Generative Latent Alignment for Interpretable Radar Based Occupancy Detection in Ambient Assisted Living

Resumen Técnico: Alineación de Latencia Generativa para la Detección de Ocupación Basada en Radar Interpretable

Planteamiento del Problema
En entornos de Asistencia para la Vida Independiente (AAL, por sus siglas en inglés), el monitoreo continuo de la presencia humana es crítico para la seguridad y la autonomía. Si bien las cámaras son efectivas para el reconocimiento de actividades, plantean preocupaciones significativas de privacidad. El radar de ondas milimétricas (mmWave) ofrece una alternativa que preserva la privacidad y es robusta ante la iluminación y la oclusión. Sin embargo, los modelos de aprendizaje profundo desplegados para la detección de presencia basada en radar carecen a menudo de interpretabilidad. En contextos de atención médica donde la seguridad es crítica, esta naturaleza de "caja negra" dificulta la confianza del clínico y la validación del modelo. Los métodos existentes de IA explicable (XAI) para sensores suelen operar post-hoc en modelos discriminativos o fallan al alinear los datos de los sensores con conceptos comprensibles para los humanos, dejando un vacío entre las señales abstractas del radar y el razonamiento semántico.

Metodología
Los autores proponen el marco de Alineación de Latencia Generativa (GLA), un Autoencoder Variacional (VAE) de radar semántico diseñado para aprender una representación latente de baja dimensión de los mapas de calor de Rango–Ángulo (RA) que sea tanto generativa como semánticamente alineada con conceptos humanos. La arquitectura consta de tres componentes principales:

1. Esqueleto del VAE de Radar Semántico:

   • Entrada: Mapas de características de intensidad RA 2D (224×224, 3 canales) derivados de muestras de ADC de mmWave mediante procesamiento estándar de FMCW (FFT de Rango/Doppler y formación de haces Capon/MVDR).
   • Codificador (Encoder): Una red convolucional ligera con cuatro bloques convolucionales con saltos (strided) reduce la resolución espacial de 224 a 14, seguido de cabezales lineales para producir la media ($\mu$) y el logaritmo de la varianza ($\log \sigma^2$) de una distribución Gaussiana diagonal.
   • Decodificador (Decoder): Una pila de convoluciones transpuestas aumenta la resolución del vector latente $z$ para reconstruir el mapa de calor RA de entrada.
   • Objetivo de Entrenamiento: El modelo maximiza el Límite Inferior de la Evidencia (ELBO), que comprende una pérdida de reconstrucción de entropía cruzada binaria ($L_{recon}$) para preservar la estructura fina de RA y un término de divergencia KL ($L_{KLD}$) para imponer un manifold latente suave.

2. Alineación de Latencia con Anclajes de Texto:

   • Para cerrar la brecha entre los datos del sensor y los conceptos humanos, la media latente $\mu$ se proyecta mediante una capa lineal aprendible $W$ y se alinea con embeddings de un codificador de texto CLIP congelado.
   • Dos prompts de texto específicos sirven como anclajes semánticos: "radar heatmap of an empty room without any person" (mapa de calor de radar de una habitación vacía sin ninguna persona) y "radar heatmap of a person present in the room" (mapa de calor de radar de una persona presente en la habitación).
   • Una pérdida de alineación ($L_{align}$), calculada como la entropía cruzada de las similitudes de coseno escaladas por temperatura entre la proyección latente y los anclajes de texto, fomenta que el espacio latente agrupe las muestras cerca de sus conceptos semánticos correspondientes.

3. Explicabilidad del Espacio Latente (Latent Grad-CAM):

   • En lugar de aplicar Grad-CAM a la capa de clasificación final, el método adapta la técnica al tercer bloque convolucional del codificador.
   • Los gradientes de la puntuación de clase con respecto a los mapas de características se someten a un promedio global (global average pooling) para derivar pesos de canal. Estos pesos se aplican a los mapas de características para generar un mapa de calor ($L_{CAM}$).
   • Este mapa se escala a la resolución de entrada y se promedia sobre perturbaciones gaussianas para producir una visualización estable de las regiones espaciales que sustentan la decisión de presencia.

Resultados Clave
El marco fue evaluado en un conjunto de datos de radar mmWave binario que distingue entre escenarios de "habitación vacía" y "persona presente".

• Interpretabilidad Cualitativa: Para las muestras de "persona presente", el Latent Grad-CAM produce manchas compactas y fuertemente localizadas que coinciden con retornos de RA fuertes (el reflejo de la persona). Por el contrario, las muestras de "habitación vacía" producen evidencia difusa o ausente, consistente con el ruido de fondo y las estructuras de trayectoria múltiple estáticas.
• Estudio de Ablación: Los autores realizaron una ablación utilizando prompts de texto no relacionados (por ejemplo, "clouds in the sky" / nubes en el cielo). Bajo estas condiciones, aunque el VAE aún podía reconstruir patrones RA gruesos, las explicaciones de Grad-CAM se degradaron significativamente: la clase "persona presente" produjo mapas uniformes y no salientes, y la clase "habitación vacía" no logró coincidir con las estructuras de RA evidentes. Esto confirma que los anclajes semánticos específicos del radar son esenciales para generar mapas de evidencia localizados y significativos.

Significación y Reivindicaciones
El artículo afirma que el marco GLA logra cerrar la brecha de representación entre las señales de radar abstractas y los conceptos comprensibles para los humanos sin requerir cabezales de decodificación complejos o tuberías de generación de modelos de lenguaje extensos. Al acoplar un VAE ligero con anclajes CLIP congelados, el método produce mapas de evidencia condicionados a la clase que son:

1. Fundamentados en la estructura de RA: Las visualizaciones se alinean con la geometría física de los retornos de radar.
2. Vinculados semánticamente: Las explicaciones están directamente ligadas a conceptos específicos del dominio ("vacío" vs. "persona").
3. Interpretables: El uso de Latent Grad-CAM permite a los operadores visualizar por qué se tomó una decisión, abordando la brecha de transparencia en sistemas de AAL con implicaciones de seguridad.

Los autores posicionan este trabajo como un paso hacia una IA confiable en el cuidado de la salud, demostrando que la alineación semántica puede mejorar la explicabilidad de los modelos de radar generativos manteniendo una arquitectura ligera adecuada para su despliegue.