在有限数据条件下用于人体活动识别的轻量级FMCW雷达框架

无需摄像头也能观察日常生活

想象一个家庭能够在不使用摄像头、麦克风或可穿戴设备的情况下，悄然察觉老年人是否摔倒，或某人是否长时间不动。本文提出了一种将小型雷达传感器与高效人工智能结合的方法，在类似卧室的环境中识别日常人体活动，即使训练数据有限也能生效。目标是构建实用且保护隐私的监测系统，最终能在真实家庭、医院和护理中心的低成本设备上运行。

为何选择雷达而非摄像头或可穿戴设备？

许多现有的活动监测系统依赖智能手表等可穿戴设备或房间内的摄像头。可穿戴设备可能不舒适、需要充电，且常被忘记或摘除，尤其在睡眠或洗澡时。摄像头则带来明显的隐私问题，并且在光线不足或被家具遮挡时可能失效。雷达提供了另一种选择：它发射无线电波并测量反射以推断运动和位置。毫米波雷达能在黑暗中工作、穿透部分障碍物，并且不会揭示人体外观，使其成为尊重隐私、连续监测日常生活的有吸引力技术。

将不可见的波形转化为有用模式

研究人员使用了一枚安装在卧室上方的小型60 GHz雷达传感器，向下倾斜以覆盖床、椅子和地面。三名志愿者参与了16次记录会话，执行七类活动：房间空无一人、行走、坐在床上、坐在椅子上、躺在床上、躺在地上，以及这些状态之间的转换。与许多早期研究将雷达信号转为图像不同，团队保留了直接反映物理量的数据形式：到雷达的距离、运动速度以及来自不同角度的方向信息。从每帧雷达数据中提取了三类特征图——距离-多普勒（运动与距离）、距离-方位（水平角）和距离-仰角（垂直角）——并将它们堆叠成紧凑的多维向量，以保留人体随时间在空间中运动的方式。

为小型设备设计的轻量级智能

为了解读这些雷达模式，作者构建了一个刻意小而高效的深度学习模型。它将一种流线化的流行图像识别网络（ResNet-18）与一个双向长短期记忆模块相结合，后者是一类循环神经网络。专门的“深度可分离”卷积大幅减少计算量和参数数量，同时仍能捕捉重要的空间细节，循环部分则学习活动在半秒左右短时间窗口内如何展开。为在只有三个人的数据条件下提高鲁棒性，团队采用了现实主义的数据增强：微调表观位置或速度、缩放和偏置信号强度、翻转运动方向并加入轻微噪声——模拟真实家庭和真实个体在不同时间的变异。

它识别日常动作的效果如何？

该框架使用两种严格的评估策略进行测试。在跨场景测试中，模型在大多数记录会话上训练并在此前未见过的场景上测试。在留一人测试中，模型在两人数据上训练、在第三人上测试，以评估对新个体的泛化能力。在具有挑战性的七类活动任务中，当保留场景进行测试时，系统达到了约92%的准确率和近90%的F1分数；在未见过的人上测试时准确率约为90%。当任务简化为四类核心活动——行走、坐床、坐椅和躺床——跨场景测试的准确率上升到约99%。值得注意的是，这一性能相当或优于更大、更耗算力的神经网络，而模型参数少于一百万、模型体积不到7兆字节。

这对未来智能家居意味着什么

简而言之，研究表明一枚小型雷达单元和一个紧凑的AI模型可以在数据有限且不侵犯隐私的情况下可靠地区分常见室内活动。通过直接使用具有物理意义的雷达特征并采用精心挑选的增强策略，作者同时实现了准确性和高效性，使其方法适合在边缘嵌入式硬件上运行，而非依赖体积庞大的云端服务器。随着数据集扩展以涵盖更多的人群和行为，这类基于雷达的监测有望成为未来智能卧室、病房和辅助生活空间的基础，安静地关注安全与福祉，同时尊重被监护者的尊严与隐私。

引用: 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

关键词: 基于雷达的活动识别, FMCW 毫米波雷达, 智能家居监测, 轻量级深度学习, 辅助生活环境