בנינו מערכת לזיהוי נפילות שלא יכולה לראות אתכם עירומים
אמי התקשרה אליי בליל שלישי, ולא כדי לספר לי על עצמה. היא התקשרה בעניין שכנתה — אישה בת 81 שנפלה בחדר האמבטיה שלה, לבדה, ושכבה על רצפת האריחים כמעט שבע שעות עד שמישהו מצא אותה. האישה שרדה, אך שבר הירך שם קץ לעצמאותה. תוך חודש היא עברה למגורים מוגנים.
"הציעו לה אחת מאותן מערכות מצלמות," סיפרה לי אמי. "היא אמרה שהיא מעדיפה לקחת את הסיכון למות על הרצפה מאשר שמישהו יצפה בה בחדר האמבטיה."
המשפט הזה פתח אצלי משהו. לא כי הוא היה בלתי הגיוני — הוא היה הדבר ההגיוני ביותר ששמעתי מזה חודשים. הנה אישה שבוחרת בסיכון המוות על פני הוודאות של מעקב. וכל תעשיית הטכנולוגיה לטיפול בקשישים לא הצליחה להציע לה שום דבר טוב יותר.
זו הבעיה שיצאתי לפתור ב-Veriprajna. לא "איך מזהים נפילות" — זה כבר נפתר פעמים רבות באמצעות מצלמות ומכשירים לביש. הבעיה האמיתית קשה יותר: איך שומרים על ביטחונו של אדם ברגעים הפרטיים ביותר של חייו, מבלי להרוס את הפרטיות שבזכותה שווה לחיות?
מסתבר שהתשובה אינה מצלמה טובה יותר. היא בכלל לא מצלמה.
הפנאופטיקון של הטיפול
הבה אתן לכם את הנתונים שמסגירים את המשבר הזה. נפילות הן הגורם המוביל למוות הקשור בפציעה בקרב מבוגרים מעל גיל 65. בארצות הברית לבדה, העלות השנתית של נפילות לא-קטלניות למערכת הבריאות מגיעה לכ-$50 מיליארד. נפילה בודדת עם פציעה עולה למתקן טיפול בין $30,000 ל-$60,000 בהוצאות רפואיות, אחריות ודרישות טיפול מוגברות.
אך הנתון שרודף אותי אינו כלכלי. הוא התנהגותי. הפחד מנפילה — לא הנפילה עצמה — גורם לקשישים להגביל את התנועה שלהם, להתבודד חברתית, ולהתדרדר פיזית בקצב מואץ. הניטור אמור למנוע את הספירלה הזו. אך לעיתים קרובות הניטור עצמו גורם לגרסה אחרת שלה.
ביליתי שבועות בביקור במתקני מגורים מוגנים בתחילת המחקר שלנו. במקום אחד צפיתי בדיירת שמכסה את מצלמת חדרה במגבת בכל פעם שהחליפה בגדים. אנשי הצוות היו נכנסים ומסירים את המגבת. היא הייתה מחזירה אותה למקומה. המלחמה השקטה הזאת על פיסת בד מגבת הייתה כל דילמת הפרטיות-מול-ביטחון בזעיר אנפין.
תעשיית הטיפול בקשישים בנתה פנאופטיקון וקראה לו חמלה. ביטחון שנרכש במחיר הכבוד אינו ביטחון — זהו סוג אחר של פגיעה.
גם מצלמות נכשלות בדרכים אחרות. הן זקוקות לאור, ולכן הן פשוט לא פועלות בחושך או שהן דורשות תאורת אינפרא-אדום שמפריעה לשינה. הן לא יכולות לראות דרך וילונות מקלחת או שמיכות — בדיוק המצבים שבהם נפילות מסוכנות ביותר. ומה לגבי תליוני החירום הנישאים? פער הציות מזעזע. ירידה קוגניטיבית, שכחה, או סתם אי-הנוחות שבשינה עם מכשיר על פרק כף היד — כל אלה גורמים לכך שהתליון מונח על השידה בדיוק כשהנפילה מתרחשת בשלוש לפנות בוקר.
היינו זקוקים למשהו שונה מהיסוד. לא לגרסה טובה יותר של מעקב, אלא לטכנולוגיה שפיזית אינה מסוגלת למעקב.
למה הימרתי את החברה על גלים בלתי נראים
בפעם הראשונה שמישהו בצוות שלי הציע להשתמש ברדאר גלי מילימטר לזיהוי נפילות, חשבתי שזו הגזמה. רדאר הוא מה שמטוסי קרב משתמשים בו. זה מה שמכוניות אוטונומיות משתמשות בו כדי לעקוב אחר כלי רכב במרחק 200 מטרים. להשתמש בו כדי לפקח על אדם קשיש בחדר שינה בגודל 12 על 14 הרגיש כמו להשתמש בקורנס כדי לפצח אגוז.
ואז הבנתי את הפיזיקה, וגיליתי שהמצב היה הפוך בדיוק — זהו הכלי היחיד המדויק מספיק למשימה.
רדאר גלי מילימטר, ובאופן ספציפי בתדר 60 גיגהרץ, משדר גלים אלקטרומגנטיים ומנתח את ההשתקפויות שלהם. הוא לא לוכד תמונות. הוא לא יכול לשחזר פנים, צורת גוף, או כל דבר שניתן לזיהוי חזותי. מה שהוא יכול לעשות הוא לזהות תנועה בדיוק יוצא דופן — עד לתזוזות של פחות ממילימטר. המשמעות היא שהוא יכול לזהות את עליית וירידת בית החזה בעת נשימה. הוא יכול לעקוב אחר מסלול תנועתו של גוף במרחב. הוא יכול להבחין בין אדם עומד לאדם שוכב על הרצפה.
וכל זאת הוא עושה דרך קירות, בחשכה מוחלטת, דרך וילונות מקלחת, דרך שמיכות.
יש תכונה פיזית אלגנטית שחיזקה את שכנוע לבי. פס התדרים של 60 גיגהרץ נמצא בתוך ספקטרום הבליעה של החמצן, כלומר האותות נחלשים במהירות עם המרחק ואינם חודרים ביעילות דרך קירות בטון עבים. נתוני הניטור כלואים פיזית בתוך החדר. לא ניתן לדלוף אותם למסדרון גם אם תנסו. פרטיות שנאכפת על ידי חוקי הפיזיקה, לא על ידי תנאי הסכם תוכנה.
כתבתי על הארכיטקטורה הטכנית המלאה — מנגנוני ה-FMCW chirp, פרדיגמת החישה הרב-ממדית (4D), שרשרת עיבוד האותות — ראו את הנייר הלבן האינטראקטיבי שלנו. אך התובנה המרכזית פשוטה: ב-60 גיגהרץ עם רוחב פס של 4 גיגהרץ, מקבלים רזולוציית טווח של כ-3.75 ס"מ. זה מספיק כדי להבחין בין הגפיים של אדם לבין פלג הגוף העליון שלו. מספיק כדי להבדיל בין נפילה לכריעה. מספיק כדי להציל חיים. לא מספיק כדי לזהות פנים.
פרטיות באמצעות פיזיקה, לא באמצעות מדיניות. זה הפך לעקרון העיצוב שלנו.
מה קורה כשמנסים ללמד רדאר "לראות" נפילה?
כאן אני צריך להיות כן לגבי כמה זה היה קשה באמת.
הגרסה הנאיבית של זיהוי נפילות באמצעות רדאר היא פשוטה: זיהוי מהירות פתאומית כלפי מטה שאחריה אין תנועה בגובה הרצפה. במעבדה, זה עובד להפליא. היה לנו אב-טיפוס שרץ תוך שבועות והצליח לזהות נפילה מבוקרת על מזרן נחיתה בדיוק כמעט מושלם.
ואז הצבנו אותו בחדר אמיתי.
הפריסה הראשונה הייתה בדירת מבחן שהקמנו כדי לדמות יחידת מגורים מוגנים. בתוך השעה הראשונה, המערכת סימנה 14 נפילות. אף אחת מהן לא הייתה אמיתית. שלוש היו מאוורר התקרה. שתיים היו וילונות שזזו ליד פתח מזגן. אחת, וזו זכורה במיוחד, הייתה כלב הגולדן רטריבר של עמיתי שקפץ מהספה.
אני זוכר שישבתי בדירה ההיא בחצות, בוהה בספקטרוגרמה על המחשב הנייד שלי, וצופה במאוורר התקרה יוצר חתימת דופלר מושלמת וחוזרת שהמודל שלנו מעולם לא אומן להתעלם ממנה. עמיתתי המהנדסת הביטה בי ואמרה, "דיוק במעבדה לא אומר כלום."
היא צדקה. הפער בין ניסויים מבוקרים לפריסה בעולם האמיתי — מה שהתחלתי לכנות "הזנב הארוך של האזעקות השווא" — הוא המקום שבו רוב מוצרי הרדאר ל-AgeTech מתים. אזעקת שווא בבית חולים היא לא רק מטרידה. היא יוצרת עייפות אזעקות. אחיות מפסיקות להגיב. ואז מתרחשת הנפילה האמיתית, ואף אחד לא בא.
איך מלמדים בינה מלאכותית להבדיל בין נפילה לכלב?
התקפנו את בעיית אזעקות השווא במספר חזיתות בו-זמנית.
בעבור מאוורר התקרה, בנינו את מה שאנחנו מכנים עיבוד אדפטיבי לרעש מיקרוגל. המערכת לומדת את החדר. אם מהירות דופלר גבוהה מזוהה באופן עקבי בקואורדינטה קבועה — נניח, התקרה — המיקום הזה נמסך מלוגיקת זיהוי הנפילות. הבינה המלאכותית לומדת ש"תנועה מהירה בתקרה היא נורמלית".
בעיית חיות המחמד הייתה מורכבת ומעניינת יותר. כלב גדול שקופץ מרהיט מייצר חתימת דופלר הדומה באופן לא נוח לזו של אדם נופל. הפתרון שלנו משלב ניתוח חתך-רוחב רדארי (בני אדם מחזירים יותר אנרגיה אלקטרומגנטית מכלבים) עם סיווג גיאומטרי. ענן נקודות אנושי הוא בדרך כלל עמודה אנכית. כלב הוא גוש אופקי. הוספנו קטגוריית "חיה" מפורשת למסווג שלנו, מה שהרגיש אבסורדי עד שזה חיסל כ-30% מתוצאות השווא החיוביות שלנו.
מערכת לזיהוי נפילות שלא יכולה להבחין בין הסבתא שלכם לבין הלברדור שלכם היא לא מערכת לזיהוי נפילות. זו מכונת רעש יקרה.
בעבור וילונות ונשבים, יישמנו מיסוך אזורים בעת ההתקנה ואימנו את מסווג הלמידה העמוקה לזהות את התנודה הסינוסואידלית בתדר נמוך של בד — שלא דומה בכלל לתנועה אנושית ברגע שיודעים למה לחפש.
ארכיטקטורת הבינה המלאכותית שאף אחד לא מדבר עליה
רוב המאמרים על בינה מלאכותית בתחום הבריאות מתמקדים במודל. הטרנספורמר, ה-CNN, הארכיטקטורה האחרונה עם השם הקליט. אבל המודל הוא אולי 20% מהבעיה. 80% הנותרים הם צינור עיבוד האותות שמזין את המודל — וההנדסה הנדרשת כדי להריץ את כל זה על שבב עם 512 קילובייט של זיכרון RAM.
הבה אעבור על מה שקורה בפועל כשהחיישן שלנו מזהה נפילה.
השתקפויות אלקטרומגנטיות גולמיות נכנסות כאותות אנלוגיים. אנו הופכים אותם לדיגיטליים ובונים את מה שנקרא קובית נתוני רדאר באמצעות סדרה של התמרות פורייה מהירות — אחת על פני כל chirp כדי לפענח את הטווח, אחת על פני ה-chirps כדי לפענח את המהירות, ואחת על פני האנטנות כדי לפענח את הזווית המרחבית. זה נותן לנו מערך נתונים רב-ממדי (4D): טווח, מהירות, זווית אופקית וזווית אנכית. לכל נקודה במרחב הזה יש עוצמת הספק משויכת.
מהקובייה הזו, אנו מחלצים שני זרמי נתונים מקבילים. הראשון הוא ספקטרוגרמת מיקרו-דופלר — בעיקרה טביעת אצבע של מהירות לאורך זמן. אדם שהולך יוצר דפוס ייחודי: תנועת פלג גוף יציבה עם חתימות גפיים תנודתיות. נפילה יוצרת פרץ אנרגיה פתאומי ורחב-פס שאחריו שקט. הזרם השני הוא ענן נקודות תלת-ממדי — קבוצת קואורדינטות מרחביות עם מהירות ועוצמת אות עבור כל מטרה שזוהתה.
כאן הגישה שלנו נבדלת מרוב המתחרים. אנחנו לא בוחרים זרם אחד. אנחנו ממזגים אותם.
בנינו את מה שאנחנו מכנים רשת דו-זרמית. זרם א' (הספקטרוגרמה) מנתח באיזו מהירות דברים נעים. זרם ב' (ענן הנקודות) מנתח היכן דברים נמצאים במרחב. שכבת מיזוג משלבת בין השניים.
זה פתר את בעיית הסיווג הקשה ביותר שלנו: "הישיבה הקשה". כשמישהו צונח בכבדות על ספה, קפיצת המהירות נראית כמעט זהה לנפילה בספקטרוגרמה. אבל ענן הנקודות מספר סיפור אחר — המיקום הסופי של מרכז הכובד של הגוף נמצא בגובה הספה (בערך חצי מטר), ולא בגובה הרצפה. גישות מבוססות CNN על ספקטרוגרמות בלבד עולות באופן עקבי על למידת מכונה קלאסית ב-7-10% בדיוק, אך הוספת הזרם המרחבי דחפה אותנו מעבר לסף שבו המערכת הפכה אמינה מספיק לפריסה קלינית.
לפירוט הטכני המלא של השוואות הארכיטקטורה שלנו — CNNs, PointNet, LSTMs, ומודלי מרחב-המצבים החדשים יותר RadMamba — ראו מאמר המחקר שלנו.
למה סירבנו להשתמש בענן
בשלב מוקדם בפיתוח, יועץ — מישהו שאני מעריך מאוד — אמר לי שאנחנו טועים כשאנחנו מתעקשים על עיבוד בקצה (edge). "פשוט תשלחו את נתוני הרדאר ל-AWS," הוא אמר. "תוכלו להריץ כל מודל שתרצו. ההסקה תהיה מהירה יותר, מדויקת יותר, ולא תצטרכו להתמודד עם הסיוט של אופטימיזציה עבור מיקרו-בקרים."
הוא לא טעה לגבי הקושי ההנדסי. הרצת רשת נוירונים עמוקה על שבב Texas Instruments IWRL6432 — מערכת-על-שבב עם DSP מסוג C674x ומעבד ARM Cortex-M4 — היא תרגיל באילוץ קיצוני. רשתות נוירונים סטנדרטיות משתמשות בחישוב נקודה-צפה של 32 סיביות. היינו צריכים לכמת הכל למספרים שלמים של 8 סיביות, מה שמקטין את גודל המודל פי 4. גזמנו קשרים מיותרים. השתמשנו בגרעיני האסמבלי המותאמים-ידנית CMSIS-NN של ARM כדי לסחוט כל מחזור שעון אפשרי מהחומרה.
היו אלה חודשים של עבודה שפריסה בענן הייתה מבטלת.
אבל הוא טעה לגבי המוצר.
ברגע שנתוני הרדאר עוזבים את החדר — אפילו נתוני רדאר "אנונימיים" — יצרתם חבות פרטיות. דפוסים התנהגותיים כמו תדירות השימוש בשירותים מהווים מידע רפואי מוגן תחת HIPAA. פריצת נתונים לא חושפת תצלום, אבל היא חושפת פרטים אינטימיים מחיי היומיום של מישהו. ומבחינה מעשית, עיבוד בענן מכניס השהיה. כשמישהו נופל, כל שנייה של עיכוב בהתרעה למטפל חשובה. הפסקות רשת חשובות. עלויות רוחב פס להזרמת נתוני רדאר בתדר גבוה ממאות חדרים חשובות.
אנחנו מעבדים הכל על החיישן עצמו. הסקת רשת הנוירונים מתרחשת על אותו שבב שמפעיל את הרדאר. שום תמונה לעולם לא נוצרת. שום נתון לא עוזב את המכשיר, אלא אם כן מדובר בהתראה מובנית: "חדר 302: זוהתה נפילה (ביטחון גבוה)." ההתראה הזו מגיעה למערכת קריאת האחיות. שום דבר אחר לא הולך לשום מקום.
אם ארכיטקטורת הפרטיות שלכם תלויה במסמך מדיניות במקום בחוקי הפיזיקה ובאילוצי החומרה, אין לכם ארכיטקטורת פרטיות. יש לכם הבטחה.
יישמנו גם מערכת התעוררות היררכית לניהול הספק. chirp לזיהוי נוכחות בהספק נמוך פועל ברציפות. רק כאשר מזוהה תנועה גסה, מופעל מודל הלמידה העמוקה המלא. גישת מדרגות זו יכולה להאריך את חיי הסוללה מימים לחודשים — קריטי עבור מתקנים שבהם הנחת קווי חשמל חדשים לכל חדר אינה ישימה.
איך חיישן רדאר מדבר עם מערכת קריאת אחיות משנות ה-90?
זו השאלה שכמעט אף אחד בעולם הבינה המלאכותית לא חושב עליה, וזו השאלה שקובעת אם הטכנולוגיה שלכם תיפרס בפועל.
מערכת העצבים המרכזית של כל מתקן טיפול היא מערכת קריאת האחיות, המוסדרת בתקן UL 1069 — התקן לציוד איתות בבתי חולים. רוב המערכות הללו הותקנו לפני עשרות שנים. הן "מדברות" במגעים יבשים ובסגירות ממסר, לא ב-REST APIs.
למדתי את זה בדרך הקשה. הייתה לנו אינטגרציה יפהפייה מבוססת MQTT שעבדה במעבדה שלנו. מטענים נקיים בפורמט JSON, לוחות מחוונים בזמן אמת, הכל. אז נכנסנו למתקן בן 200 מיטות במערב התיכון וראינו את לוח קריאת האחיות שלהם מתוצרת Rauland מתחילת שנות ה-2000. היה בו טור כניסות עזר שציפה לדבר אחד: מעגל שנסגר.
אז הוספנו לחיישן שלנו ממסר מצב-מוצק מבודד-אופטית. כשמזוהה נפילה, הממסר נסגר. נורת קריאת האחיות נדלקת. הביפר מופעל. זה פשוט באופן ברוטלי, ותואם לכ-90% מהתשתית הקיימת. ללא מעורבות מחלקת IT. ללא הגדרת רשת. רק שני חוטים.
עבור מתקנים חדשים יותר עם פלטפורמות קריאת אחיות מבוססות IP, אנו דוחפים נתונים מובנים דרך MQTT או REST. האחות לא רואה רק "אזעקה בחדר 302" — היא רואה "חדר 302: זוהתה נפילה" או "חדר 302: הדייר לא זז כבר 4 שעות." ההתראה השנייה הזו — התראת חוסר הפעילות — התבררה כמשהו שהמתקנים רצו אפילו יותר מזיהוי נפילות. היא מחליפה את הנוהג הפולשני של אחיות שפותחות דלתות כל כמה שעות רק כדי לבדוק אם מישהו עדיין נושם.
מה לגבי טענת ה-ROI?
אנשים תמיד מתנגדים לעלות של פריסת תשתית חיישנים חדשה. "מצלמות זולות יותר," הם אומרים. או: "כבר יש לנו מערכות תליון."
הנה החישוב שאני עובר עליו עם מנהלי מתקנים. נפילה בודדת ברמת אשפוז עולה $30,000 עד $60,000. תוכניות מניעת נפילות מבוססות-ראיות הוכיחו החזר השקעה (ROI) העולה על 500% — חמישה דולרים שנחסכים על כל דולר שהושקע. המערכת שלנו מחזירה את עצמה אם היא מונעת נפילה חמורה אחת כל חמש שנים לחדר.
אבל ה-ROI שהכי חשוב אינו במאזן. הוא נמצא במה שהמערכת מאפשרת מעבר לזיהוי חירום. באמצעות מעקב אחר מהירות ההליכה ורמות הפעילות לאורך שבועות, הרדאר יכול לזהות את הירידה העדינה שקודמת לנפילה. "גברת ג'ונס הולכת 20% לאט יותר השבוע" הוא אינדיקטור מקדים שמאפשר התערבות לפני התאונה. זה לא זיהוי נפילות. זו מניעת נפילות. וההבדל הכלכלי בין השניים הוא עצום.
השינוי שמשנה הכל
נשאלתי — יותר מפעם אחת, בדרך כלל על ידי משקיעים — האם מצלמות פשוט "ישתפרו בפרטיות." יטשטשו את הפנים. יסוו את הגוף. יעבדו מקומית וימחקו.
אולי. אבל עדיין מתחילים מטכנולוגיה שלוכדת זהות כברירת מחדל ואז מנסים להפחית אותה. מבקשים מהדייר לסמוך על כך שההפחתה עובדת, שהתוכנה לא תתקע, שהנתונים לא יישמרו, שאף אחד לעולם לא יראה את הזרם הגולמי.
רדאר גלי מילימטר מתחיל מהעמדה ההפוכה. הוא פיזית אינו מסוגל ללכוד פנים. אין זרם גולמי שיכול לדלוף. אין "מצב פרטיות" שאפשר לכבות בטעות. הדייר לא צריך לסמוך על התוכנה שלנו. הוא יכול לסמוך על הספקטרום האלקטרומגנטי.
האישה ההיא — שכנתה של אמי, זו שבחרה בסיכון של רצפת חדר האמבטיה על פני הוודאות של מצלמה — היא מייצגת מיליוני אנשים שיעמדו בפני אותה בחירה בעשור הקרוב. האוכלוסייה העולמית מעל גיל 65 גדלה מהר יותר מכל קבוצת גיל אחרת. הביקוש לניטור רק יתעצם.
השאלה היא לא אם ננטר את הקשישים. השאלה היא אם נעשה זאת בדרך שמאפשרת להם להישאר בני אדם בזמן שאנחנו שומרים עליהם בטוחים.
בנינו מערכת שמזהה נפילה בחושך, דרך וילון מקלחת, מבלי לדעת אף פעם איך האדם נראה. היא פועלת על שבב קטן ממדבקת בול. היא מתקשרת עם מערכות קריאת אחיות משנות ה-90 ועם לוחות מחוונים בענן משנת 2025. היא יודעת מתי מישהו נושם ומתי הוא הפסיק לזוז, וכל זאת מבלי ליצור פיקסל אחד של תמונה.
אני לא חושב שעתיד הטיפול בקשישים הוא מעקב עם יחסי ציבור טובים יותר. אני חושב שזו חישה — בלתי נראית, סביבתית, מכובדת. הפיזיקה כבר תומכת בזה. הבינה המלאכותית כבר עובדת. השאלה היחידה שנותרה היא האם לתעשייה יש את הדמיון להפסיק לשלוף את המצלמה.
אנחנו עשינו זאת. ומאז לא הבטתי אחורה.
