Radar-Sturzerkennung für Senioreneinrichtungen

Ein naiver Sturzdetektor erkennt jeden Sturz in dieser Demo. Er hat in derselben Nachtschicht auch sieben Fehlalarme ausgelöst – und ein stummgeschaltetes Panel erkennt nichts.

Empfindlichkeit war nie der Engpass. Vigil ist die Intelligenzschicht zwischen einem Radarsensor und dem Schwesternrufsystem: eine fünfstufige Kaskade, die ALERT, SUPPRESS oder ROUTE TO HUMAN zurückgibt und den Merkmalswert hinter jeder dieser Entscheidungen protokolliert. Was Sie hier beobachten können, ist eine ausführbare Demo über einen synthetischen Radar-Merkmalsstrom – keine produktive Bereitstellung.

0 vs. 7

Fehlalarme in der Demo-Schicht

Engine gegenüber dem naiven Basismodell, eine vorgegebene synthetische Schicht

1,0 vs. 0,167

Störfaktorspezifität

Festes synthetisches goldenes Set mit 360 Ereignissen, keine Produktionsgenauigkeit

1 von 2

echte Stürze gemeldet

Der zweite, ein Raum mit mehreren Personen, wurde zur Überprüfung durch das Personal weitergeleitet

Der Durchlauf wiederholt eine vorgegebene synthetische Nachtschicht in einem Memory-Care-Bereich. Keine Live-Radar-Hardware, keine echte Einrichtung, keine Bewohner, kein PHI.

Ein System, dem niemand vertraut, wird stummgeschaltet – und ein stummgeschaltetes System erkennt nichts.

Alarmmüdigkeit ist der häufigste Grund, warum Sturzerkennung-Bereitstellungen scheitern. Eine Pflegedienstleiterin, die zwischen einem unbewachten Badezimmer und einem Panel, das auf den Deckenventilator reagiert, wählen muss, wählt zwischen zwei Wegen, einen Sturz mit Verletzung zu übersehen – der im Schnitt etwa 30.000 $ kostet.

Das Badezimmer ist die Lücke

Es ist der Raum mit dem höchsten Risiko und der einzige Ort, an dem eine Kamera keine brauchbare Option darstellt. Neunzehn US-Bundesstaaten haben Gesetze zur Regelung von Kameras in Pflegeheimzimmern erlassen, die Kameras im Zimmer eines Bewohners mit Zustimmung generell erlauben, während Badezimmer aus Datenschutzgründen in der Praxis ausgeschlossen bleiben.

Das lange Liegen ist die Verletzung

Die Hälfte der älteren Menschen, die länger als eine Stunde auf dem Boden liegen, stirbt innerhalb von sechs Monaten. Ein Sturz, der bei der 4-Uhr-Runde gefunden wird, ist ein anderes klinisches Ereignis als einer, der gemeldet wird, während der Bewohner noch auf dem Boden liegt.

Das bisherige System scheitert an der Verweigerung

Handelsübliche Bewegungsmelder und Bettsensoren erzeugen 5 bis 15 Fehlalarme pro Zimmer und Tag. Was sie nicht können: einen harten Sitz auf die Toilette von einem Sturz zu unterscheiden – weshalb das Nachtpersonal das Panel stummschaltet und das System überhaupt nichts mehr erkennt.

Fünf Kaskadenstufen, dann Weiterleitung und Dokumentation.

Vigil führt seine Kaskade über einen bildweisen Radar-Merkmalsstrom aus und übergibt das Ergebnis an ein Policy-Gate, das außerhalb jedes Modells steht. Modelle geben Empfehlungen, Code entscheidet: Die deterministischen narrativen Bedingungen müssen zuerst erfüllt sein, und erst dann wird die Konfidenz des Klassifikators gegen einen festen Schwellenwert geprüft, den das Modell nicht festlegt. Ein Modell kann niemals eigenständig einen Alarm erzeugen.

01 / MERKMALSEXTRAKTION

Kinematik, Aufprall, Atmung, Zielklasse

Aus dem synthetischen Radar-Merkmalsstrom leitet die Engine Abstiegskinematik ab (Starthöhe, Spitzengeschwindigkeit, endgültige Schwerpunkthöhe), einen Breitband-Energie-Aufprallindikator, das Post-Aufprall-Bewegungsresidual, die Atemband-Energie sowie einen Radar-Querschnitt und einen Seitenverhältnis-Proxy für die Zielklasse. An keiner Stelle in der Pipeline existiert ein Bild oder ein Video.

02 / RAUMSPEZIFISCHE CLUTTER-MAP

Das Voxel des Ventilators ist bekannt und maskiert

Jeder Raum verfügt über eine eigene Karte. Was dieser Build nutzt, sind die ortsfesten Doppler-Masken für Deckenventilator- und Fenster-Klimaanlageneinträge, die an ihrem bekannten Voxel maskiert sind. Raumspezifische Sitz- und Betthöhen liegen als Kalibrierungsdaten in der Raumdatei, werden aber von keinem V1-Codepfad ausgelesen – was gut abbildet, wie viel der raumspezifischen Kalibrierung noch Integrationsarbeit ist.

03 / DUAL-STREAM-KLASSIFIKATOR

Vier Merkmale, ein kalibrierter Score

Ein erlerntes logistisches Modell liest genau vier Merkmale (Bodennähe, Aufprallenergie, Abstiegstiefe und Radar-Querschnitt) und fusioniert sie zu einem kalibrierten P(fall). Der Fusionsschritt ist NumPy-Code, der von Anfang bis Ende lesbar ist. Der Produktionstausch zu CNN, PointNet und Attention-Fusion ist dokumentiert; die Merkmalsemantik ändert sich darunter nicht.

04 / TEMPORALER NARRATIV-VERIFIZIERER

Vier Bedingungen in einem 8-Sekunden-Fenster

Deterministischer Code verlangt, dass alle vier Bedingungen innerhalb desselben 8-Sekunden-Fensters erfüllt sind, wobei Stand in dessen erstem Fünftel nachgewiesen wird: ein medianer Schwerpunkt über 1,2 m, ein Abstieg von mehr als 0,6 m zusammen mit einer Spitzengeschwindigkeit über 1,8 m/s, ein anhaltender Breitband-Aufprall (ein 3-Frame-gleitender Mittelwert über 0,50, sodass ein einzelner Frame-Spike dies nicht erfüllen kann), und ein Schwerpunkt, der tatsächlich Bodenniveau unter 0,30 m erreicht.

05 / DETERMINISTISCHES POLICY-GATE

Feste Schwellenwerte, drei Urteile

Der Entscheidungspfad außerhalb jedes Modells ist einfacher Code mit festen, dokumentierten Schwellenwerten: Bodenniveau unter 0,30 m, ein Atemschwellenwert von 0,20 und ein Sturzkonfidenz-Schwellenwert von 0,70. Das Gate gibt ALERT, SUPPRESS oder ROUTE TO HUMAN aus und aktiviert die Eskalationsleiter (CNA bei 0 s, Charge Nurse bei 90 s, DON bei 180 s). Ein separater fest codierter Konfidenz-Schwellenwert im Gate leitet ein Mehrbelegungsereignis zur menschlichen Prüfung weiter.

06 / WEITERLEITUNG UND DOKUMENTATION

Zwei Schwesternrufformate und ein ablagebereit ausgefüllter Bericht

Der Adapter gibt ein Legacy-Rauland-Trockenkontakt-Relais-Signal aus (optisch getrennt, UL 1069/2560-Isolation aufrechterhalten) sowie eine moderne Ascom- oder Austco-MQTT- und REST-JSON-Nutzlast. Es handelt sich um einen protokollierten Adapter-Stub, kein angeschlossenes Hardware-System. Das Schichtprüf-JSON deckt jeden Alarm, jede Weiterleitung und jede Unterdrückung mit dem entscheidenden Merkmal ab; eine klinische Vorfalldokumentation wird separat aus diesen strukturierten Belegen erstellt.

Eine vorgegebene Nachtschicht, zwölf Ereignisse, jede Entscheidung im Protokoll.

Die Demo wiederholt einen Memory-Care-Bereich von 02:00 bis 06:00 Uhr über zwölf überwachte Räume und bewertet die Kaskade neben einem naiven Basismodell, das jede schnelle oder niedrige Bewegung als Sturz behandelt. Alle zwölf Ereignisse sind synthetische, beschriftete, physikalisch fundierte Szenarien mit einem festen Startwert, und die zwölf Kacheln sind zwölf Ereignisse, von denen zwei einen bereits im Raster vorhandenen Raum erneut besuchen – insgesamt also zehn verschiedene Räume. Das Dashboard-Raster und das Entscheidungsprotokoll bezeichnen diese Räume als Cam 1 bis Cam 12; die zugrunde liegenden Raum-IDs erscheinen nur in den Vorfalldetails, der Weiterleitungsnutzlast und dem Prüfbericht.

Vigil Live-Bodenansicht während der Demo-Schicht. Die Kachel Cam 3 Badezimmer ist rot umrandet und mit Sturz Langes Liegen 99 Prozent beschriftet, die Kachel Cam 2 zeigt Niedrige Konfidenz zur menschlichen Prüfung, und das Entscheidungsprotokoll rechts listet Unterdrückungen für Cam 5 und Cam 1 mit dem jeweiligen Merkmalswert. — ALERT. Cam 3 (Badezimmer) bestätigt das vollständige Sturznarrativ auf Bodenniveau mit vorhandener Atmung und ohne Erholung, sodass die Engine mit einer Konfidenz von 0,99 bei einem langen Liegen alarmiert. Darum herum verweigert das Protokoll bereits: Cam 1 auf einem maskierten Deckenventilator-Voxel, Cam 5 auf einem Geschwindigkeitsstoß, der sich bei 0,46 m Sitzhöhe ohne harten Aufprall einpendelte.

Vigil-Vorfalldetailpanel für Cam 3 Badezimmer mit dem Schwesternruf-Badge-Text für Zimmer 118B, einer Aufprall-bis-Alarm-Angabe von 7 Sekunden, den Ascom- und Austco-MQTT- und Rauland-Trockenkontakt-Transporten, der CNA-, Charge-Nurse- und DON-Eskalationsleiter, der JSON-Weiterleitungsnutzlast mit 0,99 Konfidenz und 4,8 Sekunden Bodenzeit sowie der klinischen Vorfalldokumentation. — Die Aufzeichnung hinter dem Alarm. Öffnen Sie eine beliebige Kachel oder Protokollzeile, und das Detailpanel zeigt, was weitergeleitet wurde: den Schwesternruf-Badge-Text für Zimmer 118B Badezimmer im Prüfbericht, die JSON-Nutzlast mit 0,99 Konfidenz und 4,8 s Bodenzeit, beide Transporte, die aktivierte Eskalationsleiter und eine klinische Vorfalldokumentation, die aus den strukturierten Prüfbelegen für einen QAPI-Ordner erstellt wurde. Die 7-s-Aufprall-bis-Alarm-Angabe im Panel ist ein angezeigter Wert, den das Gate aus seinem Hold-Timer plus einer Konstante berechnet – lesen Sie ihn als das, was die App meldet, nicht als gemessene Systemgeschwindigkeit.

Cam 2: ein echter Sturz, den die Engine nicht bestätigen wollte

Cam 2 ist ein echter Sturz in der Ground Truth, und P(fall) erreicht 0,99. Der Raum beherbergt zwei Ziele, und Single-Person-Tracking liegt außerhalb des V1-Anwendungsbereichs, daher gibt das Gate ROUTE TO HUMAN mit niedriger Konfidenz zurück und bestätigt keinen Sturz. Das naive Basismodell löst automatisch aus. In dieser Schicht ereigneten sich zwei echte Stürze: einer wurde alarmiert, einer zur Personalprüfung weitergeleitet. Im festen Benchmark leiten 40 von 40 Mehrbelegungsstürzen auf dieselbe Weise weiter, ohne Überalarme und ohne verpasste Ereignisse.

Das fertige Vigil-Entscheidungsprotokoll mit Unterdrückungen für Cam 12 bis Cam 5, jeweils mit einer Begründung wie abwärts gerichtete Bewegung zurück zum Stehen, Umgebungsbewegung ohne Abstieg auf den Boden, ein Geschwindigkeitsstoß, der sich bei 0,44 m Sitzhöhe einpendelte, eine Fenster- und Klimaanlagenzone mit unterschwelliger Konfidenz ohne Bodenabstieg und ein nicht-menschliches Ziel bei einem Radar-Querschnitt von 0,27. — SUPPRESS, zehnmal, mit Begründung. Unterdrückungen sind ebenfalls Belege, denn was eine staatliche Prüfung fragt, ist warum nichts passiert ist. Jede Zeile hier nennt die Begründung, und die meisten nennen den entscheidenden Merkmalswert: das Bücken, das zur Aufrichtung zurückkehrte (Cam 12 und Cam 7), der harte Sitz, der sich bei 0,44 m in einem Badezimmer einpendelte (Cam 10), der Therapiehundbesuch bei einem Radar-Querschnitt von 0,27 gegenüber dem menschlichen Minimum von 0,55 (Cam 6).

Vigil-Schichtergebnis-Modal mit einem projizierten Wert von 0,0 Fehlalarmen pro Zimmer und Tag für die Engine gegenüber 25 für das bisherige System auf dem festen synthetischen goldenen Set, 0 vs. 7 Fehlalarme in dieser Schicht, 1 von 2 echten Stürzen erkannt, 1 bei niedriger Konfidenz an einen Menschen weitergeleitet und 100 Prozent Störfaktorspezifität über 360 beschriftete Ereignisse. — Das Ergebnisboard – mit seinem Gültigkeitsbereich. Engine: 1 Alarm, 1 weitergeleitet, 10 unterdrückt, 0 Fehlalarme. Naive Baseline: 9 Alarme, davon 7 falsch. Die Werte 0,0 und 25,0 pro Zimmer und Tag sind Projektionen aus einem festen synthetischen goldenen Set mit 360 Ereignissen bei angenommenen 30 gutartigen Auslösern pro Zimmer und Tag. Ein echter Pilotbetrieb zielt nach Shadow-Mode-Kalibrierung auf unter 2 Fehlalarme pro Zimmer und Tag.

Was die Demo beweist – und wo sie endet.

Sowohl die Kaskade als auch die naive Baseline erzielen eine Sturzsensitivität von 1,0 auf einem festen Set von 360 beschrifteten, verrauschten synthetischen Ereignissen. Was sie unterscheidet, ist die Störfaktorspezifität: 1,0 für die Kaskade gegenüber 0,167 der Baseline. Die Fusionsgewichte wurden auf den eigenen Szenariogeneratoren der Demo angepasst – denselben Generatoren, die das goldene Set produzieren, was der erste Einwand eines technischen Lesers sein sollte. Die Trennung ist dennoch verdient und nicht künstlich: Jeder Störfaktor wird so generiert, dass er einen echten Sturz bei einzelnen Merkmalen überlappt, weshalb der naive Detektor tatsächlich getäuscht wird.

Frage	Was Vigil in dieser Demo tut	Was außerhalb der Demo bleibt
Störfaktorabweisung	Führt die fünfstufige Kaskade aus und protokolliert den entscheidenden Merkmalswert für jede der zehn Unterdrückungen in der Schicht.	Abstimmung auf den eigenen Clutter, die Gangart und die Möblierung einer Einrichtung – das ist raumspezifische Kalibrierungsarbeit.
Räume mit mehreren Personen	Leitet bei niedriger Konfidenz zur menschlichen Prüfung weiter, anstatt einen Sturz zu bestätigen – 40 von 40 im festen Benchmark.	Single-Person-Tracking und Mehrbelegungsdisambiguierung, auf eine spätere Version verschoben.
Prüf- und QAPI-Belege	Exportiert ein Schichtprüf-JSON mit jedem Alarm, jeder Weiterleitung und jeder Unterdrückung, den entscheidenden Merkmalswerten und dem Policy-Grund.	Jeder Schreibvorgang in ein EHR- oder MDS-Protokoll sowie jede interaktive Abfrageschnittstelle für die Prüfdaten.
Schwesternruf-Weiterleitung	Gibt sowohl ein Rauland-Trockenkontakt-Signal als auch eine Ascom- oder Austco-MQTT- und REST-Nutzlast aus – protokolliert.	Angeschlossene Schwesternruf-Hardware, Live-Inbetriebnahme und Zertifizierung des eingesetzten Pfads.

Was diese Demo NICHT tut

Sie verwendet keine Live-Radar-Hardware, keine echten 60-GHz-Chirps und keinen eingesetzten Sensor: Das RF-Frontend ist ein synthetischer Merkmalsstrom. Der Schwesternrufpfad ist ein protokollierter Adapter-Stub ohne angeschlossene Hardware. Es gibt keinerlei Schreibvorgang in ein EHR oder MDS und keine interaktive Abfrage in natürlicher Sprache über die Prüfdaten. Prädiktive Ganganalyse, Wi-Fi-Erkennung für Gemeinschaftsbereiche, Mehrbelegungsdisambiguierung und der Edge-Port zu eingebetteten Chips sind zukünftige Arbeiten. Der Memory-Care-Bereich, seine Räume, seine Ereignisse und der Therapiehund sind synthetisch; es gibt keine Bewohner, keinen Kunden, keinen Piloten und kein PHI. Vigil ist kein Medizinprodukt und verfügt über keine FDA-Zulassung, keine 510(k)-Genehmigung, keine klinische Validierung und keine CMS- oder UL-Zertifizierung für sich selbst; der Adapter hält UL 1069/2560-Isolation auf dem Weiterleitungspfad aufrecht. Nichts hier ersetzt Personal, klinisches Urteil oder die Einschätzung eines Arztes.

Fragen, die klinische Führungskräfte und Betriebsverantwortliche stellen, bevor sie einer Erkennungsschicht vertrauen.

Wie viele Fehlalarme wird mein Nachtpersonal tatsächlich bekommen?

Niemand kann das ehrlich anhand einer Demo beantworten – beurteilen Sie also die Annahme hinter der Zahl. Der Wert 0,0 pro Zimmer und Tag setzt 30 gutartige Bewegungsauslöser pro Zimmer und Tag voraus, was über den 5 bis 15 liegt, die die Literatur für herkömmliche Sensoren berichtet, und er stammt aus einem festen synthetischen goldenen Set, nicht aus einer echten Station. Ein echter Pilotbetrieb zielt nach Shadow-Mode-Kalibrierung auf unter 2 Fehlalarme pro Zimmer und Tag – das ist die Zahl, an der wir gemessen werden sollten.

Kann man das wirklich in einem Bewohnerbadezimmer installieren?

Radarmerkmale enthalten an keiner Stelle ein Bild oder ein Video, sodass es nichts Erkennbares zu erfassen gibt – und genau das macht den Raum erreichbar. 19 US-Bundesstaaten haben Kameragesetze für Pflegeheimzimmer erlassen, die Kameras im Zimmer eines Bewohners mit Zustimmung generell erlauben und Badezimmer aus Datenschutzgründen in der Praxis ausschließen. Jede Bereitstellung erfordert dennoch eine eigene Datenschutzprüfung und einen Einwilligungsprozess der Bewohner.

Hat es jeden Sturz in der Schicht erkannt?

Nein. In der Demo-Schicht ereigneten sich zwei echte Stürze. Die Engine alarmierte beim langen Liegen im Cam-3-Badezimmer mit einer Konfidenz von 0,99 und leitete das Cam-2-Ereignis bei niedriger Konfidenz zur Personalprüfung weiter, weil dieser Raum zwei Ziele enthielt und Single-Person-Tracking außerhalb des V1-Anwendungsbereichs liegt. Eine sichere Sturzbehauptung in einer Zwei-Ziel-Szene ist genau der Fehler, der das Nachtpersonal lehrt, dem Panel nicht mehr zu vertrauen – deshalb geht die Mehrdeutigkeit an eine Person.

Was zeige ich einem Prüfer, der fragt, warum kein Alarm ausgelöst wurde?

Das exportierte Schichtprüf-JSON trägt jeden Alarm, jede Weiterleitung und jede Unterdrückung mit den entscheidenden Merkmalswerten und dem Policy-Grund, unter den obersten Schlüsseln engine, facility, shift, metrics, events und _note. Die klinische Vorfalldokumentation wird separat aus diesen strukturierten Belegen für einen QAPI-Ordner oder eine CMS-F689-Akte erstellt und ist nicht im Export enthalten. Ein Detail, das man kennen sollte, bevor man es weitergibt: Der Export stempelt den internen Build-Namen auf das Feld engine, nicht den Produktnamen.

Trifft ein KI-Modell die Entscheidung, meine Pflegekräfte zu rufen?

Nein. Ein Modell kann niemals eigenständig einen Alarm erzeugen. Die deterministischen narrativen Bedingungen – Stehen, Abstieg, anhaltender Aufprall und Bodenniveau – müssen alle innerhalb desselben 8-Sekunden-Fensters erfüllt sein, bevor das P(fall) des Klassifikators überhaupt konsultiert wird, und es wird dann gegen einen festen Schwellenwert von 0,70 geprüft, den das Modell nicht festlegt. Eine niedrigere Konfidenz kann einen Alarm noch in eine Unterdrückung umwandeln – das Modell schränkt die Entscheidung also nach unten ein, nie nach oben.

Müssen wir unser Schwesternrufsystem ersetzen, um das zu nutzen?

Der Weiterleitungsadapter gibt beide Formen aus und kann damit vor jeder Generation von Schwesternrufsystemen platziert werden: ein Legacy-Rauland-Trockenkontakt-Relais-Signal, optisch getrennt mit UL 1069/2560-Isolation aufrechterhalten, sowie eine moderne Ascom- oder Austco-MQTT- und REST-JSON-Nutzlast. In dieser Demo handelt es sich um einen protokollierten Adapter-Stub ohne angeschlossene Schwesternruf-Hardware. Vigil ist die Schicht zwischen dem Sensor und dem System, das Sie bereits betreiben – kein Ersatz für beides.

Technische Forschung

Die Forschung hinter dieser Demo – die Architektur, das Verifikationsdesign und der Enterprise-Blueprint.

Vollständige Lösung

Komplettlösung Smart Facility Fall Detection erkunden →

Beginnen Sie mit den Räumen, die Sie heute nicht überwachen können.

Wir verkaufen keine Sensoren. Wir bauen die Intelligenzschicht, die Sensoren nützlich macht, und wir haben sie für Betreiber von Senioreneinrichtungen und klinische Technologieteams entwickelt, die bereits wissen, dass das Erkennen des Sturzes die einfachere Hälfte ist.

Da 63 % der Einrichtungen über Personalmangel berichten, ist ein Panel, das ständig Fehlalarm schlägt, das Erste, was eine Nachtschicht abschaltet. Ein sinnvolles Erstgespräch deckt den festen Clutter Ihres Grundrisses ab, die Räume, die heute unbewacht bleiben, und was Ihre letzte staatliche Prüfung tatsächlich von Ihnen verlangt hat. Wir können die Kalibrierung und den Shadow-Mode-Plan gemeinsam mit Ihrem klinischen Team durcharbeiten.

Design der Erkennungsschicht

✓ Kaskaden- und Merkmalsdesign
✓ Raumspezifische Clutter-Kalibrierung
✓ Deterministische Gate-Schwellenwerte
✓ Definition der Störfaktormenge

Belege und Integration

✓ Schema für Schichtprüfberichte
✓ Schwesternruf-Adapter-Mapping
✓ Design der Eskalationsleiter
✓ Shadow-Mode-Kalibrierungsplan

Via WhatsApp kontaktieren Unser Team per E-Mail kontaktieren