כבוד הזיהוי: תכנון טכנולוגיית גיל הזהב המשמרת פרטיות עם בינה בקצה ומכ״ם גלי מילימטר

תקציר מנהלים

הטרנספורמציה הדמוגרפית של המאה ה-21 חוללה משבר בטיפול בקשישים שהוא אתי לא פחות מאשר לוגיסטי. ככל שהאוכלוסייה העולמית מזדקנת, הציווי לנטר בטיחות—ובפרט זיהוי נפילות, המהוות את גורם המוות המוביל מפציעה בקרב מבוגרים מעל גיל 65—התנגש באלימות בזכות האדם היסודית לפרטיות. ההסתמכות ההיסטורית של התעשייה על מעקב אופטי וטלמטריה לבישה יצרה "פנאופטיקון של טיפול," שבו בטיחות נרכשת במחיר של כבוד. מאמר לבן זה, שנכתב על ידי Veriprajna, טוען כי פשרה זו היא כשל של דמיון הנדסי, ולא גזירת גורל של הטיפול.

Veriprajna גורסת כי עתיד טכנולוגיית גיל הזהב טמון במפגש של גלי מילימטר (מכ״ם mmWave) ובינה מלאכותית עמוקה בקצה . בניגוד לפתרונות "עטיפה" שרק מזרימים נתוני חיישן למודלי שפה גדולים מבוססי-ענן, חדשנות אמיתית דורשת אינטגרציה אנכית של פיזיקת אותות, עיבוד אותות ספרתי (DSP), וארכיטקטורות עצביות מתקדמות הפועלות על התקני קצה מוגבלי-משאבים.

מסמך זה משמש כתיק טכני ואסטרטגי מקיף לבעלי עניין ארגוניים, ספקי שירותי בריאות וארכיטקטי טכנולוגיה. הוא מפרט את המעבר ממודלים תיאורטיים של בינה מלאכותית לפתרונות בטיחות פרוסים ועמידים. אנו בוחנים את הפיזיקה של חישת 60GHz, את מורכבות הלמידה העמוקה בקצה, את דיכוי ההפרעות הסביבתיות, ואת שילוב המערכות האלה בתשתיות קריאת אחות מדור קודם העומדות בתקני UL 1069. אנו מדגימים כי על ידי עיבוד ענני נקודות צפופים וחתימות מיקרו-דופלר מקומית על ההתקן, ניתן להשיג בטיחות בלי מעקב, ולשמור על בטיחות הקשישים בלי "לצפות בהם בעירום."

1. דילמת הפרטיות-בטיחות בעולם מזדקן

1.1 הציווי הדמוגרפי ומגפת הנפילות

הסטטיסטיקה חדה ומוכרת באופן אוניברסלי, ובכל זאת ראוי לחזור עליה כדי למסגר את האתגר ההנדסי. נפילות אינן סתם תאונות; הן כשלים מערכתיים של סביבת הניטור. לפי המרכזים לבקרת מחלות ומניעתן (CDC), נפילות הן גורם הפציעה המוביל בקרב מבוגרים בני 65 ומעלה. ¹ הנטל הכלכלי מדהים, כאשר הוצאות הבריאות השנתיות על נפילות שאינן קטלניות מגיעות לכ- $50 מיליארד בארצות הברית לבדה. ²

עם זאת, העלות חורגת ממאזן החשבונות. "הפחד מנפילה" גורם ל התכווצות פסיכולוגית בקרב קשישים, המובילה להגבלות עצמיות על ניידות, בידוד חברתי, והידרדרות גופנית מואצת. ¹ מטרת טכנולוגיית גיל הזהב, לפיכך, איננה רק לזהות את ההשפעה אלא ליצור סביבת בטיחות מקיפה שמשיבה ביטחון. האתגר הוא שהמרחבים המסוכנים ביותר—חדר הרחצה ו חדר השינה—הם גם הפרטיים ביותר.

1.2 כשלון המודאליות המיושנות

התגובה המסורתית למשבר זה הסתמכה על שתי מודאליות עיקריות: מעקב אופטי (מצלמות) וטלמטריה לבישה (תליונים/שעונים). שתיהן סובלות ממצבי כשל קריטיים שהופכים אותן לבלתי מספיקות לדור הבא של הטיפול.

1.2.1 הפנאופטיקון האופטי

ראייה ממוחשבת השיגה דיוק מרשים בזיהוי פעילות אנושית (HAR). עם זאת, פריסתה במרחבים פרטיים טעונה אתית. מערכות אופטיות לוכדות מידע מזהה אישית (PII) כברירת מחדל. גם עם "מיסוך פרטיות" או הזרמה ברזולוציה נמוכה, הפוטנציאל לשימוש לרעה או לדליפת נתונים יוצר נטל פסיכולוגי על הדייר.³

יתרה מזאת, מערכות אופטיות מוגבלות פיזית:

●​ תלות בתאורה: מצלמות נכשלות בתנאי תאורה חלשה או דורשות תאורת אינפרא-אדום פולשנית שעלולה לשבש מקצבים צירקדיים. ⁵

●​ הסתרה: מצלמות אינן יכולות "לראות" דרך וילונות מקלחת, שמיכות או מסכי פרטיות, ומשאירות נקודות עיוורות קריטיות. ⁵

●​ כבוד: עצם נוכחותה של עדשה הורסת את תחושת הבדידות החיונית לרווחה הנפשית. ⁶

1.2.2 פער הציות של מכשירים לבישים

מכשירים לבישים (PERS) פותרים את בעיית הפרטיות החזותית אך מציגים את "פער הציות." היעילות תלויה בכך שהמשתמש יזכור לענוד ולהטעין את המכשיר. ירידה קוגניטיבית, בעיות חושיות או שכחה פשוטה הופכות מכשירים אלה לחסרי תועלת באחוז משמעותי מאירועי נפילה. באופן מכריע, נפילות רבות מתרחשות בלילה כאשר הלבישים מוסרים לצורך שינה או טעינה, או במהלך רחצה כאשר יכולות עמידות במים לעיתים קרובות אינן זוכות לאמון מצד המשתמשים. ⁷ מערכת "פסיבית"—כזו שאינה דורשת אינטראקציית משתמש—היא הגישה העמידה היחידה לכשל.

1.3 הפילוסופיה של Veriprajna: בינה מלאכותית עמוקה, לא רק ממשקי API

Veriprajna מבדילה את עצמה בשוק בכך שהיא חורגת מ"עטיפה" שטחית פתרונות. איננו פשוט משדרים נתוני חיישן ל-API ענן. אנו מתכננים בינה מלאכותית עמוקה פתרונות הפועלים ברמת האות. על ידי ניצול מכ״ם גל רציף מאופנן

תדר (FMCW) בשילוב בינה מלאכותית בקצה, אנו מחלצים הבנה סמנטית (למשל, "אדם א נפל") מהחזרים אלקטרומגנטיים גולמיים בלי לשחזר אי פעם תמונה חזותית. זה מבטיח פרטיות באמצעות פיזיקה, לא רק באמצעות מדיניות.

2. הפיזיקה היסודית של חישה המשמרת פרטיות

כדי להנדס פתרון שמכבד פרטיות תוך הבטחת בטיחות, יש לבחור מודאליות חישה שאינה מסוגלת פיזית ללכוד זהות ביומטרית (כמו פנים) תוך רגישות גבוהה לתנועה ביולוגית (כמו פעימת לב). מכ״ם גלי מילימטר (mmWave) ממוקם באופן ייחודי לעמוד בדרישות הסותרות האלה.

2.1 הספקטרום האלקטרומגנטי: מדוע 60 GHz?

מכ״ם פועל על ידי שידור גלים אלקטרומגנטיים וניתוח ההחזרים שלהם. בחירת התדר קובעת את האינטראקציה עם הסביבה.

●​ 24 GHz (פס ISM): שימש היסטורית לזיהוי תנועה פשוט (כמו דלתות אוטומטיות). הוא סובל מרוחב פס נמוך יותר (רזולוציית טווח מוגבלת) ומדרישות אנטנה גדולות יותר. ⁸

●​ 77 GHz: התקן למכ״ם רכב (בקרת שיוט אדפטיבית). אף שהוא מציע טווח מצוין (300 מ'+), הוא מותאם למעקב אחר כלי רכב מהירים בחוץ. ⁵

●​ 60 GHz (פס V): הבחירה המיטבית לניטור אנושי בתוך מבנים.

○​ רזולוציה עדינה: ב-60 GHz, אורך הגל ($\lambda$) הוא בקירוב 5 מ"מ. זה מאפשר זיהוי של "מיקרו-תנועות"—היסטים תת-מילימטריים של דופן החזה הנגרמים מנשימה ומפעימות לב. ⁵

○​ כלואת פרטיות: פס 60 GHz יושב בתוך ספקטרום בליעת החמצן, כלומר אותות דועכים במהירות עם המרחק ואינם חודרים קירות בטון עבים ביעילות. זה מונע "דליפה" של נתוני ניטור מחוץ ל חדר המיועד, ומוסיף שכבת אבטחת נתונים פיזית. ⁸

○​ רוחב פס רגולטורי: גופים רגולטוריים מקצים רוחבי פס רחבים (עד 4 GHz) ב פס 60 GHz לשימוש ללא רישיון. רזולוציית הטווח ($d_{res}$) היא ביחס הפוך לרוחב הפס ($B$): ​ ​ $$d_{res} = \frac{c}{2B}$$ ​ ​ רוחב פס של 4 GHz מניב רזולוציית טווח של כ-3.75 ס"מ. רמת פירוט זו מאפשרת למערכת להבחין בין גפי אדם לבין פלג גופו, גורם קריטי ב הבחנה בין נפילה לבין כריעה.8

2.2 מכניקת גל רציף מאופנן-תדר (FMCW)

בניגוד למכ״ם פולסים, המודד זמן-תעופה ישירות, או מכ״ם גל רציף דופלר פשוט, המודד רק מהירות, Veriprajna משתמשת במכ״ם FMCW. המשדר שולח "ציוץ"—סינוסואידה שתדירותה עולה באופן ליניארי עם הזמן. כאשר אות זה מוחזר מאובייקט וחוזר למקלט, האות המשודר כבר עבר לתדר גבוה יותר. ההפרש בין התדר המשודר ($f_{tx}$) לבין התדר המתקבל ($f_{rx}$) בכל רגע הוא תדר הפעימה ($f_b$). תדר פעימה זה קשור מתמטית למרחק ($R$) אל המטרה:

$$f_b = \frac{S 2 R}{c}$$

כאשר $S$ הוא שיפוע רמפת התדר ו $c$ היא מהירות האור. על ידי ביצוע התמרת פורייה מהירה (FFT) על אות הפעימה, אנו ממירים את האות מתחום הזמן ל תחום התדר, שבו שיאים מתאימים למרחק האובייקטים. ¹⁰

2.3 פרדיגמת החישה ה-4D

חיישנים מסורתיים הם חד-ממדיים (מרחק) או דו-ממדיים (תמונות). מכ״ם FMCW מספק מערך נתונים 4D:

1.​ טווח ($R$): מרחק אל המטרה (נגזר מתדר הפעימה).

2.​ מהירות ($v$): מהירות המטרה ביחס לחיישן (נגזרת מהיסט הפאזה לאורך מספר ציוצים, הידוע כאפקט דופלר). ⁵

3.​ אזימוט ($\theta$): זווית אופקית (נגזרת מהפרש הפאזה בין אנטנות במרווח אופקי).

4.​ הגבהה ($\phi$): זווית אנכית (נגזרת מהפרש הפאזה בין אנטנות במרווח אנכי).

מבנה נתונים 4D זה מאפשר לבינה המלאכותית לתפוס את העולם לא כתמונה שטוחה, אלא כ נפח דינמי של נקודות נעות. בניגוד ל-LiDAR, המספק גאומטריה ברזולוציה גבוהה אך ללא מהירות רגעית, מכ״ם מספק מהירות דופלר לכל נקודה. זהו "סוד המתכון" של בינת מכ״ם: אנו יכולים להפריד כיסא נייח מאדם נושם, גם אם האדם יושב ללא ניע, כי האדם מייצר אפנוני מיקרו-דופלר. ⁹

3. ארכיטקטורות עיבוד אותות לעמיד זיהוי

הנתונים הגולמיים מחיישן מכ״ם אינם שמישים מיד לרשת עצבית. הם רועשים, מורכבים ובעלי רוחב פס גבוה. המומחיות של Veriprajna טמונה ב"שרשרת עיבוד האותות"—הצינור האלגוריתמי שהופך נתוני ADC גולמיים למאפיינים סמנטיים.

3.1 קוביית נתוני המכ״ם

מבנה הנתונים היסודי בעיבוד מכ״ם מודרני הוא קוביית נתוני המכ״ם . היא נבנית באמצעות רצף של התמרות מתמטיות:

1.​ FFT טווח (זמן-מהיר): מבוצע על הדגימות בתוך ציוץ בודד. זה פותר את טווח ההחזרים. ¹³

2.​ FFT דופלר (זמן-איטי): מבוצע לאורך רצף הציוצים במסגרת. זה פותר את מהירות ההחזרים. ¹⁰

3.​ FFT זווית: מבוצע לאורך מערך האנטנות. זה פותר את המיקום המרחבי. ¹⁴ קובייה זו מכילה את עצמת ההספק לכל ווקסל ב $(Range, Velocity, Angle)$ מרחב.

3.2 הפחתת הפרעות: אמנות הראייה דרך רעש

סביבות פנים עוינות למכ״ם. קירות, רהיטים ותקרות מייצרים החזרים עצומים (קלאטר) שיכולים להטביע את ההחזר מגוף אנושי.

●​ הסרת קלאטר סטטי: הגישה הפשוטה ביותר היא חיסור ערך הממוצע של הדגימות לאורך ממד הדופלר. זה מסיר ביעילות אובייקטים בעלי מהירות אפס (קירות, רהיטים). עם זאת, גישה נאיבית זו עלולה להסיר בשוגג אדם שנפל ושוכב מחוסר הכרה (ולכן סטטי).

●​ סינון קלאטר אדפטיבי: Veriprajna מיישמת סינון אדפטיבי מתקדם. אנו מנצלים את יציבות הפאזה של האות כדי להבחין בין אובייקטים סטטיים "מתים" (קירות) לבין אובייקטים סטטיים "חיים" (בני אדם מחוסרי הכרה). גם לאדם חסר תנועה יש היסט דופן חזה (נשימה), שיוצר אפנון פאזה עדין שהאלגוריתמים שלנו משמרים תוך דיכוי החזרי הקיר. ¹⁵

3.3 זיהוי קצב אזעקת שווא קבוע (CFAR)

לאחר דיכוי הקלאטר, עלינו לזהות "מטרות" (נקודות עניין) מול רצפת רעש הרקע. סף קבוע אינו מספיק כי רצפת הרעש משתנה עם טמפרטורה והפרעות. אנו משתמשים באלגוריתמי CFAR (קצב אזעקת שווא קבוע), שמתאימים דינמית את הסף על בסיס סביבת הרעש המקומית.

3.3.1 מתודולוגיות CFAR

●​ CA-CFAR (ממוצע תאים): מחשב את הסף על בסיס הספק הממוצע של תאים שכנים. זה עובד היטב ברעש אחיד אך מידרדר כאשר מספר מטרות קרובות זו לזו. ¹⁷

●​ OS-CFAR (סטטיסטיקה סדורה): זהו תקן התעשייה לסביבות רב-מטרה. הוא ממיין את ערכי ההספק של תאים שכנים ובוחר את $k$הדרגה ה- כהערכת הרעש. זה עמיד מול "מיסוך," שבו החזר חזק (למשל, ארון מתכת) מסתיר החזר חלש יותר (אדם) בקרבת מקום. ¹⁹

●​ CFAR עמוק: מחקר מתהווה מציע להחליף CFAR קלאסי ברשתות עצביות קלות (CNNs) שלומדות את ההתפלגות הסטטיסטית של שיאי קלאטר ומטרה, ומציעות ביצועים עדיפים בסביבות מורכבות. ¹⁴ Veriprajna חלוצה ב פריסת "גלאי עצביים" אלה על חומרת קצה.

3.4 חילוץ מאפיינים: מיקרו-דופלר וענני נקודות

פלט שלב הזיהוי הוא כפול:

1.​ ספקטרוגרמות מיקרו-דופלר: על ידי ערמת FFT דופלר לאורך זמן, אנו יוצרים ייצוג חזותי של מהירות. אדם מהלך מייצר דפוס מובחן (פלג גוף נע ב מהירות קבועה, גפיים מתנודדות במהירויות גבוהות יותר). נפילה מייצרת פרץ אנרגיה פתאומי, רחב-פס (תאוצה) ואחריו מהירות אפס. ¹²

2.​ ענני נקודות: קבוצה של $(x, y, z, v, SNR)$ רביעיות המייצגות מטרות שזוהו במרחב תלת-ממדי. זה מאפשר מעקב מסלול וניתוח יציבה. ²³

4. פרדיגמות למידה עמוקה לתפיסת מכ״ם

בעוד עיבוד אותות קלאסי מזהה תנועה, למידה עמוקה נדרשת כדי להבין כוונה ו-הקשר . האם התנועה היא נפילה, או רק אדם שוכב על מיטה? Veriprajna מנצלת שלוש ארכיטקטורות בינה מלאכותית נבדלות כדי לפתור בעיית סיווג זו.

4.1 רשתות עצביות קונבולוציוניות (CNNs) על ספקטרוגרמות

אנו מתייחסים לספקטרוגרמת המיקרו-דופלר כאל תמונה ומיישמים טכניקות ראייה ממוחשבת.

●​ ארכיטקטורה: אנו משתמשים ברשתות עצביות קונבולוציוניות עמוקות (DCNNs). בניגוד ל מודלי ResNet הענקיים המשמשים ל-ImageNet, אנו מתכננים CNNs קלות ורדודות המותאמות למרקם הספציפי של ספקטרוגרמות מכ״ם. ²⁵

●​ למידת מאפיינים: ה-CNN לומדת לזהות את "צורת" הנפילה. חתימת נפילה מציגה בדרך כלל "הבזק פלג גוף" בעל אנרגיה גבוהה בתדרים נמוכים, מלווה ב "הבזקי גפיים" בתדר גבוה, ולאחריהם מיד הפסקת אות. לעומת זאת, "ישיבה" מציגה האטה הדרגתית. ²²

●​ ביצועים: מחקרי אמת-מידה מצביעים על כך שגישות מבוססות-CNN על ספקטרוגרמות עולות בעקביות על למידת מכונה קלאסית (SVM, יער אקראי) במרווחים של 7-10% בדיוק, בעיקר בזכות יכולתן ללמוד מאפיינים אינוריאנטיים עמידים לרעש. ²⁵

4.2 עיבוד ענן נקודות: PointNet ורשתות GNN

לספקטרוגרמות חסר הקשר מרחבי. הן יודעות באיזו מהירות משהו נע, אך לא איפה . כדי לפתור זאת, אנו מעבדים את ענן הנקודות התלת-ממדי.

●​ PointNet: CNNs סטנדרטיות אינן יכולות לטפל בענני נקודות כי הם לא-סדורים ו דלילים. PointNet היא ארכיטקטורה מתמחה שצורכת קבוצות נקודות גולמיות ולומדת מאפיינים מרחביים (למשל, ההתפלגות האנכית של נקודות). היא יכולה להבחין בין אדם עומד (עמודה אנכית של נקודות) לבין אדם שוכב (פיזור אופקי של נקודות). ³

●​ רשתות עצביות גרפיות (GNNs): אנו מתייחסים לנקודות המכ״ם כצמתים בגרף, עם קשתות המייצגות קרבה מרחבית. GNNs מאפשרות למודל ללמוד את היחס הגאומטרי בין חלקי גוף, ובפועל "שלד" את ההחזר בלי מצלמה. ³

4.3 מידול רצפים: LSTM וטרנספורמרים

נפילה היא אירוע זמני: עמידה $\rightarrow$ חוסר יציבות $\rightarrow$ נפילה $\rightarrow$ פגיעה $\rightarrow$ שכיבה. ניתוח מסגרת סטטית נכשל לעיתים קרובות בלכידת הסיבתיות הזו.

●​ CNN-LSTM: אנו מפעילים ארכיטקטורה היברידית שבה CNN מחלצת מאפיינים מרחביים מ כל מסגרת, המוזנים לאחר מכן לרשת זיכרון לטווח קצר-ארוך (LSTM). ה- LSTM שומרת "זיכרון" של הרצף, ומאפשרת לה להבדיל בין מעידה (התאוששות) לבין נפילה (אין התאוששות). ²⁷

●​ טרנספורמרי מכ״ם (RadMamba): חזית המחקר כוללת ארכיטקטורות טרנספורמר (כמו Vision Transformers או ViT) המותאמות למכ״ם. מודלים אלה משתמשים במנגנוני "קשב-עצמי" כדי לשקלל את חשיבות צעדי הזמן השונים ו תאי התדר. חידושים אחרונים כמו RadMamba משתמשים במודלי מרחב-מצב (SSMs) כדי לטפל ברצפים ארוכים של נתוני מכ״ם במורכבות חישובית ליניארית, מה שהופך אותם ליעילים יותר מטרנספורמרים לפריסה בקצה. ²⁹

4.4 מיזוג חיישנים: גישת "הזרם הכפול"

המערכות העמידות ביותר משתמשות במיזוג חיישנים . Veriprajna מיישמת רשת זרם-כפול:

1.​ זרם A (ספקטרוגרמה): מנתח דינמיקת מהירות (מיקרו-דופלר).

2.​ זרם B (ענן נקודות): מנתח מסלול מרחבי (גובה-זמן).

3.​ שכבת מיזוג: משלבת תובנות אלה.

●​ פתרון "ישיבה מול נפילה": בעיית מכ״ם קלאסית היא "הישיבה החדה." אדם קורס על ספה מייצר שיא דופלר דומה לנפילה. על ידי מיזוג הזרמים, הבינה המלאכותית רואה את המהירות הגבוהה (זרם A) אך מציינת שגובה הצנטרואיד הסופי הוא $z \approx 0.5m$ (זרם B), ומסווגת נכון כ"ישיבה" ולא כ"נפילה" ($z \approx 0m$). ³¹

טבלה 1: ניתוח השוואתי של ארכיטקטורות בינה מלאכותית למכ״ם

ארכיטקטורה	נתוני קלט	חוזק מפתח	עלות חישובית	מתאים ל
CNN דו-ממדי	מיקרו-דופלר ספקטרוגרמה	דיוק גבוה ב הבחנה בין סוגי תנועה (למשל, הליכה מול נפילה)	בינונית	סיווג של אירועים דינמיים

PointNet / GNN	ענן נקודות תלת-ממדי	הקשר מרחבי (יציבה זיהוי, גובה ניתוח)	גבוהה	ניתוח יציבה סטטית (שכיבה מול ישיבה)
LSTM / GRU	רצף של מאפיינים	רציפות זמן; הבחנה בין מעידות לבין נפילות	נמוכה-בינונית	מעקב סדרות-זמן
טרנספורמר / ViT	קוביית מכ״ם / טלאים	מודעות להקשר גלובלי; טיפול בתלויות ארוכות	גבוהה מאוד	תרחישים מורכבים רב-אנשים
Veriprajna זרם-כפול	מיזוג (ספקטרוגרמה + ענן נקודות)	משלב דינמיקת מהירות עם דיוק מרחבי	מותאם	עמיד, ארגוני- ברמה נפילות זיהוי

5. בינת קצה: אילוצים הנדסיים ו פתרונות

שליחת נתוני מכ״ם ברוחב פס גבוה לענן לעיבוד היא סיכון פרטיות, צוואר בקבוק של השהיה, ועלות רוחב פס. Veriprajna דוגלת בבינה מלאכותית בקצה, שבה ה היסק הרשת העצבית מתרחש ישירות על המעבד המשובץ של החיישן.

5.1 פלטפורמות חומרה: מאפשרני הסיליקון

אנו ממקדים מיקרו-בקרים (MCUs) ומעבדי אותות ספרתיים (DSPs) בעלי ביצועים גבוהים המותאמים לחישת RF.

●​ Texas Instruments (TI) mmWave: התקנים כמו IWRL6432 או IWR6843 הם "מערכות-על-שבב" (SoC). הם משלבים את קצה ה-RF, DSP מסוג C674x לעיבוד אותות (FFTs), ו-ARM Cortex-R4/M4 ללוגיקת היישום. אינטגרציה הדוקה זו מאפשרת השהיה נמוכה ביותר. ⁵

●​ Infineon XENSIV: ה-BGT60TR13C מזווג עם מיקרו-בקרים חיצוניים בעלי ביצועים גבוהים (כמו STM32 או PSoC). המגמה לכיוון "אנטנה-בחבילה" (AiP) מפחיתה את גורם הצורה הפיזי, והופכת חיישנים לבלתי בולטים וקלים להתקנה בסביבות צרכניות. ³⁴

5.2 אופטימיזציה לקצה: TensorFlow Lite למיקרו-בקרים

הפעלת רשת עצבית עמוקה על מיקרו-בקר עם 512KB של RAM דורשת אופטימיזציה קיצונית.

●​ קוונטיזציה: רשתות עצביות סטנדרטיות משתמשות במספרים בנקודה צפה של 32 סיביות. אנו ממירים אותם למספרים שלמים של 8 סיביות (INT8). זה מפחית את גודל המודל פי 4 ומאיץ היסק, לעיתים קרובות עם אובדן דיוק זניח (<1%). ³⁵

●​ גיזום: אנו מסירים חיבורים מיותרים (משקלות) ברשת העצבית ש תורמים מעט לפלט, ויוצרים מודלים "דלילים" שמהירים יותר לחישוב.

●​ CMSIS-NN: אנו משתמשים בספריית CMSIS-NN של ARM, המספקת ליבות אסמבלי מותאמות-יד לקונבולוציה וכפל מטריצות על מעבדי Cortex-M. זה מאפשר לנו לסחוט כל מחזור ביצועים מהחומרה. ³⁷

5.3 ניהול צריכת הספק

עבור חיישנים המופעלים מסוללות או Power-over-Ethernet (PoE), יעילות הספק היא קריטית.

●​ מחזור חובה: המכ״ם אינו צריך לצפצף ברציפות. אנו מיישמים מצבי "בין-מסגרות מנוחה" שבהם קצה ה-RF כבוי.

●​ התעוררות היררכית: ציוץ "זיהוי נוכחות" בהספק נמוך רץ ברציפות. רק כאשר מזוהה תנועה גסה מתעורר מודל הלמידה העמוקה של "זיהוי נפילות" בהספק גבוה כדי לנתח את האירוע. גישת "מפל" זו יכולה להאריך חיי סוללה מימים לחודשים. ¹³

6. התגברות על שונות סביבתית: "הזנב הארוך" של אזעקות שווא

בסביבה המבוקרת של מעבדה, מכ״ם עובד באופן מושלם. בבית אמיתי יש מאווררי תקרה, וילונות שנושבת בהם הרוח, וחיות מחמד. "מחוללי אזעקות השווא" האלה הם המכשול העיקרי לאימוץ מסחרי. Veriprajna מפעילה אסטרטגיית דיכוי רב-שכבתית.

6.1 בעיית "מאוורר התקרה"

מאוורר מסתובב מייצר חתימת דופלר קבועה בתדר גבוה שיכולה לעוור את אלגוריתם ה-CFAR או להתחפש לגף מתנופפת.

●​ פתרון: עיבוד רעש מיקרוגל אדפטיבי. אנו מאמנים את הבינה המלאכותית לזהות את החתימה המחזורית, במיקום נייח, של מאוורר. המערכת בונה "מפה סטטית" של החדר. אם מהירות דופלר גבוהה מזוהה בעקביות ב $(x,y,z)$ קואורדינטה קבועה (ה תקרה), התא הספציפי ההוא ממוסך מלוגיקת זיהוי הנפילות. הבינה המלאכותית לומדת ש"גבוהה מהירות ב $(x,y,z)_{fan}$ היא נורמלית". ³⁹

6.2 בעיית "חיית המחמד"

כלב גדול הקופץ מספה יכול לייצר חתימת דופלר ומסלול ענן נקודות דומים באופן מסוכן לאדם נופל.

●​ פתרון: סינון RCS ויחס ממדים.

○​ RCS (חתך מכ״ם): אף שהוא משתנה, ההחזרה האלקטרומגנטית של כלב נמוכה בדרך כלל מזו של אדם בוגר.

○​ סיווג גאומטרי: אנו מנתחים את תיבת הגבול של ענן הנקודות. אדם תופס בדרך כלל עמודה אנכית (יחס ממדים $< 1$). כלב תופס נפח אופקי (יחס ממדים $> 1$). מודלי הסיווג שלנו כוללים מחלקת "חיה" ספציפית כדי לסנן במפורש אירועים אלה. ³⁹

6.3 בעיית "הווילון"

וילונות הנעים בזרם אוויר יוצרים "מטרות רפאים" שיכולות להפעיל זיהוי נוכחות או התראות תנועה שווא.

●​ פתרון: מיסוך אזורים. במהלך ההתקנה, המערכת מאפשרת הגדרה של "אזורי הפרעה" (חלונות, פתחי מיזוג). אלגוריתם המעקב (מסנן קלמן מורחב) מעלה את סף הביטחון הנדרש ליזום מסלול באזורים אלה. בנוסף, חתימת המיקרו-דופלר של וילון (תנודה סינוסואידית בתדר נמוך) מובחנת מתנועה אנושית ומסוננת על ידי מסווג הלמידה העמוקה. ⁴¹

7. מערכת האקולוגית של האינטגרציה: קישוריות ארגונית

חיישן שמזהה נפילה אך אינו יכול לתקשר אותה ביעילות הוא חסר תועלת. לפריסה ארגונית בבתי אבות ובמתקני דיור מוגן, החיישן חייב להשתלב ב מערכת האקולוגית הקיימת של הטיפול.

7.1 מערכות קריאת אחות (UL 1069)

מערכת העצבים המרכזית של כל מתקן טיפול היא מערכת קריאת האחות (NCS) . מערכת זו כפופה ל-UL 1069 ("תקן לאיתות בתי חולים וציוד קריאת אחות"), ש מחייב אמינות קפדנית, פיקוח ותפעול עמיד-לכשל. ⁴³

●​ אינטגרציית מגע יבש / ממסר: השיטה העמידה והתואמת ביותר. Veriprajna כוללת בחיישנים פלט ממסר מצב מוצק (SSR) מבודד-אופטי. כאשר מזוהה נפילה, הממסר נסגר. זה מתחבר לקלט ה"עזר" של תחנת קריאת האחות מדור קודם על הקיר (למשל, Rauland, Ascom, Hill-Rom). זה מפעיל את מערכת נורת קריאת האחות והזימונית התקנית. זה פשוט, עמיד-לכשל, ותואם ל-90% מהתשתית הקיימת. ⁴⁵

●​ אינטגרציית API ברמה גבוהה: פלטפורמות NCS מודרניות תומכות בפרוטוקולים מבוססי-IP. חיישני Veriprajna יכולים לדחוף מטעני JSON דרך MQTT או ממשקי REST לשרת מרכזי. זה מאפשר נתונים עשירים יותר: במקום "אזעקת חדר 302" גנרית, האחות רואה "חדר 302: זוהתה נפילה (ביטחון גבוה)" או "חדר 302: הדייר לא זז במשך 4 שעות". ⁴⁶

7.2 פרוטוקולי קישוריות

●​ Wi-Fi / Ethernet: רוחב פס גבוה, מתאים לדחיפת הדמיית ענן נקודות אל תחנת אחות (אם מותר). דורש תשתית IT עמידה.

●​ LoRaWAN: הספק נמוך, טווח ארוך. אידיאלי להודעות "בדיקה" (למשל, "הדייר לא זז") ולחיישנים מופעלי-סוללה. עם זאת, יכולות ההשהיה חייבות להישקל עבור התראות נפילה קריטיות. ⁴⁸

●​ Matter / Zigbee: חיוני לאינטגרציית בית חכם. לדוגמה, החיישן יכול להפעיל את האורות אוטומטית כאשר דייר מתיישב במיטה בלילה, ופועל כאמצעי מניעתי נגד נפילות. ⁴⁸

7.3 מסגרות ציות ואבטחה

●​ GDPR ו-HIPAA: מכיוון שמכ״ם mmWave אינו לוכד מזהים ביומטריים (פנים, טביעות אצבע) או תמונות ניתנות לזיהוי, הוא תואם באופן אינטרינזי יותר ל-GDPR ו HIPAA מאשר מצלמות. הוא מעבד "נתוני תנועה אנונימיים." עם זאת, דפוסים התנהגותיים (למשל, תדירות חדר רחצה) מהווים נתוני בריאות (PHI) וחייבים להיות מוגנים. Veriprajna מפעילה הצפנת TLS 1.2+ לכל הנתונים בתעבורה ו-AES-256 לנתונים ב מנוחה. ⁶

●​ ISO 31700 (פרטיות בתכנון): Veriprajna דבקה בתקן ISO 31700 עבור מוצרי צריכה.

○​ פרואקטיבי: הפרטיות מתוכננת לתוך החומרה (אין מיקרופון, אין עדשה).

○​ ברירת מחדל: הגדרת הפרטיות הגבוהה ביותר היא ברירת המחדל.

○​ מחזור חיים: אסטרטגיות מזעור נתונים מבטיחות שנתונים נמחקים כאשר אינם עוד

נחוצים. ⁵⁰

8. ערך אסטרטגי ואופקים עתידיים

יישום פתרון מכ״ם הבינה המלאכותית העמוקה של Veriprajna הוא השקעה, אך התשואה על ההשקעה (ROI) היא מוחשית וניתנת למדידה.

8.1 ה-ROI של הכבוד

●​ הימנעות מעלות ישירה: נפילה בודדת עם פציעה עולה למתקן בין $30,000 לבין $60,000 בעלויות רפואיות, אחריות, ודרישות טיפול מוגברות. ⁵²

●​ חיסכון בעלויות עקיפות: הפחתת "אזעקות שווא" מפחיתה שחיקת צוות ו"עייפות אזעקות." כאשר המערכת מתריעה, הצוות יודע שזה אמיתי.

●​ חישוב ROI: השקעה במערכת חיישנים מניבה ROI חיובי אם היא מונעת רק אחת נפילה ברמת אשפוז כל 5 שנים. מחקרים מראים שמניעת נפילות מבוססת-ראיות תוכניות יכולות לספק ROI של מעל 500% ($5 נחסכים על כל $1 שמוצא). ⁵²

8.2 יעילות תפעולית באמצעות אנליטיקה

מעבר להתראות חירום, המערכת מספקת אנליטיקה לאורך זמן .

●​ טיפול מונע: על ידי מעקב אחר מהירות הליכה ורמות פעילות לאורך שבועות, המערכת יכולה לזהות את ההידרדרות העדינה שקודמת לנפילה. "Mrs. Jones הולכת לאט ב-20% ה שבוע" הוא מדד מוביל חזק שמאפשר התערבות לפני שתאונה מתרחשת.

●​ יעילות צוות: אחיות אינן צריכות עוד לבצע "סיבובים" פולשניים רק כדי לבדוק אם דייר במיטה. לוח המחוונים מספק סטטוס נוכחות בזמן אמת, ומאפשר לצוות להתמקד בדיירים שזקוקים בפועל לסיוע. ⁵⁴

8.3 העתיד: 6G ומיזוג חיישנים

מפת הדרכים של המכ״ם מאיצה.

●​ חישת 6G (ISAC): רשתות 6G עתידיות ישלבו חישה ותקשורת (ISAC). נתב ה-Wi-Fi של העתיד יהיה חיישן זיהוי הנפילות, תוך ניצול גלי הרדיו בכל מקום שכבר ממלאים את בתיה. ²¹

●​ מיזוג רב-אופני: שילוב מכ״ם mmWave עם הדמיה תרמית או חיישנים אקוסטיים (לשיחות קול) ישפר עוד יותר את הדיוק תוך שמירה על פרטיות.

סיכום

המעבר מ"מעקב" ל"חישה" הוא השינוי המגדיר של עשור טכנולוגיית גיל הזהב. אנו עברנו את העידן שבו בטיחות דרשה פשרה על כבוד. על ידי החלפת עדשת המצלמה באנטנת mmWave, והחלפת המוניטור האנושי בבינה מלאכותית עמוקה בקצה, אנו פותרים את הסכסוך בין בטיחות לפרטיות.

Veriprajna אינה רק מוכרת חיישן; אנו מספקים את תשתית הבינה המלאכותית העמוקה —את האותות המנוקים, מודלי הסיווג העמידים, לוגיקת דחיית אזעקות השווא, ואת האינטגרציה הארגונית המאובטחת—שהופכים הבטחה זו למציאות. אנו מציעים פתרון ש אינו מסוגל פיזית "לצפות בהם בעירום," אך מסוגל חישובית לשמור עליהם בטוחים.

בטוח. מאובטח. פרטי. זוהי ההבטחה של Veriprajna.

מקורות

1. The impact of fall detection technology and prevention - Best Buy Health, נצפה ב־12 בדצמבר 2025, https://www.bestbuyhealth.com/insights/blog/the-impact-of-fall-detection-technology-and-prevention/

2. The Seriousness of Senior Falls: Understanding the Costs and Solutions - Intrex, נצפה ב־12 בדצמבר 2025, https://www.intrexis.com/senior-falls/

3. Using mmWave Radar and Deep Learning to Classify Caregiver Activities for Infection Prevention | Request PDF - ResearchGate, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/publication/398309699_Using_mmWave_Radar_and_Deep_Learning_to_Classify_Caregiver_Activities_for_Infection_Prevention

4. A Narrative Review on Key Values Indicators of Millimeter Wave Radars for Ambient Assisted Living - MDPI, נצפה ב־12 בדצמבר 2025, https://www.mdpi.com/2079-9292/14/13/2664

5. A Brief Introduction to Millimeter Wave Radar Sensing - Edge AI and Vision Alliance, נצפה ב־12 בדצמבר 2025, https://www.edge-ai-vision.com/2023/12/a-brief-introduction-to-millimeter-wave-radar-sensing/

6. Privacy-First Healthcare: How Linpowave mmWave Radar Enables Non-Contact Monitoring, נצפה ב־12 בדצמבר 2025, https://linpowave.com/blog/privacy-first-healthcare-linpowave-mmwave-radar

7. Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot - arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/html/2405.01882v1

8. Millimeter-Wave Sensors Accuracy and Applications - DFRobot, נצפה ב־12 בדצמבר 2025, https://www.dfrobot.com/blog-1654.html

9. What Is mmWave Radar Sensing? | D3 Embedded, נצפה ב־12 בדצמבר 2025, https://www.d3embedded.com/mmwave-radar-sensing/

10. block diagram of an FMCW radar. - ResearchGate, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/figure/block-diagram-of-an-FMCW-radar_fig1_332665836

11. Frequency-Modulated Continuous-Wave Radar (FMCW Radar) - Radartutorial.eu, נצפה ב־12 בדצמבר 2025, https://www.radartutorial.eu/02.basics/Frequency%20Modulated%20Continuous%20Wave%20Radar.en.html

12. Activity Recognition Based on Micro-Doppler Signature with In-Home Wi-Fi arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/pdf/1611.01801

13. Machine Learning on the Edge with the ... - Texas Instruments, נצפה ב־12 בדצמבר 2025, https://www.ti.com/lit/pdf/swra774

14. Benchmarking CFAR and CNN-based Peak Detection Algorithms in ISAC under Hardware Impairments - arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/pdf/2505.10969

15. (PDF) Clutter Mitigation in Indoor Radar Sensors Using Sensor Fusion Technology, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/publication/391751312_Cluter_Mitigation_in_Indoort_Radar_Sensors_Using_Sensor_Fusion_Technology

16. Enhancing Sensing-Assisted Communications in Cluttered Indoor Environments through Background Subtraction - arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/pdf/2401.05763

17. Constant false alarm rate - Wikipedia, נצפה ב־12 בדצמבר 2025, https://en.wikipedia.org/wiki/Constant_false_alarm_rate

18. Constant False Alarm Rate (CFAR) Detection - MATLAB & Simulink - MathWorks, נצפה ב־12 בדצמבר 2025, https://www.mathworks.com/help/phased/ug/constant-false-alarm-rate-cfar-detection.html

19. Object Detection with Automotive Radar Sensors using CFAR Algorithms - JKU, נצפה ב־12 בדצמבר 2025, https://www.jku.at/fileadmin/gruppen/183/Docs/Finished_Theses/Bachelor_Thesis_Katzlberger_final.pdf

20. Radar Target Detection with CNN - EURASIP, נצפה ב־12 בדצמבר 2025, https://eurasip.org/Proceedings/Eusipco/Eusipco2021/pdfs/0001581.pdf

21. Benchmarking CFAR and CNN-based Peak Detection Algorithms in ISAC under Hardware Impairments - ResearchGate, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/publication/391856921_Benchmarking_CFAR_and_CNN-based_Peak_Detection_Algorithms_in_ISAC_under_Hardware_Impairments

22. Resolution-Adaptive Micro-Doppler Spectrogram for Human Activity Recognition - arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/html/2411.15057v2

23. Examples of mmWave radar point clouds viewed from the spatial, the ST,... ResearchGate, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/figure/Examples-of-mmWave-radar-point-clouds-viewed-from-the-spatial-the-ST-and-the-sub-ST_fig2_369813800

24. MmWave Radar Point Cloud Segmentation using GMM in Multimodal Traffic Monitoring - arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/pdf/1911.06364

25. Deep Learning Multi-Class Approach for Human Fall Detection Based on Doppler Signatures - MDPI, נצפה ב־12 בדצמבר 2025, https://www.mdpi.com/1660-4601/20/2/1123

26. Radar Fall Detectors: A Comparison - Villanova University, נצפה ב־12 בדצמבר 2025, https://homepage.villanova.edu/moeness.amin/paper_pdf/erol_amin_ahmad_RadarFallDet_SPIE.pdf

27. Fall Detection from UWB Radars: A Comparative Analysis of Deep Learning and Classical Machine Learning Techniques - ResearchGate, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/publication/373709666_Fall_Detection_from_UWB_Radars_A_Comparative_Analysis_of_Deep_Learning_and_Classical_Machine_Learning_Techniques

28. Unobtrusive Human Fall Detection System Using mmWave Radar and Data Driven Methods | Request PDF - ResearchGate, נצפה ב־12 בדצמבר 2025, https://www.researchgate.net/publication/368622594_Unobtrusive_Human_Fall_Detection_System_Using_mmWave_Radar_and_Data_Driven_Methods

29. RadMamba: Efficient Human Activity Recognition through Radar-based Micro-Doppler-Oriented Mamba State-Space Model - arXiv, נצפה ב־ 12 בדצמבר 2025, https://arxiv.org/pdf/2504.12039

30. TRANS-CNN-Based Gesture Recognition for mmWave Radar - MDPI, נצפה ב־12 בדצמבר 2025, https://www.mdpi.com/1424-8220/24/6/1800

31. Fall Direction Detection in Motion State Based on the FMCW Radar - PMC - NIH, נצפה ב־12 בדצמבר 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10255840/

32. An Effective Deep Learning Framework for Fall Detection: Model Development and Study Design, נצפה ב־12 בדצמבר 2025, https://www.jmir.org/2024/1/e56750/

33. New edge AI-enabled radar sensor and automotive audio processors from TI empower automakers to reimagine in-cabin experiences, נצפה ב־12 בדצמבר 2025, https://www.ti.com/about-ti/newsroom/news-releases/2025/2025-01-06-new-edge-ai-enabled-radar-sensor-and-automotive-audio-processors-from-ti-empower-automakers-to-reimagine-in-cabin-experiences.html

34. Infineon Serves Up New 60 GHz CMOS Radar Aimed at Low-Power IoT - News, נצפה ב־12 בדצמבר 2025, https://www.allaboutcircuits.com/news/infineon-serves-up-new-60-ghz-cmos-radar-aimed-at-low-power-iot/

35. Tensorflow Lite for Microcontrollers | Machine Learning | v2.0.0 | Silicon Labs, נצפה ב־12 בדצמבר 2025, https://docs.silabs.com/machine-learning/2.0.0/machine-learning-tensorfow-litel-for-microcontrollers/

36. TinyML: Getting Started with TensorFlow Lite for Microcontrollers - DigiKey, נצפה ב־12 בדצמבר 2025, https://www.digikey.com/en/maker/projects/tinyml-getting-started-with-tensorfolw-lite-for-microcontrollers/c0cdd850f5004b098d263400aa294023

37. Accelerated inference on Arm microcontrollers with TensorFlow Lite for Microcontrollers and CMSIS-NN, נצפה ב־12 בדצמבר 2025, https://blog.tensorflow.org/2021/02/accelerated-inference-on-arm-microcontrollers-with-tensorflow-lite.html

38. TensorFlow Lite Micro with ML acceleration, נצפה ב־12 בדצמבר 2025, https://blog.tensorflow.org/2023/02/tensorflow-lite-micro-with-ml-acceleration.html

39. Motion sensors and detectors | KEENFINITY Group I Global, נצפה ב־12 בדצמבר 2025, https://www.keenfinity-group.com/xc/en/solutions/intrusion-alarm-systems/motion-sensors-and-detectors/

40. False Alarm Reduction: The Case for 3D LiDAR in Modern Security Systems Blickfeld, נצפה ב־12 בדצמבר 2025, https://www.blickfeld.com/blog/false-alarm-reduction-with-3d-lidar/

41. FAQ-Hobacare-focusing on telecare and telehealth for seniors, נצפה ב־12 בדצמבר 2025, https://hobacare.cn/?list_9/

42. Presence Sensor FP2 FAQ - Aqara, נצפה ב־12 בדצמבר 2025, https://www.aqara.com/en/product/presence-sensor-fp2/faq/

43. Nurse Call and Emergency Call Systems | UL Solutions, נצפה ב־12 בדצמבר 2025, https://www.ul.com/news/nurse-call-and-emergency-call-systems

44. UL 1069 Ed. 8-2024 - Hospital Signaling and Nurse Call Equipment - ANSI Webstore, נצפה ב־12 בדצמבר 2025, https://webstore.ansi.org/standards/ul/ul1069ed2024

45. 60G Eldercare Radar Sensor Fall/Get Up/Presence (Dry Contact), נצפה ב־12 בדצמבר 2025, https://creatrolsensor.com/products/60506201

46. 99% Accurate Radar Fall Detection Sensor for Elderly Care | Milesight, נצפה ב־12 בדצמבר 2025, https://www.milesight.com/iot/product/lorawan-sensor/vs373

47. Nurse Call System API - developer.siemens.com, נצפה ב־12 בדצמבר 2025, https://developer.siemens.com/nurse-call-system/overview.html

48. Milesight VS373 Radar Fall Detection Sensor - The Future Of Care-Giving And More, נצפה ב־12 בדצמבר 2025, https://www.longtermcareprovider.com/doc/milesight-vs-radar-fall-detection-sensor-the-future-of-care-giving-and-more-0001

49. HIPAA vs GDPR (Differences and Similarities) - Sprinto, נצפה ב־12 בדצמבר 2025, https://sprinto.com/blog/hipaa-vs-gdpr/

50. 7 steps to comply with ISO 31700-1:2023 (standard on Privacy by Design) OneTrust, נצפה ב־12 בדצמבר 2025, https://www.onetrust.com/blog/7-steps-to-comply-with-iso-31700-12023-standard-on-privacy-by-design/

51. ISO 31700: A New Standard for Operationalising Privacy by Design - FTI Technology, נצפה ב־12 בדצמבר 2025, https://www.ftitechnology.com/resources/blog/iso-31700-a-new-standard-for-operationalising-privacy-by-design

52. ROI for a Fall Prevention Intervention: Invest a Little, Save a Lot - PubMed, נצפה ב־12 בדצמבר 2025, https://pubmed.ncbi.nlm.nih.gov/38848487/

53. Are Falls Prevention Programs Efficient? ROI Report - National Council on Aging, נצפה ב־12 בדצמבר 2025, https://www.ncoa.org/article/return-on-investment-of-evidence-based-falls-prevention-programs/

54. Master Thesis Enhancing In-home Care with mmWave Radar: A Non-intrusive Approach to Human Activity Recognition and Monitoring - Student Theses Faculty of Science and Engineering, נצפה ב־12 בדצמבר 2025, https://fse.studenttheses.ub.rug.nl/34714/1/MasterThesisMartBerends.pdf

55. Integrated Sensing and Edge AI: Realizing Intelligent Perception in 6G - arXiv, נצפה ב־12 בדצמבר 2025, https://arxiv.org/html/2501.06726v2