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

Resumo Técnico: Alinhamento Latente Generativo para Detecção de Ocupação Baseada em Radar Interpretável

Enunciado do Problema
Em ambientes de Assistência à Vida Independente (AAL - Ambient Assisted Living), o monitoramento contínuo da presença humana é crítico para a segurança e autonomia. Embora câmeras sejam eficazes para o reconhecimento de atividades, elas levantam preocupações significativas de privacidade. O radar de ondas milimétricas (mmWave) oferece uma alternativa preservadora de privacidade, robusta a iluminação e oclusão. No entanto, modelos de aprendizado profundo implantados para detecção de presença baseada em radar frequentemente carecem de interpretabilidade. Em contextos de saúde críticos para a segurança, essa natureza de "caixa preta" dificulta a confiança do clínico e a validação do modelo. Os métodos existentes de IA explicável (XAI) para sensoriamento operam frequentemente post-hoc em modelos discriminativos ou falham em alinhar os dados dos sensores com conceitos compreensíveis por humanos, deixando uma lacuna entre sinais abstratos de radar e o raciocínio semântico.

Metodologia
Os autores propõem o framework de Alinhamento Latente Generativo (GLA), um Autoencoder Variacional (VAE) de radar semântico projetado para aprender uma representação latente de baixa dimensão de mapas de calor de Alcance–Ângulo (RA) que seja tanto generativa quanto semanticamente alinhada com conceitos humanos. A arquitetura consiste em três componentes principais:

1. Backbone de VAE de Radar Semântico:

   • Entrada: Mapas de características de intensidade RA 2D (224×224, 3 canais) derivados de amostras brutas de ADC mmWave via processamento padrão FMCW (FFT de Alcance/Doppler e beamforming Capon/MVDR).
   • Encoder: Uma rede convolucional leve com quatro blocos convolucionais com stride reduz a resolução espacial de 224 para 14, seguido por cabeças lineares para gerar a média ($\mu$) e a log-variância ($\log \sigma^2$) de uma distribuição Gaussiana diagonal.
   • Decoder: Uma pilha de convoluções transpostas faz o upsampling do vetor latente $z$ para reconstruir o mapa de calor RA de entrada.
   • Objetivo de Treinamento: O modelo maximiza o Limite Inferior de Evidência (ELBO), compreendendo uma perda de reconstrução de entropia cruzada binária ($L_{recon}$) para preservar a estrutura fina de RA e um termo de divergência KL ($L_{KLD}$) para impor um manifold latente suave.

2. Alinhamento Latente com Âncora de Texto:

   • Para preencher a lacuna entre os dados do sensor e os conceitos humanos, a média latente $\mu$ é projetada via uma camada linear aprendível $W$ e alinhada com embeddings de um codificador de texto CLIP congelado.
   • Dois prompts de texto específicos servem como âncoras semânticas: "mapa de calor de radar de uma sala vazia sem nenhuma pessoa" (radar heatmap of an empty room without any person) e "mapa de calor de radar de uma pessoa presente na sala" (radar heatmap of a person present in the room).
   • Uma perda de alinhamento ($L_{align}$), calculada como a entropia cruzada das similaridades de cosseno escalonadas por temperatura entre o latente projetado e as âncoras de texto, incentiva o espaço latente a agrupar amostras próximas aos seus conceitos semânticos correspondentes.

3. Explicabilidade no Espaço Latente (Latent Grad-CAM):

   • Em vez de aplicar o Grad-CAM à camada de classificação final, o método adapta a técnica para o terceiro bloco convolucional do encoder.
   • Os gradientes do escore da classe em relação aos mapas de características são submetidos ao global average pooling para derivar pesos de canal. Esses pesos são aplicados aos mapas de características para gerar um mapa de calor ($L_{CAM}$).
   • Este mapa é submetido a upsampling para a resolução de entrada e suavizado através de perturbações Gaussianas para produzir uma visualização estável das regiões espaciais que sustentam a decisão de presença.

Resultados Principais
O framework foi avaliado em um conjunto de dados de radar mmWave binário distinguindo cenários de "sala vazia" e "pessoa presente".

• Interpretabilidade Qualitativa: Para amostras de "pessoa presente", o Latent Grad-CAM produz manchas compactas e nitidamente localizadas que coincidem com fortes retornos de RA (o reflexo da pessoa). Por outro lado, amostras de "sala vazia" produzem evidências difusas ou ausentes, consistentes com o clutter de fundo e estruturas de multicaminho estáticas.
• Estudo de Ablação: Os autores realizaram uma ablação usando prompts de texto não relacionados (ex: "nuvens no céu"). Sob estas condições, embora o VAE ainda pudesse reconstruir padrões RA grosseiros, as explicações do Grad-CAM degradaram significativamente: a classe "pessoa presente" produziu mapas uniformes e não salientes, e a classe "sala vazia" falhou em corresponder às estruturas RA óbvias. Isso confirma que as âncoras semânticas específicas de radar são essenciais para gerar mapas de evidência localizados e significativos.

Significância e Alegações
O artigo afirma que o framework GLA consegue unir a lacuna de representação entre sinais de radar abstratos e conceitos compreensíveis por humanos sem exigir cabeças de decodificação complexas ou pipelines de geração de grandes modelos de linguagem. Ao acoplar um VAE leve com âncoras CLIP congeladas, o método produz mapas de evidência condicionais à classe que são:

1. Fundamentados na estrutura de RA: As visualizações alinham-se com a geometria física dos retornos de radar.
2. Semanticamente vinculados: As explicações estão diretamente ligadas a conceitos específicos do domínio ("vazio" vs. "pessoa").
3. Interpretáveis: O uso de Grad-CAM no espaço latente permite que operadores visualizem por que uma decisão foi tomada, abordando a lacuna de transparência em sistemas de AAL críticos para a segurança.

Os autores posicionam este trabalho como um passo em direção à IA confiável na saúde, demonstrando que o alinhamento semântico pode aumentar a explicabilidade de modelos de radar generativos enquanto mantém uma arquitetura leve adequada para implantação.