sessioni di registrazione, eseguendo sette categorie di attività: stanza vuota, camminare, sedersi sul letto, sedersi su una sedia, essere sdraiati sul letto, essere sdraiati sul pavimento e transizioni tra questi stati. Invece di trasformare i segnali radar in immagini, come fanno molti studi precedenti, il team ha mantenuto i dati in una forma che riflette direttamente grandezze fisiche: distanza dal radar, velocità del moto e direzione da angoli diversi. Da ogni frame radar hanno estratto tre tipi di mappe di caratteristiche—range–Doppler (moto rispetto alla distanza), range–azimut (angolo orizzontale) e range–elevazione (angolo verticale)—e le hanno impilate in vettori multidimensionali compatti che preservano come il corpo di una persona si muove nello spazio nel tempo.

Intelligenza leggera per dispositivi di piccole dimensioni

Per interpretare questi pattern radar, gli autori hanno costruito un modello di deep learning volutamente piccolo ed efficiente. Combina una versione snellita di una popolare rete per il riconoscimento delle immagini (ResNet-18) con un modulo bidirezionale long short-term memory, un tipo di rete neurale ricorrente. Convoluzioni specializzate “depthwise separable” riducono notevolmente il numero di calcoli e parametri pur catturando dettagli spaziali rilevanti, mentre la parte ricorrente apprende come le attività si sviluppano in brevi finestre temporali di mezzo secondo. Per rendere il sistema più robusto nonostante i dati provenissero da sole tre persone, il team ha applicato un’augmentazione realistica dei dati: spostare leggermente la posizione apparente o la velocità, scalare e applicare un bias all’intensità del segnale, invertire la direzione del moto e aggiungere rumore lieve—imitando come case reali e persone reali varino di momento in momento.

Quanto bene riconosce azioni quotidiane?

Il framework è stato valutato con due strategie di test rigorose. Nel test cross-scene il modello è stato addestrato sulla maggior parte delle sessioni registrate e testato su scene mai viste prima. Nel leave-one-person-out è stato addestrato su due persone e testato interamente sulla terza, per verificare la capacità di generalizzare a nuovi individui. Su un compito impegnativo a sette attività, il sistema ha raggiunto circa il 92% di accuratezza e quasi il 90% di F1-score quando le scene erano escluse, e circa il 90% di accuratezza su persone non viste. Quando il compito è stato semplificato a quattro attività principali—camminare, sedersi sul letto, sedersi su una sedia e sdraiarsi sul letto—l’accuratezza è salita intorno al 99% nei test cross-scene. È notevole che queste prestazioni eguagliassero o superassero quelle di reti neurali più grandi e computazionalmente più pesanti, usando meno di un milione di parametri e una dimensione di modello ridotta a meno di 7 megabyte.

Cosa potrebbe significare per le future case intelligenti

In termini semplici, lo studio mostra che un piccolo modulo radar e un modello AI compatto possono distinguere in modo affidabile attività indoor comuni, anche con dati di addestramento limitati e senza invadere la privacy. Lavorando direttamente con caratteristiche radar con significato fisico e con accorgimenti di augmentazione studiati ad hoc, gli autori raggiungono sia accuratezza che efficienza, rendendo l’approccio adatto all’hardware embedded ai margini della rete piuttosto che a server ingombranti nel cloud. Con l’espansione dei dataset per includere più persone e comportamenti, questo tipo di monitoraggio basato su radar potrebbe costituire la base di future camere da letto intelligenti, stanze d’ospedale e ambienti per l’assistenza che sorvegliano discretamente sicurezza e benessere rispettando dignità e privacy delle persone assistite.

Citazione: 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

Parole chiave: riconoscimento delle attività basato su radar, radar millimetrico FMCW, monitoraggio domestico intelligente, deep learning leggero, assistenza domiciliare ambientale