编辑推荐：
本研究针对个性化康复中运动姿态实时、非接触式监测的需求，提出了一种名为RehabRadar的边缘辅助系统。该系统利用TI IWR1642毫米波FMCW雷达，通过提取互补的微多普勒谱和距离-多普勒序列，构建了一个由MobileNetV3和CNN-LSTM组成的混合集成模型，可区分正确姿态和两种常见错误。经优化后，系统在10人验证中达到91.5%准确率，模型仅2.1MB，平均端到端延迟1.5秒，实现了本地化、隐私保护的近实时反馈，为分布式物联网医疗中的个性化家庭康复分析提供了新方案。
在追求个性化医疗与家庭康复的今天，如何实时、准确地监测患者的运动康复质量，成为了一个关键挑战。传统的解决方案，比如摄像头，虽然直观，但总让人担心隐私泄露的问题；而可穿戴设备虽然便携，却又受限于传感器贴附的位置、舒适度以及数据的一致性与鲁棒性。这些问题就像一道道藩篱，阻碍了康复训练从医院诊室真正走进千家万户的客厅。于是，研究人员将目光投向了一种“隐形的眼睛”——毫米波雷达。这种技术不仅能“看见”物体的运动，还能穿透衣物等遮挡，最关键的是，它不产生光学图像，从而在源头上保护了用户的隐私。但是，仅仅“看见”还不够，如何让一个小小的、计算能力有限的边缘设备（比如树莓派），也能智能地识别出复杂的、个体差异巨大的康复运动姿态，并分辨出正确动作与常见错误，这又是一个横亘在面前的难题。为了解决这些痛点，一项名为“RehabRadar”的研究应运而生，并被发表在了《IEEE Transactions on Neural Systems and Rehabilitation Engineering》期刊上。
为了攻克这些难题，研究团队融合了硬件感知、信号处理与深度学习优化技术。其核心是利用德州仪器（TI）的IWR1642毫米波调频连续波（FMCW）雷达采集原始数据。数据处理流程首先通过距离门控和有限长单位冲激响应（FIR）高通滤波隔离目标并去除静态杂波，随后并行提取两种互补的特征表示：微多普勒（micro-Doppler）频谱图和距离-多普勒（range-Doppler）序列。在算法层面，研究人员设计了一个轻量级混合集成模型：一路采用MobileNetV3处理微多普勒图像，另一路采用卷积神经网络-长短期记忆网络（CNN-LSTM）处理距离-多普勒序列，最后进行决策层融合。为使模型能部署在树莓派4B上，他们采用了基于幅度的剪枝和训练后INT8量化进行极致压缩。研究在一项包含10名健康成年人执行8种临床选定动作的概念验证研究中展开评估。
研究结果
系统性能评估
通过针对每位参与者的二折交叉验证，RehabRadar系统在将运动执行分类为“正确”或两种预设的常见错误类型时，达到了91.5%的整体准确率和92.0%的宏平均F1分数。这一性能表现超越了任何单一分支的基线模型（即单独使用微多普勒分支或距离-多普勒分支），证明了所提出的混合集成架构的有效性。
模型效率与部署表现
经过模型压缩优化后，最终的集成模型大小仅为2.1 MB，非常适合资源受限的边缘设备。在树莓派4B上的实际部署测试中，系统处理单个动作（从雷达原始数据到给出分类反馈）的平均端到端延迟为1.5秒，能够提供近乎实时的、按次（rep-level）的运动反馈。
隐私与数据处理流程
研究实现了严格的数据本地化处理。所有信号处理和模型推断均在设备端（on-device）完成。原始的毫米波雷达数据在生成反馈后立即被丢弃，不会存储或传输。仅有最低限度的、经过加密的聚合指标（如练习次数、错误类型统计）会被外部传输，从而在提供分析服务的同时，最大限度地保护了用户隐私。
讨论与结论
本研究表明，结合毫米波雷达感知与精心设计的轻量级神经网络模型，能够在边缘计算的严格限制下，实现高效、准确的个性化运动姿态错误检测。RehabRadar系统成功地在准确性（>91%）、延迟（~1.5秒）和模型 footprint（2.1MB）之间取得了良好平衡。其核心意义在于，为家庭环境下的康复训练提供了一种既保护隐私（非接触、无光学影像、数据本地处理）又具备临床可解释性（可分类具体错误类型）的解决方案。这项工作验证了在边缘设备上进行个性化模型训练的可行性，为物联网（IoT）医疗健康领域的去中心化学习（decentralized learning）提供了实践案例。当然，本研究作为概念验证，其临床有效性和普适性仍需在未来工作中通过更大规模、多中心的临床试验，在更广泛的运动类型、患者人群（如真正的康复患者）中进行验证。尽管如此，其初步结果有力地证明了，毫米波雷达与紧凑神经模型的协同，有望推动个性化、保护隐私的非接触式家庭康复分析向前迈进重要一步。
