Sınırlı veri koşullarında insan etkinliği tanıma için hafif FMCW radar çerçevesi

Kamera Olmadan Günlük Hayatı İzlemek

Yaşlı bir kişinin düştüğünü veya birinin olağandışı uzun süre hareket etmediğini sessizce fark edebilen—kameralar, mikrofonlar veya giyilebilir cihazlar olmadan—bir ev hayal edin. Bu makale, küçük radar sensörleri ve verimli yapay zekâ kullanarak, yalnızca az miktarda eğitim verisi olduğunda bile yatak odası tarzı bir ortamda günlük insan etkinliklerini tanımaya yönelik yeni bir yaklaşım sunuyor. Amaç, gerçek evlerde, hastanelerde ve bakım merkezlerinde düşük maliyetli cihazlarda çalışabilecek, gizliliği koruyan pratik izleme sistemleri geliştirmektir.

Neden Kameralar veya Giyilebilirler Değil de Radar?

Mevcut birçok etkinlik izleme sistemi akıllı saatler gibi giyilebilir cihazlara veya bir odaya yerleştirilmiş video kameralara dayanır. Giyilebilirler rahatsız edici olabilir, şarj gerektirir ve özellikle uyku veya banyo sırasında sık sık unutulur ya da çıkartılır. Kameralar ise açık gizlilik kaygıları doğurur ve düşük ışıkta veya kişinin mobilyaların arkasında olduğu durumlarda başarısız olabilir. Radar farklı bir seçenek sunar: radyo dalgaları gönderir ve hareket ile konumu çıkarmak için yansımalarını ölçer. Milimetre dalga radarı karanlıkta, bazı engellerin arkasından ve bir kişinin görünümünü açığa çıkarmadan çalışabildiği için günlük yaşamın saygılı, sürekli izlenmesi için çekici bir teknolojidir.

Görünmez Dalgalardan Yararlı Desenler Oluşturmak

Araştırmacılar, bir yatak, sandalye ve zemini kapsayacak şekilde yukarı doğru monte edilmiş, hafifçe eğik bir 60 GHz radar sensörü kullandılar. Üç gönüllü 16 kayıt oturumuna katıldı ve yedi etkinlik kategorisini gerçekleştirdi: odanın boş olması, yürümek, yatakta oturmak, sandalyede oturmak, yatakta uzanmak, yerde uzanmak ve bu durumlar arasındaki geçişler. Radar sinyallerini birçok önceki çalışmada olduğu gibi görüntülere dönüştürmek yerine ekip veriyi doğrudan fiziksel nicelikleri yansıtan bir biçimde tuttu: radara uzaklık, hareket hızı ve farklı açılardan yön. Her radar karesinden üç tür özellik haritası çıkardılar—menzil–Doppler (hareket vs. mesafe), menzil–azimut (yatay açı) ve menzil–elevasyon (dikey açı)—ve bunları, bir kişinin vücudunun uzaydaki hareketini zaman içinde koruyan kompakt çok boyutlu vektörler halinde yığdılar.

Küçük Cihazlar İçin Hafif Akıl

Bu radar desenlerini okumak için yazarlar kasıtlı olarak küçük ve verimli bir derin öğrenme modeli inşa ettiler. Model, popüler bir görüntü tanıma ağı olan ResNet-18’in sadeleştirilmiş bir versiyonunu çift yönlü uzun kısa süreli bellek (bidirectional LSTM) modülüyle birleştiriyor; bu modül tekrarlayan bir sinir ağı türüdür. Uzaysal ayrıntıları yakalamaya devam ederken hesaplama ve parametre sayısını büyük ölçüde azaltan “depthwise separable” konvolüsyonlar kullanıldı ve tekrar eden kısım etkinliklerin yarım saniyelik kısa zaman pencerelerinde nasıl geliştiğini öğrendi. Sistemi, yalnızca üç kişiden gelen verilerle daha dayanıklı kılmak için ekip gerçekçi veri artırma yöntemleri uyguladı: görünür konum veya hızı hafifçe kaydırma, sinyal yoğunluğunu ölçeklendirme ve önyargı ekleme, hareket yönünü tersine çevirme ve hafif gürültü ekleme—gerçek evlerin ve gerçek insanların bir andan diğerine nasıl değiştiğini taklit eden işlemler.

Günlük Eylemleri Ne Kadar İyi Tanıyor?

Çerçeve iki sıkı değerlendirme stratejisi kullanılarak test edildi. Çapraz-sahne testinde model kaydedilen oturumların çoğunda eğitildi ve daha önce görmediği sahnelerde test edildi. Kişiyi dışarıda bırakma testinde ise model iki kişi üzerinde eğitilip tamamen üçüncü kişi üzerinde sınanarak yeni bireylere ne kadar iyi genelleştiği incelendi. Zorlu yedi etkinlik görevinde sistem, sahneler hariç tutulduğunda yaklaşık %92 doğruluk ve yaklaşık %90 F1 skoru; görülmemiş kişilerde ise yaklaşık %90 doğruluk elde etti. Görev dört temel etkinliğe—yürüme, yatakta oturma, sandalyede oturma ve yatakta uzanma—indirgenince çapraz-sahne testlerinde doğruluk yaklaşık %99’a yükseldi. Önemli olarak, bu performans daha büyük ve hesaplama açısından daha maliyetli sinir ağlarıyla eşleşti veya onları geride bıraktı; üstelik model bir milyondan az parametre ve 7 megabayttan küçük bir model boyutu kullanıyordu.

Geleceğin Akıllı Evleri İçin Ne Anlama Gelebilir?

Basitçe söylemek gerekirse çalışma, küçük bir radar ünitesi ve kompakt bir yapay zekâ modelinin, sınırlı eğitim verisiyle ve gizliliği ihlal etmeden yaygın iç mekan etkinliklerini güvenilir şekilde ayırt edebileceğini gösteriyor. Fiziksel olarak anlamlı radar özellikleriyle doğrudan çalışarak ve özenle seçilmiş artırma teknikleri uygulayarak yazarlar hem doğruluk hem de verimlilik sağlıyor; bu da yaklaşımlarını bulut üzerindeki hantal sunucular yerine uçta gömülü donanım için uygun hale getiriyor. Veri setleri daha fazla insan ve davranışı içerecek şekilde genişledikçe, bu tür radar tabanlı izleme, güvenlik ve esenliğe sessizce göz kulak olurken hizmet verdikleri kişilerin onurunu ve gizliliğini koruyan geleceğin akıllı yatak odalarının, hastane odalarının ve destekli yaşam alanlarının temelini oluşturabilir.

Atıf: 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

Anahtar kelimeler: radar tabanlı etkinlik tanıma, FMCW milimetre dalga radarı, akıllı ev izleme, hafif derin öğrenme, ortam destekli yaşam