يمكن للإشارات القلبية، التي يتم التقاطها عن بعد عبر الرادار، التنبؤ بجنس الشخص وعمره بدقة عالية. أظهر باحثون من جامعة كارلوس الثالث في مدريد، في دراسة جديدة، أن التعلم الآلي القائم على هذه الإشارات يحقق معدل نجاح يصل إلى 78 بالمائة في تحديد الجنس و 73 بالمائة في تصنيف الفئات العمرية. تثير النتائج تساؤلات حول خصوصية البيانات، حيث يمكن استخلاص بيانات شخصية حساسة دون علم الأشخاص من الإشارات الفسيولوجية.
تدرس الدراسة لأول مرة ما إذا كانت السمات الديموغرافية مثل الجنس والعمر مشفرة ضمنيًا في إشارات القلب التي يتم الحصول عليها باستخدام رادار دوبلر. تتيح هذه التقنية التقاط النشاط القلبي دون تلامس من خلال تحليل حركات جدار الصدر الدقيقة، مما يوفر مزايا في النظافة والراحة، ولكنه يحمل أيضًا عيوبًا ناتجة عن الحركة أو التأثيرات البيئية. قام الباحثون بتحويل الإشارات الخام إلى مخططات متدرجة (scalograms) - وهي تمثيل للتردد الزمني - ودربوا شبكة عصبية التفافية (CNN) للتصنيف.
نظرًا لمحدودية حجم البيانات التي شملت 30 مشاركًا فقط، اعتمد العلماء على زيادة البيانات باستخدام شبكة الخصومة التوليدية القوية المشروطة (cWGAN). أنتجت هذه الطريقة مخططات متدرجة اصطناعية مشروطة بتصنيفات فئوية، وحسنت أداء النموذج بشكل كبير. بدون زيادة البيانات، كانت الدقة 73 بالمائة للجنس و 66 بالمائة للفئات العمرية (18-29 سنة مقابل 30-65 سنة). مع البيانات المولدة، ارتفعت إلى 78 بالمائة و 73 بالمائة على التوالي. أظهرت مقاييس أخرى مثل الدقة والاستدعاء ومقياس F1 تقدمًا مماثلًا.
تم إجراء التحليل باستخدام التحقق المتقاطع مع استبعاد موضوع واحد (Leave-One-Subject-Out Cross-Validation) لتجنب الإفراط في التكيف واختبار قابلية التعميم على أشخاص غير معروفين. يؤكد الباحثون أن إشارات القلب تعكس الاختلافات التشريحية والهرمونية التي تتجلى في أنماط التردد. أظهرت النساء في الدراسة نطاقات تردد أوسع، مما أثر على التصنيف.
تشير النتائج إلى مخاطر محتملة على خصوصية البيانات. يمكن لأنظمة الرادار أن تكشف عن معلومات حساسة في التطبيقات البيومترية مثل جوازات السفر الإلكترونية، مما قد يسهل هجمات القوة الغاشمة أو يؤدي إلى التنميط. يدعو المؤلفون إلى اتخاذ تدابير حماية قوية، بينما توفر التكنولوجيا فوائد في الطب، مثل المراقبة المستمرة دون ملامسة الجلد.
نُشرت الورقة البحثية في 14 نوفمبر 2025 في مجلة Frontiers in Digital Health، وتستند إلى مجموعة بيانات صغيرة، مما يتطلب مزيدًا من التحقق في مجموعات أكبر.
