Lightweight FMCW-radarraamwerk voor herkenning van menselijke activiteiten bij beperkte data

Dagelijks leven observeren zonder camera

Stel je een huis voor dat stilletjes kan detecteren of een oudere persoon is gevallen, of dat iemand ongewoon lang niet beweegt—zonder camera’s, microfoons of draagbare apparaten. Dit artikel presenteert een nieuwe manier om kleine radarsensoren en efficiënte kunstmatige intelligentie te gebruiken om alledaagse menselijke activiteiten in een slaapkamerachtige omgeving te herkennen, zelfs wanneer er slechts weinig trainingsdata beschikbaar is. Het doel is het bouwen van praktische, privacyvriendelijke monitorsystemen die uiteindelijk op goedkope apparaten in echte woningen, ziekenhuizen en zorgcentra kunnen draaien.

Waarom radar in plaats van camera’s of wearables?

Veel huidige activiteitsmonitoringsystemen vertrouwen op draagbare apparaten zoals smartwatches of op videocamera’s in een ruimte. Wearables kunnen oncomfortabel zijn, moeten worden opgeladen en worden vaak vergeten of afgelegd, vooral tijdens slapen of wassen. Camera’s roepen duidelijke privacyzorgen op en kunnen falen bij slechte verlichting of wanneer iemand achter meubels staat. Radar biedt een alternatief: het zendt radiogolven uit en meet de reflecties om beweging en positie af te leiden. Millimetergolfradar werkt in het donker, door sommige obstakels heen en zonder iemands uiterlijk te onthullen, waardoor het een aantrekkelijke technologie is voor respectvolle, continue monitoring van het dagelijks leven.

Onzichtbare golven omzetten in bruikbare patronen

De onderzoekers gebruikten een compact 60 GHz-radarsensor gemonteerd hoog in een slaapkamerachtige ruimte, schuin naar beneden gericht om een bed, stoel en vloer te dekken. Drie vrijwilligers deden mee aan 16 opnamesessies en voerden zeven categorieën activiteiten uit: de kamer is leeg, lopen, op een bed zitten, op een stoel zitten, op het bed liggen, op de vloer liggen en overgangen tussen deze toestanden. In plaats van de radarsignalen om te zetten in beelden, zoals veel eerdere studies doen, hield het team de data in een vorm die direct fysieke grootheden weerspiegelt: afstand tot de radar, bewegingssnelheid en richting vanuit verschillende hoeken. Uit elk radarkader haalden ze drie soorten kenmerkkaarten—range–Doppler (beweging versus afstand), range–azimuth (horizontale hoek) en range–elevatie (verticale hoek)—en stapelden die tot compacte multidimensionale vectoren die vastleggen hoe het lichaam van een persoon zich in de ruimte beweegt over de tijd.

Lichtgewicht intelligentie voor kleine apparaten

Om deze radarpatronen te lezen bouwden de auteurs een deep-learningmodel dat bewust klein en efficiënt is. Het combineert een gestroomlijnde versie van een populair beeldherkenningsnetwerk (ResNet-18) met een bidirectionele long short-term memory-module, een type recurrent neuraal netwerk. Gespecialiseerde "depthwise separable" convoluties verminderen het aantal berekeningen en parameters sterk, terwijl ze toch belangrijke ruimtelijke details vastleggen, en het recurrente deel leert hoe activiteiten zich ontvouwen over korte tijdvensters van een halve seconde. Om het systeem veerkrachtiger te maken ondanks data van slechts drie personen, paste het team realistische data-augmentatie toe: het licht verschuiven van de schijnbare positie of snelheid, schalen en verschuiven van signaalintensiteit, omkeren van bewegingsrichting en het toevoegen van zachte ruis—naborend aan hoe echte woningen en echte mensen van moment tot moment variëren.

Hoe goed herkent het alledaagse handelingen?

Het raamwerk werd getest met twee strikte evaluatiestrategieën. Bij cross-scene-testing werd het model getraind op de meeste opnamesessies en getest op scènes die het nog nooit had gezien. Bij leave-one-person-out-testing werd het getraind op twee personen en volledig getest op de derde, om te onderzoeken hoe goed het generaliseert naar nieuwe individuen. Over de uitdagende taak met zeven activiteiten behaalde het systeem ongeveer 92% nauwkeurigheid en bijna 90% F1-score wanneer scènes werden weggelaten, en ongeveer 90% nauwkeurigheid op onbekende personen. Toen de taak werd vereenvoudigd tot vier kernactiviteiten—lopen, op bed zitten, op stoel zitten en op bed liggen—stijgt de nauwkeurigheid naar ongeveer 99% bij cross-scene tests. Opvallend is dat deze prestaties gelijk waren aan of beter waren dan grotere, rekenkundig zwaardere neurale netwerken, terwijl het model minder dan één miljoen parameters gebruikte en een zeer kleine modelgrootte van onder de 7 megabyte had.

Wat kan dit betekenen voor toekomstige slimme huizen

Kort gezegd laat de studie zien dat een kleine radarunit en een compact AI-model veelvoorkomende binnenactiviteiten betrouwbaar kunnen onderscheiden, zelfs met beperkte trainingsdata en zonder inbreuk op de privacy. Door direct met fysiek betekenisvolle radarkenmerken te werken en zorgvuldig gekozen augmentatietrucs toe te passen, behalen de auteurs zowel nauwkeurigheid als efficiëntie, waardoor hun aanpak geschikt is voor ingebedde hardware aan de rand in plaats van omvangrijke servers in de cloud. Naarmate datasets worden uitgebreid met meer mensen en gedragingen, zou dit soort radar-gebaseerde monitoring de basis kunnen vormen voor toekomstige slimme slaapkamers, ziekenhuiskamers en verzorgingsruimtes die stilletjes letten op veiligheid en welzijn, terwijl ze waardigheid en privacy van de mensen die ze bedienen respecteren.

Bronvermelding: 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

Trefwoorden: radar-gebaseerde activiteitsherkenning, FMCW millimetergolfradar, slimme huisbewaking, lichtgewicht deep learning, omgeving-ondersteunde zorg