Lättviktsramverk för FMCW-radar för igenkänning av mänsklig aktivitet vid begränsade datamängder

Observera vardagen utan kamera

Föreställ dig ett hem som tyst kan upptäcka om en äldre person har fallit eller om någon har slutat röra sig under en ovanligt lång tid—utan kameror, mikrofoner eller bärbara prylar. Denna artikel presenterar ett nytt sätt att använda små radarsensorer och effektiv artificiell intelligens för att känna igen vanliga mänskliga aktiviteter i en sovrumslik miljö, även när endast en liten mängd träningsdata finns tillgänglig. Målet är att bygga praktiska, integritetsvänliga övervakningssystem som i slutändan kan köras på lågkostnadsenheter i riktiga hem, sjukhus och vårdcenter.

Varför radar istället för kameror eller bärbart?

Många nuvarande system för aktivitetsövervakning förlitar sig på bärbara enheter som smartklockor eller på videokameror placerade runt ett rum. Bärbara enheter kan vara obekväma, behöver laddas och glöms ofta bort eller tas av, särskilt under sömn eller bad. Kameror väcker uppenbara integritetsfrågor och kan misslyckas i dåliga ljusförhållanden eller när en person står bakom möbler. Radar erbjuder ett annat alternativ: den sänder ut radiovågor och mäter deras reflektioner för att härleda rörelse och position. Millimetervågsradar kan fungera i mörker, genom vissa hinder och utan att avslöja en persons utseende, vilket gör tekniken tilltalande för respektfull, kontinuerlig övervakning av vardagsliv.

Att förvandla osynliga vågor till användbara mönster

Forskarna använde en kompakt 60 GHz-radarsensor monterad högt upp i ett sovrumslikt rum, lutad nedåt för att täcka en säng, en stol och golvet. Tre frivilliga deltog i 16 inspelningssessioner och utförde sju aktivitetskategorier: tomt rum, gång, sitta på säng, sitta på stol, ligga på säng, ligga på golv och övergångar mellan dessa tillstånd. Istället för att omvandla radarsignalerna till bilder, som många tidigare studier gör, behöll teamet data i en form som direkt speglar fysiska storheter: avstånd till radarn, rörelsehastighet och riktning från olika vinklar. Från varje radarbild extraherade de tre typer av funktionskartor—range–Doppler (rörelse kontra avstånd), range–azimuth (horisontell vinkel) och range–elevation (vertikal vinkel)—och staplade dem till kompakt multidimensionella vektorer som bevarar hur en persons kropp rör sig i rummet över tid.

Lättviktig intelligens för små enheter

För att tolka dessa radarmönster byggde författarna en djupinlärningsmodell som medvetet är liten och effektiv. Den kombinerar en strömlinjeformad version av ett populärt bildigenkänningsnätverk (ResNet-18) med en bidirektionell long short-term memory-modul, en typ av rekurrentt neuralt nätverk. Specialiserade "depthwise separable"-konvolutioner minskar kraftigt antalet beräkningar och parametrar samtidigt som viktiga spatiala detaljer fångas, och den rekurrenta delen lär sig hur aktiviteter utvecklas över korta tidsfönster på en halv sekund. För att göra systemet mer robust trots data från endast tre personer tillämpade teamet realistisk dataaugmentation: förskjuta den uppenbara positionen eller hastigheten något, skalning och bias i signalintensitet, vända rörelseriktning och lägga till mild brus—sådant som efterliknar hur verkliga hem och människor varierar över tid.

Hur väl känner det igen vardagliga handlingar?

Ramverket testades med två strikta utvärderingsstrategier. Vid cross-scene-test tränades modellen på majoriteten av inspelningssessionerna och testades på scener den aldrig sett tidigare. Vid leave-one-person-out-test tränades den på två personer och testades helt på den tredje, för att pröva hur väl den generaliserar till nya individer. I den utmanande uppgiften med sju aktiviteter nådde systemet cirka 92 % noggrannhet och nästan 90 % F1-score när scener hölls ute, och cirka 90 % noggrannhet på osedda personer. När uppgiften förenklades till fyra kärnaktiviteter—gå, sitta på säng, sitta på stol och ligga på säng—ökade noggrannheten till omkring 99 % i cross-scene-tester. Anmärkningsvärt nog matchade eller överträffade denna prestanda större, mer beräkningskrävande neurala nätverk, samtidigt som den använde färre än en miljon parametrar och en mycket liten modellstorlek under 7 megabyte.

Vad detta kan innebära för framtidens smarta hem

Enkelt uttryckt visar studien att en liten radarenhet och en kompakt AI-modell pålitligt kan särskilja vanliga inomhusaktiviteter, även med begränsad träningsdata och utan att inkräkta på integriteten. Genom att arbeta direkt med fysiskt meningsfulla radarfeatures och noggrant utvalda augmenteringstekniker uppnår författarna både noggrannhet och effektivitet, vilket gör deras tillvägagångssätt lämpligt för inbyggd hårdvara i kanten snarare än skrymmande servrar i molnet. När dataset utökas för att omfatta fler personer och beteenden kan denna typ av radarbaserad övervakning ligga till grund för framtida smarta sovrum, sjukhusrum och boenden med assistans som tyst vakar över säkerhet och välbefinnande samtidigt som människors värdighet och integritet respekteras.

Citering: 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

Nyckelord: radarbaserad aktivitetsigenkänning, FMCW millimetervågsradar, smart hem-övervakning, lättviktig djupinlärning, omgivningsstödd vård