Wir haben ein Sturzerkennungssystem gebaut, das Sie gar nicht nackt sehen kann

Meine Mutter rief mich an einem Dienstagnacht an, und sie rief nicht wegen sich selbst an. Sie rief wegen ihrer Nachbarin an — einer 81-jährigen Frau, die in ihrem Badezimmer gestürzt war, allein, und fast sieben Stunden lang auf dem Fliesenboden lag, bevor jemand sie fand. Die Frau überlebte, aber der Hüftbruch beendete ihre Unabhängigkeit. Sie zog innerhalb eines Monats in eine betreute Wohneinrichtung.

„Man hat ihr eines dieser Kamerasysteme angeboten", erzählte mir meine Mutter. „Sie sagte, sie würde lieber riskieren, auf dem Boden zu sterben, als dass jemand sie im Badezimmer beobachtet."

Dieser Satz riss in meinem Kopf etwas auf. Nicht weil er irrational war — es war das Vernünftigste, was ich seit Monaten gehört hatte. Da war eine Frau, die das Todesrisiko der Gewissheit der Überwachung vorzog. Und die gesamte Technologiebranche der Altenpflege hatte ihr nichts Besseres zu bieten.

Das ist das Problem, das ich bei Veriprajna lösen wollte. Nicht „Wie erkennen wir Stürze" — das wurde schon ein Dutzend Mal mit Kameras und Wearables gelöst. Das eigentliche Problem ist schwieriger: wie hält man jemanden in den privatesten Momenten seines Lebens sicher, ohne die Privatsphäre zu zerstören, die das Leben lebenswert macht?

Die Antwort, so stellt sich heraus, ist keine bessere Kamera. Es ist überhaupt keine Kamera.

Das Panoptikum der Fürsorge

Lassen Sie mich Ihnen die Zahlen nennen, die diese Krise umreißen. Stürze sind die häufigste Ursache für verletzungsbedingte Todesfälle bei Erwachsenen über 65 Jahren. Allein in den Vereinigten Staaten erreichen die jährlichen Gesundheitskosten für nicht tödliche Stürze etwa 50 Milliarden Dollar. Ein einzelner Sturz mit Verletzung kostet eine Pflegeeinrichtung zwischen 30.000 und 60.000 Dollar an medizinischen Kosten, Haftung und erhöhtem Pflegebedarf.

Aber die Statistik, die mich nicht loslässt, ist nicht finanzieller Natur. Sie ist verhaltensbezogen. Die Angst vor dem Stürzen — nicht der Sturz selbst — führt dazu, dass ältere Menschen ihre eigene Bewegung einschränken, sich sozial zurückziehen und körperlich beschleunigt abbauen. Die Überwachung soll diese Abwärtsspirale verhindern. Stattdessen verursacht die Überwachung oft eine andere Version davon.

Ich verbrachte in der frühen Phase unserer Forschung Wochen damit, Einrichtungen für betreutes Wohnen zu besuchen. In einer sah ich, wie eine Bewohnerin die Kamera in ihrem Zimmer jedes Mal mit einem Handtuch verhängte, wenn sie sich umzog. Das Personal kam herein und entfernte das Handtuch. Sie hängte es wieder auf. Dieser stille Krieg um ein Stück Frottee war das gesamte Dilemma zwischen Privatsphäre und Sicherheit im Kleinen.

Die Altenpflegebranche baute ein Panoptikum und nannte es Mitgefühl. Sicherheit, die auf Kosten der Würde erkauft wird, ist keine Sicherheit — es ist eine andere Art von Schaden.

Kameras versagen auch auf andere Weise. Sie brauchen Licht, funktionieren also entweder im Dunkeln nicht oder benötigen Infrarotbeleuchtung, die den Schlaf stört. Sie können nicht durch Duschvorhänge oder Decken sehen — genau in den Situationen, in denen Stürze am gefährlichsten sind. Und tragbare Anhänger? Die Compliance-Lücke ist verheerend. Kognitiver Abbau, Vergesslichkeit oder einfach das Unbehagen, mit einem Gerät am Handgelenk zu schlafen, bedeutet, dass der Anhänger auf dem Nachttisch liegt, wenn der Sturz um 3 Uhr morgens passiert.

Wir brauchten etwas grundlegend anderes. Nicht eine bessere Version der Überwachung, sondern eine Technologie, die physisch unfähig zur Überwachung war.

Warum ich das Unternehmen auf unsichtbare Wellen gesetzt habe

Als jemand aus meinem Team zum ersten Mal Millimeterwellenradar zur Sturzerkennung vorschlug, hielt ich das für übertrieben. Radar ist das, was Kampfjets benutzen. Es ist das, was selbstfahrende Autos benutzen, um Fahrzeuge auf 200 Meter Entfernung zu verfolgen. Es zur Überwachung eines älteren Menschen in einem 12-mal-14-Schlafzimmer einzusetzen, fühlte sich an, als würde man mit einem Vorschlaghammer auf einen Reißnagel schlagen.

Dann verstand ich die Physik dahinter, und mir wurde klar: Es war das Gegenteil — es war das einzige Werkzeug, das präzise genug für diese Aufgabe war.

mmWave-Radar, insbesondere bei 60 GHz, sendet elektromagnetische Wellen aus und analysiert deren Reflexionen. Es erfasst keine Bilder. Es kann kein Gesicht, keine Körperform oder irgendetwas visuell Erkennbares rekonstruieren. Was es kann, ist Bewegung mit außergewöhnlicher Präzision zu erkennen — bis hinunter zu Verschiebungen im Submillimeterbereich. Das bedeutet, es kann das Heben und Senken eines Brustkorbs durch die Atmung erkennen. Es kann die Flugbahn eines Körpers verfolgen, der sich durch den Raum bewegt. Es kann unterscheiden, ob eine Person steht oder auf dem Boden liegt.

Und all das schafft es durch Wände hindurch, in völliger Dunkelheit, durch Duschvorhänge, durch Decken.

Es gibt eine elegante physikalische Eigenschaft, die meine Überzeugung besiegelte. Das 60-GHz-Band liegt innerhalb des Sauerstoffabsorptionsspektrums, was bedeutet, dass die Signale über die Entfernung schnell abgeschwächt werden und dicke Betonwände nicht wirksam durchdringen. Die Überwachungsdaten sind physisch eingeschlossen innerhalb des Raums. Man könnte sie nicht einmal absichtlich in den Flur durchsickern lassen. Privatsphäre, durchgesetzt durch die Gesetze der Physik, nicht durch die Bedingungen einer Software-Vereinbarung.

Ich habe über die vollständige technische Architektur geschrieben — die FMCW-Chirp-Mechanik, das 4D-Sensing-Paradigma, die Signalverarbeitungskette — in unserem interaktiven Whitepaper. Aber die Kernerkenntnis ist einfach: Bei 60 GHz mit 4 GHz Bandbreite erhält man eine Entfernungsauflösung von etwa 3,75 cm. Das reicht aus, um die Gliedmaßen einer Person vom Rumpf zu unterscheiden. Genug, um den Unterschied zwischen einem Sturz und einem Hocken zu erkennen. Genug, um ein Leben zu retten. Nicht genug, um ein Gesicht zu identifizieren.

Privatsphäre durch Physik, nicht durch Richtlinien. Das wurde zu unserem Gestaltungsprinzip.

Was passiert, wenn man versucht, Radar das Erkennen eines Sturzes beizubringen?

Hier muss ich ehrlich sein, wie schwer das tatsächlich war.

Die naive Version der Sturzerkennung per Radar ist unkompliziert: eine plötzliche Abwärtsgeschwindigkeit erkennen, gefolgt von keiner Bewegung auf Bodenhöhe. Im Labor funktioniert das hervorragend. Wir hatten innerhalb weniger Wochen einen Prototyp am Laufen, der einen kontrollierten Sturz auf eine Fallmatte mit nahezu perfekter Genauigkeit erkennen konnte.

Dann setzten wir ihn in einem echten Raum ein.

Der erste Einsatz erfolgte in einer Testwohnung, die wir eingerichtet hatten, um eine Einheit für betreutes Wohnen zu simulieren. Innerhalb der ersten Stunde meldete das System 14 Stürze. Keiner davon war real. Drei waren der Deckenventilator. Zwei waren Vorhänge, die sich in der Nähe des Klimaanlagenauslasses bewegten. Einer, denkwürdigerweise, war der Golden Retriever meines Kollegen, der von der Couch sprang.

Ich erinnere mich, wie ich um Mitternacht in dieser Wohnung saß, auf das Spektrogramm auf meinem Laptop starrte und beobachtete, wie der Deckenventilator eine perfekte, sich wiederholende Doppler-Signatur erzeugte, die unser Modell nie gelernt hatte zu ignorieren. Meine Mitentwicklerin sah mich an und sagte: „Laborgenauigkeit bedeutet gar nichts."

Sie hatte recht. Die Lücke zwischen kontrollierten Experimenten und dem Einsatz in der realen Welt — was ich inzwischen den „Long Tail der Fehlalarme" nenne — ist der Punkt, an dem die meisten AgeTech-Radarprodukte scheitern. Ein Fehlalarm in einem Krankenhaus ist nicht nur ärgerlich. Er erzeugt Alarmmüdigkeit. Pflegekräfte reagieren nicht mehr. Und dann passiert der echte Sturz, und niemand kommt.

Wie bringt man einer KI den Unterschied zwischen einem Sturz und einem Hund bei?

Wir griffen das Problem der Fehlalarme gleichzeitig an mehreren Fronten an.

Für den Deckenventilator entwickelten wir das, was wir adaptive Mikrowellenrauschverarbeitung nennen. Das System lernt den Raum kennen. Wenn eine hohe Doppler-Geschwindigkeit konsequent an einer festen Koordinate erkannt wird — etwa an der Decke —, wird dieser Ort aus der Sturzerkennungslogik ausgeblendet. Die KI lernt: „Schnelle Bewegung an der Decke ist normal."

Das Haustierproblem war kniffliger und interessanter. Ein großer Hund, der von Möbeln springt, erzeugt eine Doppler-Signatur, die unangenehm der eines stürzenden Menschen ähnelt. Unsere Lösung kombiniert die Analyse des Radarquerschnitts (Menschen reflektieren mehr elektromagnetische Energie als Hunde) mit geometrischer Klassifikation. Eine menschliche Punktwolke ist typischerweise eine vertikale Säule. Ein Hund ist ein horizontaler Klumpen. Wir fügten unserem Klassifikator eine explizite Klasse „Tier" hinzu, was zunächst absurd wirkte, bis sie etwa 30 % unserer Fehlalarme eliminierte.

Ein Sturzerkennungssystem, das nicht zwischen Ihrer Großmutter und Ihrem Labrador unterscheiden kann, ist kein Sturzerkennungssystem. Es ist eine teure Lärmmaschine.

Bei Vorhängen und Luftzug implementierten wir während der Installation eine Zonenmaskierung und trainierten den Deep-Learning-Klassifikator darauf, die niederfrequente sinusförmige Schwingung von Stoff zu erkennen — die menschlicher Bewegung in nichts ähnelt, sobald man weiß, worauf man achten muss.

Die KI-Architektur, über die niemand spricht

Die meisten Artikel über KI im Gesundheitswesen konzentrieren sich auf das Modell. Den Transformer, das CNN, die neueste Architektur mit einem eingängigen Namen. Aber das Modell macht vielleicht 20 % des Problems aus. Die anderen 80 % sind die Signalverarbeitungspipeline, die das Modell speist — und das technische Know-how, das nötig ist, um das alles auf einem Chip mit 512 Kilobyte RAM laufen zu lassen.

Lassen Sie mich durchgehen, was tatsächlich passiert, wenn unser Sensor einen Sturz erkennt.

Rohe elektromagnetische Reflexionen kommen als analoge Signale herein. Wir digitalisieren sie und konstruieren, was man einen Radar Data Cube nennt, durch eine Reihe von schnellen Fourier-Transformationen — eine über jeden Chirp, um die Entfernung aufzulösen, eine über die Chirps, um die Geschwindigkeit aufzulösen, eine über die Antennen, um den räumlichen Winkel aufzulösen. Das ergibt einen 4D-Datensatz: Entfernung, Geschwindigkeit, horizontaler Winkel und vertikaler Winkel. Jeder Punkt in diesem Raum hat eine zugehörige Leistungsintensität.

Aus diesem Würfel extrahieren wir zwei parallele Datenströme. Der erste ist ein Micro-Doppler-Spektrogramm — im Grunde ein Geschwindigkeitsfingerabdruck über die Zeit. Eine gehende Person erzeugt ein charakteristisches Muster: gleichmäßige Rumpfbewegung mit oszillierenden Gliedmaßensignaturen. Ein Sturz erzeugt einen plötzlichen breitbandigen Energieausbruch, gefolgt von Stille. Der zweite Strang ist eine 3D-Punktwolke — eine Reihe von Raumkoordinaten mit Geschwindigkeit und Signalstärke für jedes erkannte Ziel.

Hier weicht unser Ansatz von dem der meisten Wettbewerber ab. Wir entscheiden uns nicht für einen einzigen Strang. Wir führen sie zusammen.

Wir haben das gebaut, was wir ein Dual-Stream-Netzwerk nennen. Strang A (das Spektrogramm) analysiert, wie schnell sich Dinge bewegen. Strang B (die Punktwolke) analysiert, wo sich Dinge im Raum befinden. Eine Fusionsschicht kombiniert beides.

Das löste unser schwierigstes Klassifikationsproblem: das „harte Hinsetzen". Wenn sich jemand schwer auf ein Sofa fallen lässt, sieht der Geschwindigkeitsanstieg im Spektrogramm fast identisch aus wie ein Sturz. Aber die Punktwolke erzählt eine andere Geschichte — die endgültige Position des Körperschwerpunkts liegt auf Sofahöhe (etwa einem halben Meter), nicht auf Bodenhöhe. CNN-basierte Ansätze allein auf Spektrogrammen übertreffen klassisches maschinelles Lernen durchweg um 7-10 % in der Genauigkeit, aber das Hinzufügen des räumlichen Strangs brachte uns über die Schwelle, ab der das System vertrauenswürdig genug für den klinischen Einsatz wurde.

Die vollständige technische Aufschlüsselung unserer Architekturvergleiche — CNNs, PointNet, LSTMs und die neueren RadMamba-State-Space-Modelle — finden Sie in unserem Forschungspapier.

Warum wir uns geweigert haben, die Cloud zu nutzen

Früh in der Entwicklung sagte mir ein Berater — jemand, den ich außerordentlich respektiere —, wir würden einen Fehler machen, indem wir auf Edge-Verarbeitung bestehen. „Schick die Radardaten einfach an AWS", sagte er. „Du kannst jedes beliebige Modell laufen lassen. Die Inferenz wird schneller, genauer sein, und du musst dich nicht mit dem Albtraum der Optimierung für Mikrocontroller herumschlagen."

Er lag mit der technischen Schwierigkeit nicht falsch. Ein tiefes neuronales Netz auf einem Texas Instruments IWRL6432 laufen zu lassen — einem System-on-Chip mit einem C674x-DSP und einem ARM Cortex-M4 — ist eine Übung in extremer Einschränkung. Standard-neuronale Netze verwenden 32-Bit-Gleitkommamathematik. Wir mussten alles auf 8-Bit-Ganzzahlen herunterquantisieren, was die Modellgröße um das 4-Fache reduziert. Wir haben redundante Verbindungen entfernt (Pruning). Wir haben ARMs handoptimierte CMSIS-NN-Assembly-Kernel verwendet, um jeden Taktzyklus aus der Hardware herauszuholen.

Es waren Monate an Arbeit, die ein Cloud-Einsatz eliminiert hätte.

Aber beim Produkt lag er falsch.

In dem Moment, in dem Radardaten den Raum verlassen — selbst „anonyme" Radardaten —, hat man eine Haftung im Bereich Datenschutz geschaffen. Verhaltensmuster wie die Häufigkeit von Toilettengängen stellen nach HIPAA geschützte Gesundheitsinformationen dar. Eine Datenpanne legt kein Foto offen, aber sie offenbart intime Details aus dem Alltag eines Menschen. Und aus praktischer Sicht führt Cloud-Verarbeitung zu Latenz. Wenn jemand stürzt, zählt jede Sekunde Verzögerung bei der Benachrichtigung einer Pflegekraft. Netzwerkausfälle spielen eine Rolle. Bandbreitenkosten für das Streamen hochfrequenter Radardaten aus Hunderten von Räumen spielen eine Rolle.

Wir verarbeiten alles direkt auf dem Sensor selbst. Die Inferenz des neuronalen Netzes findet auf demselben Chip statt, der das Radar betreibt. Es werden niemals Bilder erzeugt. Es verlassen keine Daten das Gerät, außer es handelt sich um einen strukturierten Alarm: „Zimmer 302: Sturz erkannt (hohe Zuverlässigkeit)". Dieser Alarm geht an das Schwesternrufsystem. Sonst geht nirgendwohin etwas.

Wenn Ihre Datenschutzarchitektur von einem Richtliniendokument abhängt statt von den Gesetzen der Physik und den Beschränkungen der Hardware, haben Sie keine Datenschutzarchitektur. Sie haben ein Versprechen.

Wir haben außerdem ein hierarchisches Aufwecksystem implementiert, um den Stromverbrauch zu steuern. Ein Chirp zur stromsparenden Anwesenheitserkennung läuft kontinuierlich. Erst wenn eine grobe Bewegung erkannt wird, aktiviert sich das vollständige Deep-Learning-Modell. Dieser Kaskadenansatz kann die Akkulaufzeit von Tagen auf Monate verlängern — entscheidend für Einrichtungen, in denen das Verlegen neuer Stromleitungen in jeden Raum nicht machbar ist.

Wie spricht ein Radarsensor mit einem Schwesternrufsystem aus den 1990er-Jahren?

Das ist die Frage, über die in der KI-Welt fast niemand nachdenkt, und es ist die Frage, die darüber entscheidet, ob Ihre Technologie tatsächlich zum Einsatz kommt.

Das zentrale Nervensystem jeder Pflegeeinrichtung ist das Schwesternrufsystem, das durch UL 1069 geregelt wird — den Standard für Signalgeräte in Krankenhäusern. Die meisten dieser Systeme wurden vor Jahrzehnten installiert. Sie sprechen die Sprache von Trockenkontakten und Relaisschaltungen, nicht von REST-APIs.

Ich habe das auf die harte Tour gelernt. Wir hatten in unserem Labor eine wunderschöne MQTT-basierte Integration am Laufen. Saubere JSON-Payloads, Echtzeit-Dashboards, alles Drum und Dran. Dann betraten wir eine Einrichtung mit 200 Betten im Mittleren Westen und sahen deren Rauland-Schwesternrufpanel aus den frühen 2000er-Jahren. Es hatte eine Reihe von Zusatzeingängen, die nur eines erwarteten: einen sich schließenden Stromkreis.

Also fügten wir unserem Sensor ein optoisoliertes Halbleiterrelais hinzu. Wenn ein Sturz erkannt wird, schließt das Relais. Das Schwesternruflicht geht an. Der Pager schlägt an. Es ist brutal einfach und mit etwa 90 % der bestehenden Infrastruktur kompatibel. Keine Beteiligung der IT-Abteilung. Keine Netzwerkkonfiguration. Nur zwei Drähte.

Für neuere Einrichtungen mit IP-basierten Schwesternrufplattformen übertragen wir strukturierte Daten per MQTT oder REST. Die Pflegekraft sieht nicht nur „Alarm Zimmer 302" — sie sieht „Zimmer 302: Sturz erkannt" oder „Zimmer 302: Bewohner hat sich seit 4 Stunden nicht bewegt". Dieser zweite Alarm — der Inaktivitätsalarm — erwies sich als etwas, das sich die Einrichtungen sogar noch mehr wünschten als die Sturzerkennung. Er ersetzt die aufdringliche Praxis, dass Pflegekräfte alle paar Stunden Türen öffnen, nur um zu prüfen, ob jemand noch atmet.

Was ist mit dem ROI-Argument?

Die Leute wenden immer etwas gegen die Kosten für den Einsatz neuer Sensorinfrastruktur ein. „Kameras sind billiger", sagen sie. Oder: „Wir haben schon Anhänger-Systeme."

Hier ist die Rechnung, die ich mit Einrichtungsleitern durchgehe. Ein einzelner Sturz mit Krankenhauseinweisung kostet 30.000 bis 60.000 Dollar. Evidenzbasierte Sturzpräventionsprogramme haben einen ROI von über 500 % nachgewiesen — fünf Dollar gespart für jeden investierten Dollar. Unser System amortisiert sich, wenn es einen schweren Sturz alle fünf Jahre pro Zimmer verhindert.

Aber der wichtigste ROI steht nicht in der Bilanz. Er liegt in dem, was das System über die Notfallerkennung hinaus ermöglicht. Indem es Gehgeschwindigkeit und Aktivitätsniveau über Wochen hinweg verfolgt, kann das Radar den subtilen Abbau erkennen, der einem Sturz vorausgeht. „Frau Jones geht diese Woche 20 % langsamer" ist ein Frühindikator, der ein Eingreifen vor dem Unfall ermöglicht. Das ist keine Sturzerkennung. Das ist Sturzprävention. Und der wirtschaftliche Unterschied zwischen beidem ist enorm.

Der Wandel, der alles verändert

Ich wurde schon gefragt — mehr als einmal, meist von Investoren —, ob Kameras einfach „besser in Sachen Datenschutz werden" würden. Das Gesicht verpixeln. Den Körper maskieren. Lokal verarbeiten und löschen.

Vielleicht. Aber man geht dabei immer noch von einer Technologie aus, die standardmäßig Identität erfasst und dann versucht, sie wieder zu entfernen. Man verlangt vom Bewohner zu vertrauen, dass die Entfernung funktioniert, dass die Software nicht fehlerhaft arbeitet, dass die Daten nicht gespeichert werden, dass niemand jemals den Rohdatenstrom zu sehen bekommt.

mmWave-Radar geht von der entgegengesetzten Position aus. Es ist physisch unfähig, ein Gesicht zu erfassen. Es gibt keinen Rohdatenstrom, der durchsickern könnte. Es gibt keinen „Datenschutzmodus", der versehentlich deaktiviert werden könnte. Der Bewohner muss unserer Software nicht vertrauen. Er kann dem elektromagnetischen Spektrum vertrauen.

Diese Frau — die Nachbarin meiner Mutter, die das Risiko des Badezimmerbodens der Gewissheit einer Kamera vorzog — sie steht stellvertretend für Millionen von Menschen, die in den kommenden zehn Jahren vor derselben Wahl stehen werden. Die weltweite Bevölkerung über 65 wächst schneller als jede andere Altersgruppe. Die Nachfrage nach Überwachung wird nur noch zunehmen.

Die Frage ist nicht, ob wir ältere Menschen überwachen werden. Die Frage ist, ob wir es auf eine Weise tun, die es ihnen erlaubt, Mensch zu bleiben, während wir sie sicher halten.

Wir haben ein System gebaut, das einen Sturz im Dunkeln erkennt, durch einen Duschvorhang hindurch, ohne jemals zu wissen, wie die Person aussieht. Es läuft auf einem Chip, kleiner als eine Briefmarke. Es kommuniziert mit Schwesternrufsystemen aus den 1990er-Jahren und Cloud-Dashboards aus dem Jahr 2025. Es weiß, wann jemand atmet und wann er sich nicht mehr bewegt, und das alles, ohne auch nur ein einziges Pixel eines Bildes zu erzeugen.

Ich glaube nicht, dass die Zukunft der Altenpflege Überwachung mit besserem PR ist. Ich glaube, es ist Sensorik — unsichtbar, ambient, würdevoll. Die Physik unterstützt es bereits. Die KI funktioniert bereits. Die einzige verbleibende Frage ist, ob die Branche die Vorstellungskraft hat, aufzuhören, nach der Kamera zu greifen.

Wir haben es getan. Und ich habe nicht zurückgeblickt.