Abbiamo creato un sistema di rilevamento cadute che non può vederti nudo

Mia madre mi chiamò un martedì sera, e non stava chiamando per parlare di sé. Stava chiamando per la sua vicina — una donna di 81 anni che era caduta nel bagno, da sola, ed era rimasta sul pavimento piastrellato per quasi sette ore prima che qualcuno la trovasse. La donna sopravvisse, ma la frattura dell'anca pose fine alla sua indipendenza. Si trasferì in una struttura per anziani entro il mese.

"Le hanno offerto uno di quei sistemi di telecamere", mi ha detto mia madre. "Ha detto che preferirebbe rischiare di morire sul pavimento piuttosto che avere qualcuno che la osserva in bagno".

Quella frase mi ha spalancato qualcosa nella mente. Non perché fosse irrazionale — era la cosa più razionale che avessi sentito da mesi. Ecco una donna che sceglieva il rischio della morte piuttosto che la certezza della sorveglianza. E l'intero settore della tecnologia per l'assistenza agli anziani non aveva nulla di meglio da offrirle.

Questo è il problema che mi sono proposto di risolvere in Veriprajna. Non "come rileviamo le cadute" — è stato risolto una dozzina di volte con telecamere e dispositivi indossabili. Il problema reale è più difficile: come si fa a tenere qualcuno al sicuro nei momenti più privati della propria vita senza distruggere la privacy che rende la vita degna di essere vissuta?

La risposta, si scopre, non è una telecamera migliore. Non è affatto una telecamera.

Il Panopticon della cura

Lasciatemi fornire i numeri che inquadrano questa crisi. Le cadute sono la principale causa di morte per lesioni tra gli adulti over 65. Solo negli Stati Uniti, il costo sanitario annuo delle cadute non fatali raggiunge circa 50 miliardi di dollari. Una singola caduta con lesioni costa a una struttura di assistenza tra i 30.000 e i 60.000 dollari in spese mediche, responsabilità civile e maggiori esigenze assistenziali.

Ma la statistica che mi perseguita non è finanziaria. È comportamentale. La paura di cadere — non la caduta in sé — spinge le persone anziane a limitare i propri movimenti, a isolarsi socialmente e a peggiorare fisicamente a un ritmo accelerato. Il monitoraggio dovrebbe prevenire questa spirale. Invece, il monitoraggio spesso provoca una versione diversa di essa.

Ho trascorso settimane a visitare strutture per anziani agli inizi della nostra ricerca. In una di esse, ho visto una residente coprire la telecamera della sua stanza con un asciugamano ogni volta che si cambiava d'abito. Il personale entrava e toglieva l'asciugamano. Lei lo rimetteva. Questa guerra silenziosa per un pezzo di spugna era l'intero dilemma tra privacy e sicurezza in miniatura.

Il settore delle strutture per anziani ha costruito un Panopticon e lo ha chiamato compassione. La sicurezza acquistata al prezzo della dignità non è sicurezza — è un altro tipo di danno.

Le telecamere falliscono anche in altri modi. Hanno bisogno di luce, quindi o non funzionano al buio o richiedono un'illuminazione a infrarossi che disturba il sonno. Non riescono a vedere attraverso tende da doccia o coperte — esattamente le situazioni in cui le cadute sono più pericolose. E i ciondoli indossabili? Il divario di aderenza è devastante. Il declino cognitivo, la dimenticanza, o semplicemente il fastidio di dormire con un dispositivo al polso, fanno sì che il ciondolo resti sul comodino quando la caduta avviene alle 3 del mattino.

Avevamo bisogno di qualcosa di fondamentalmente diverso. Non una versione migliore della sorveglianza, ma una tecnologia che fosse fisicamente incapace di sorveglianza.

Perché ho scommesso l'azienda sulle onde invisibili

La prima volta che qualcuno del mio team suggerì il radar a onde millimetriche per il rilevamento delle cadute, pensai che fosse eccessivo. Il radar è ciò che usano i caccia. È ciò che usano le auto a guida autonoma per tracciare i veicoli a 200 metri di distanza. Usarlo per monitorare una persona anziana in una camera da letto di circa 3,7 per 4,3 metri sembrava usare una mazza per schiacciare una puntina da disegno.

Poi ho capito la fisica, e ho realizzato che era l'esatto contrario — era l'unico strumento abbastanza preciso per questo compito.

Il radar mmWave, in particolare a 60 GHz, trasmette onde elettromagnetiche e ne analizza i riflessi. Non cattura immagini. Non può ricostruire un volto, una forma del corpo, o qualsiasi cosa visivamente riconoscibile. Ciò che può fare è rilevare il movimento con una precisione straordinaria — fino a spostamenti sub-millimetrici. Questo significa che può rilevare il sollevamento e l'abbassamento della parete toracica dovuti alla respirazione. Può tracciare la traiettoria di un corpo che si muove nello spazio. Può distinguere una persona in piedi da una persona sdraiata sul pavimento.

E fa tutto questo attraverso i muri, nell'oscurità totale, attraverso le tende da doccia, attraverso le coperte.

C'è un'elegante proprietà fisica che ha sigillato la mia convinzione. La banda dei 60 GHz si trova all'interno dello spettro di assorbimento dell'ossigeno, il che significa che i segnali si attenuano rapidamente con la distanza e non penetrano efficacemente i muri spessi in cemento. I dati di monitoraggio sono fisicamente contenuti all'interno della stanza. Non si potrebbero far trapelare nel corridoio nemmeno provandoci. Privacy garantita dalle leggi della fisica, non dalle clausole di un contratto software.

Ho scritto dell'intera architettura tecnica — la meccanica dei chirp FMCW, il paradigma di rilevamento 4D, la catena di elaborazione del segnale — in il nostro whitepaper interattivo. Ma l'intuizione centrale è semplice: a 60 GHz con 4 GHz di larghezza di banda, si ottiene una risoluzione di distanza di circa 3,75 cm. Sufficiente per distinguere gli arti di una persona dal busto. Sufficiente per distinguere una caduta da un accovacciamento. Sufficiente per salvare una vita. Non sufficiente per identificare un volto.

Privacy garantita dalla fisica, non da una policy. Questo è diventato il nostro principio di progettazione.

Cosa succede quando si cerca di insegnare al radar a vedere una caduta?

Qui devo essere onesto su quanto sia stato davvero difficile.

La versione ingenua del rilevamento delle cadute tramite radar è semplice: rilevare un'improvvisa velocità verso il basso seguita dall'assenza di movimento a livello del suolo. In laboratorio, funziona magnificamente. Avevamo un prototipo funzionante nel giro di poche settimane, in grado di rilevare una caduta controllata su un materasso di protezione con precisione quasi perfetta.

Poi lo abbiamo messo in una stanza reale.

La prima installazione fu in un appartamento di prova che avevamo allestito per simulare un'unità di una struttura per anziani. Nella prima ora, il sistema segnalò 14 cadute. Nessuna era reale. Tre erano il ventilatore a soffitto. Due erano tende che si muovevano vicino alla bocchetta dell'aria condizionata. Una, memorabilmente, era il golden retriever di un mio collega che saltava giù dal divano.

Ricordo di essere seduto in quell'appartamento a mezzanotte, fissando lo spettrogramma sul mio portatile, osservando il ventilatore a soffitto creare una firma Doppler perfetta e ripetuta che il nostro modello non era mai stato addestrato a ignorare. La mia collega ingegnere mi guardò e disse: "La precisione in laboratorio non significa nulla".

Aveva ragione. Il divario tra esperimenti controllati e implementazione nel mondo reale — quello che ho iniziato a chiamare la "lunga coda dei falsi allarmi" — è dove muoiono la maggior parte dei prodotti radar AgeTech. Un falso allarme in ospedale non è solo fastidioso. Crea affaticamento da allarme. Gli infermieri smettono di rispondere. E poi avviene la caduta vera, e non arriva nessuno.

Come si insegna all'IA la differenza tra una caduta e un cane?

Abbiamo attaccato il problema dei falsi allarmi su più fronti contemporaneamente.

Per il ventilatore a soffitto, abbiamo costruito quello che chiamiamo elaborazione adattiva del rumore a microonde. Il sistema impara la stanza. Se una velocità Doppler elevata viene rilevata costantemente in una coordinata fissa — ad esempio, il soffitto — quella posizione viene mascherata dalla logica di rilevamento delle cadute. L'IA impara che "il movimento rapido sul soffitto è normale".

Il problema degli animali domestici era più insidioso e più interessante. Un cane di grossa taglia che salta giù da un mobile genera una firma Doppler scomodamente simile a quella di un essere umano che cade. La nostra soluzione combina l'analisi della sezione radar equivalente (gli esseri umani riflettono più energia elettromagnetica dei cani) con la classificazione geometrica. Una nuvola di punti umana è tipicamente una colonna verticale. Un cane è una macchia orizzontale. Abbiamo aggiunto una classe esplicita "Animale" al nostro classificatore, il che sembrava assurdo finché non ha eliminato circa il 30% dei nostri falsi positivi.

Un sistema di rilevamento delle cadute che non sa distinguere tra vostra nonna e il vostro labrador non è un sistema di rilevamento delle cadute. È una costosa macchina generatrice di rumore.

Per le tende e le correnti d'aria, abbiamo implementato il mascheramento delle zone durante l'installazione e addestrato il classificatore di deep learning a riconoscere l'oscillazione sinusoidale a bassa frequenza del tessuto — che non assomiglia affatto al movimento umano, una volta che si sa cosa cercare.

L'architettura IA di cui nessuno parla

La maggior parte degli articoli sull'IA in ambito sanitario si concentra sul modello. Il transformer, la CNN, l'ultima architettura con un nome accattivante. Ma il modello rappresenta forse il 20% del problema. L'altro 80% è la pipeline di elaborazione del segnale che alimenta il modello — e l'ingegneria necessaria per far girare tutto su un chip con 512 kilobyte di RAM.

Lasciatemi spiegare passo per passo cosa succede realmente quando il nostro sensore rileva una caduta.

I riflessi elettromagnetici grezzi arrivano come segnali analogici. Li digitalizziamo e costruiamo quello che viene chiamato un Radar Data Cube attraverso una serie di Trasformate di Fourier Veloci — una su ciascun chirp per risolvere la distanza, una attraverso i chirp per risolvere la velocità, una attraverso le antenne per risolvere l'angolo spaziale. Questo ci fornisce un dataset 4D: distanza, velocità, angolo orizzontale e angolo verticale. Ogni punto in questo spazio ha un'intensità di potenza associata.

Da questo cubo, estraiamo due flussi di dati paralleli. Il primo è uno spettrogramma micro-Doppler — essenzialmente un'impronta di velocità nel tempo. Una persona che cammina crea un modello distintivo: movimento costante del busto con firme oscillanti degli arti. Una caduta crea un'improvvisa esplosione di energia a banda larga seguita dal silenzio. Il secondo flusso è una nuvola di punti 3D — un insieme di coordinate spaziali con velocità e intensità del segnale per ciascun obiettivo rilevato.

Qui è dove il nostro approccio diverge dalla maggior parte dei concorrenti. Non scegliamo un solo flusso. Li fondiamo.

Abbiamo costruito quella che chiamiamo una Dual-Stream Network. Il flusso A (lo spettrogramma) analizza quanto velocemente si muovono le cose. Il flusso B (la nuvola di punti) analizza dove si trovano le cose nello spazio. Uno strato di fusione combina entrambi.

Questo ha risolto il nostro problema di classificazione più difficile: il "seduta brusca". Quando qualcuno si lascia cadere pesantemente su un divano, il picco di velocità appare quasi identico a una caduta sullo spettrogramma. Ma la nuvola di punti racconta una storia diversa — la posizione finale del centroide del corpo è all'altezza del divano (circa mezzo metro), non a livello del pavimento. Gli approcci basati su CNN sugli spettrogrammi da soli superano costantemente il machine learning classico del 7-10% in precisione, ma l'aggiunta del flusso spaziale ci ha spinto oltre la soglia in cui il sistema è diventato abbastanza affidabile per l'implementazione clinica.

Per l'analisi tecnica completa dei nostri confronti architetturali — CNN, PointNet, LSTM, e i più recenti modelli state-space RadMamba — vedere il nostro paper di ricerca.

Perché ci siamo rifiutati di usare il cloud

All'inizio dello sviluppo, un consulente — qualcuno che rispetto enormemente — mi disse che stavamo commettendo un errore insistendo sull'elaborazione edge. "Manda semplicemente i dati radar ad AWS", disse. "Puoi far girare qualsiasi modello tu voglia. L'inferenza sarà più veloce, più accurata, e non dovrai affrontare l'incubo dell'ottimizzazione per i microcontrollori".

Non aveva torto sulla difficoltà ingegneristica. Far girare una rete neurale profonda su un Texas Instruments IWRL6432 — un system-on-chip con un DSP C674x e un ARM Cortex-M4 — è un esercizio di vincoli estremi. Le reti neurali standard usano matematica a virgola mobile a 32 bit. Abbiamo dovuto quantizzare tutto fino a interi a 8 bit, il che riduce la dimensione del modello di 4 volte. Abbiamo eliminato le connessioni ridondanti. Abbiamo usato i kernel assembly CMSIS-NN ottimizzati a mano da ARM per spremere ogni ciclo di clock dall'hardware.

Sono stati mesi di lavoro che un'implementazione cloud avrebbe eliminato.

Ma si sbagliava sul prodotto.

Nel momento in cui i dati radar lasciano la stanza — anche dati radar "anonimi" — si crea una responsabilità in materia di privacy. Modelli comportamentali come la frequenza di utilizzo del bagno costituiscono informazioni sanitarie protette ai sensi dell'HIPAA. Una violazione dei dati non espone una fotografia, ma espone dettagli intimi della vita quotidiana di una persona. E da un punto di vista pratico, l'elaborazione cloud introduce latenza. Quando qualcuno cade, ogni secondo di ritardo nell'avvisare un caregiver conta. I guasti di rete contano. I costi di banda per lo streaming di dati radar ad alta frequenza da centinaia di stanze contano.

Elaboriamo tutto direttamente sul sensore. L'inferenza della rete neurale avviene sullo stesso chip che gestisce il radar. Non viene mai creata alcuna immagine. Nessun dato lascia il dispositivo, a meno che non si tratti di un avviso strutturato: "Stanza 302: Caduta rilevata (Alta affidabilità)". Quell'avviso va al sistema di chiamata infermieri. Nient'altro va da nessuna parte.

Se la vostra architettura della privacy dipende da un documento di policy invece che dalle leggi della fisica e dai vincoli dell'hardware, non avete un'architettura della privacy. Avete una promessa.

Abbiamo anche implementato un sistema di attivazione gerarchico per gestire l'energia. Un chirp di rilevamento della presenza a basso consumo funziona continuamente. Solo quando viene rilevato un movimento grossolano si attiva il modello completo di deep learning. Questo approccio a cascata può estendere la durata della batteria da giorni a mesi — fondamentale per le strutture in cui non è possibile far arrivare nuove linee elettriche in ogni stanza.

Come fa un sensore radar a comunicare con un sistema di chiamata infermieri degli anni '90?

Questa è la domanda a cui quasi nessuno nel mondo dell'IA pensa, ed è la domanda che determina se la vostra tecnologia venga effettivamente implementata.

Il sistema nervoso centrale di ogni struttura di assistenza è il sistema di chiamata infermieri, disciplinato dallo standard UL 1069 — lo standard per le apparecchiature di segnalazione ospedaliera. La maggior parte di questi sistemi è stata installata decenni fa. Parlano il linguaggio dei contatti a secco e delle chiusure di relè, non delle API REST.

L'ho imparato a mie spese. Avevamo una splendida integrazione basata su MQTT funzionante nel nostro laboratorio. Payload JSON puliti, dashboard in tempo reale, tutto perfetto. Poi siamo entrati in una struttura da 200 posti letto nel Midwest e abbiamo visto il loro pannello di chiamata infermieri Rauland dei primi anni 2000. Aveva una fila di ingressi ausiliari che si aspettavano una sola cosa: un circuito da chiudere.

Così abbiamo aggiunto al nostro sensore un relè a stato solido opto-isolato. Quando viene rilevata una caduta, il relè si chiude. La luce di chiamata infermieri si accende. Il cercapersone suona. È brutalmente semplice, ed è compatibile con circa il 90% dell'infrastruttura esistente. Nessun coinvolgimento del reparto IT. Nessuna configurazione di rete. Solo due fili.

Per le strutture più recenti con piattaforme di chiamata infermieri basate su IP, inviamo dati strutturati tramite MQTT o REST. L'infermiera non vede solo "Allarme stanza 302" — vede "Stanza 302: Caduta rilevata" oppure "Stanza 302: Il residente non si muove da 4 ore". Quel secondo avviso — l'avviso di inattività — si è rivelato qualcosa che le strutture desideravano ancora più del rilevamento delle cadute. Sostituisce la pratica invasiva degli infermieri che aprono le porte ogni poche ore solo per controllare se qualcuno respira ancora.

E l'argomento del ROI?

Le persone obiettano sempre sul costo dell'implementazione di una nuova infrastruttura di sensori. "Le telecamere costano meno", dicono. Oppure: "Abbiamo già sistemi a ciondolo".

Ecco il calcolo che illustro agli amministratori delle strutture. Una singola caduta che richiede ospedalizzazione costa da 30.000 a 60.000 dollari. I programmi di prevenzione delle cadute basati sull'evidenza hanno dimostrato un ROI superiore al 500% — cinque dollari risparmiati per ogni dollaro investito. Il nostro sistema si ripaga da sé se previene una caduta grave ogni cinque anni per stanza.

Ma il ROI che conta di più non è nel bilancio. È in ciò che il sistema consente, al di là del rilevamento delle emergenze. Monitorando la velocità dell'andatura e i livelli di attività nel corso delle settimane, il radar può rilevare il sottile declino che precede una caduta. "La signora Jones questa settimana cammina il 20% più lentamente" è un indicatore anticipatore che consente l'intervento prima dell'incidente. Questo non è rilevamento delle cadute. Questa è prevenzione delle cadute. E la differenza economica tra le due è enorme.

Il cambiamento che cambia tutto

Mi è stato chiesto — più di una volta, di solito da investitori — se le telecamere semplicemente "miglioreranno sul fronte della privacy". Sfocare il volto. Mascherare il corpo. Elaborare localmente ed eliminare.

Forse. Ma si parte comunque da una tecnologia che cattura l'identità per impostazione predefinita e poi si cerca di sottrarla. Si chiede al residente di fidarsi che la sottrazione funzioni, che il software non abbia malfunzionamenti, che i dati non vengano archiviati, che nessuno vedrà mai il flusso grezzo.

Il radar mmWave parte dalla posizione opposta. È fisicamente incapace di catturare un volto. Non c'è alcun flusso grezzo che possa trapelare. Non c'è alcuna "modalità privacy" da disattivare accidentalmente. Il residente non ha bisogno di fidarsi del nostro software. Può fidarsi dello spettro elettromagnetico.

Quella donna — la vicina di mia madre, quella che ha scelto il rischio del pavimento del bagno piuttosto che la certezza di una telecamera — rappresenta milioni di persone che affronteranno la stessa scelta nel prossimo decennio. La popolazione mondiale over 65 sta crescendo più velocemente di qualsiasi altra fascia d'età. La domanda di monitoraggio non potrà che intensificarsi.

La domanda non è se monitoreremo gli anziani. È se lo faremo in un modo che permetta loro di rimanere umani mentre li teniamo al sicuro.

Abbiamo costruito un sistema che rileva una caduta al buio, attraverso una tenda da doccia, senza mai sapere che aspetto abbia la persona. Funziona su un chip più piccolo di un francobollo. Comunica con sistemi di chiamata infermieri degli anni '90 e con dashboard cloud del 2025. Sa quando qualcuno respira e quando ha smesso di muoversi, e fa tutto questo senza creare un singolo pixel di immagine.

Non credo che il futuro dell'assistenza agli anziani sia la sorveglianza con una migliore immagine pubblica. Credo che sia il sensing — invisibile, ambientale, dignitoso. La fisica lo supporta già. L'IA funziona già. L'unica domanda che resta è se il settore abbia l'immaginazione per smettere di ricorrere alla telecamera.

Noi lo abbiamo fatto. E non ho più guardato indietro.