우리는 당신의 알몸을 보지 않고도 낙상을 감지하는 시스템을 만들었다
어느 화요일 밤, 어머니가 전화를 하셨다. 어머니 자신에 관한 이야기가 아니었다. 이웃에 사는 81세 여성에 관한 이야기였다 — 욕실에서 혼자 넘어진 채 아무도 발견하지 못한 상태로 거의 일곱 시간 동안 타일 바닥에 누워 있었던 분이었다. 그 여성은 살아남았지만, 고관절 골절로 인해 독립적인 생활은 끝나고 말았다. 그녀는 한 달 만에 요양 시설로 거처를 옮겼다.
"사람들이 그분께 카메라 시스템을 권했대." 어머니가 말씀하셨다. "그런데 그분은 욕실에서 누군가가 자신을 지켜보는 것보다는 차라리 바닥에서 죽을 위험을 감수하겠다고 하셨다더라."
그 한마디가 내 머릿속에서 무언가를 깨뜨렸다. 그것이 비합리적이어서가 아니었다 — 오히려 몇 달 만에 들은 가장 합리적인 말이었다. 한 여성이 확실한 감시보다 죽음의 위험을 선택하고 있었다. 그리고 노인 돌봄 기술 산업 전체가 그녀에게 제시할 수 있는 더 나은 대안은 없었다.
이것이 내가 Veriprajna에서 풀고자 나선 문제다. "어떻게 낙상을 감지할 것인가"가 아니다 — 그 문제는 카메라와 웨어러블로 이미 수없이 해결되었다. 진짜 문제는 더 어렵다: 삶을 살 만한 가치가 있게 만드는 그 프라이버시를 파괴하지 않으면서, 한 사람이 삶에서 가장 사적인 순간에도 안전하게 지킬 수 있는 방법은 무엇인가?
알고 보니 답은 더 나은 카메라가 아니었다. 애초에 카메라가 아니었다.
돌봄의 파놉티콘
이 위기를 보여주는 수치를 먼저 제시하겠다. 낙상은 65세 이상 성인의 부상 관련 사망 원인 1위다. 미국에서만 비치명적 낙상으로 인한 연간 의료비가 약 $50 billion에 달한다. 부상을 동반한 낙상 한 건이 요양 시설에 초래하는 의료비, 배상 책임, 늘어난 돌봄 부담을 합치면 $30,000에서 $60,000에 이른다.
하지만 나를 계속 붙잡는 통계는 재정적인 것이 아니다. 행동에 관한 것이다. 두려움— 넘어짐 그 자체가 아니라 — 노인들이 스스로 움직임을 제한하고, 사회적으로 움츠러들고, 더 빠른 속도로 신체 기능이 쇠퇴하게 만든다. 모니터링은 원래 이 악순환을 막기 위한 것이다. 그러나 모니터링은 오히려 종종 그와는 다른 형태의 악순환을 일으킨다.
연구 초기에 나는 몇 주에 걸쳐 요양 시설들을 방문했다. 한 시설에서는 한 입주자가 옷을 갈아입을 때마다 방 안의 카메라를 수건으로 덮는 모습을 지켜보았다. 직원이 들어와 그 수건을 치우면, 그녀는 다시 덮었다. 테리클로스 한 장을 둘러싼 이 조용한 싸움은 프라이버시와 안전 사이의 딜레마 전체를 축소판으로 보여주었다.
노인 돌봄 산업은 파놉티콘을 지어놓고 그것을 배려라고 불렀다. 존엄성을 대가로 얻은 안전은 안전이 아니다 — 그것은 또 다른 형태의 해악이다.
카메라는 다른 방식으로도 한계를 드러낸다. 빛이 필요하기 때문에 어둠 속에서는 작동하지 않거나, 수면을 방해하는 적외선 조명이 있어야 한다. 샤워 커튼이나 이불 너머는 볼 수 없다 — 하필 낙상이 가장 위험한 바로 그 상황들이다. 그렇다면 웨어러블 펜던트는 어떨까? 착용 순응도의 격차는 치명적이다. 인지 저하, 건망증, 혹은 손목에 기기를 착용한 채 자는 불편함 때문에, 새벽 3시에 낙상이 일어나는 순간 펜던트는 침대 옆 탁자 위에 놓여 있곤 한다.
우리에게는 근본적으로 다른 무언가가 필요했다. 감시를 더 정교하게 개선한 기술이 아니라, 애초에 물리적으로 불가능한감시를 하는 기술이 필요했다.
왜 나는 보이지 않는 전파에 회사의 명운을 걸었는가
우리 팀의 누군가가 낙상 감지에 밀리미터파 레이더를 쓰자고 처음 제안했을 때, 나는 그것이 과한 처사라고 생각했다. 레이더는 전투기가 쓰는 기술이다. 자율주행차가 200미터 밖의 차량을 추적할 때 쓰는 기술이다. 그런 기술을 12×14피트 크기의 침실에서 노인 한 명을 지켜보는 데 쓴다니, 압정 하나를 박겠다고 큰 망치를 휘두르는 격으로 느껴졌다.
그러다 물리학을 이해하고 나서, 나는 정반대라는 사실을 깨달았다 — 그것은 이 일에 필요한 정밀도를 갖춘 유일한 도구였다.
밀리미터파 레이더, 특히 60 GHz 대역의 레이더는 전자기파를 송신하고 그 반사파를 분석한다. 이미지를 포착하지 않는다. 얼굴이나 몸의 형태, 시각적으로 알아볼 수 있는 그 어떤 것도 재구성할 수 없다. 이 레이더가 할 수 있는 것은극도로 정밀하게 — 1밀리미터 이하 단위의 움직임까지 — 동작을 감지하는 것이다. 즉 호흡으로 인한 흉벽의 오르내림을 감지할 수 있다는 뜻이다. 공간을 이동하는 신체의 궤적을 추적할 수 있다. 서 있는 사람과 바닥에 누워 있는 사람을 구별할 수 있다.
그리고 이 모든 것을 벽 너머로, 완전한 어둠 속에서, 샤워 커튼 너머로, 이불 너머로도 해낸다.
내 확신을 굳혀준 우아한 물리적 특성이 하나 있다. 60 GHz 대역은 산소 흡수 스펙트럼 안에 위치하는데, 이는 신호가 거리에 따라 빠르게 감쇠하며 두꺼운 콘크리트 벽을 효과적으로 투과하지 못한다는 뜻이다. 모니터링 데이터는 물리적으로 봉쇄되어방 안에 머문다. 아무리 애써도 그것을 복도로 새어나가게 할 수는 없다. 소프트웨어 이용 약관이 아니라 물리 법칙이 강제하는 프라이버시다.
전체 기술 아키텍처 — FMCW 처프(chirp) 메커니즘, 4D 센싱 패러다임, 신호 처리 체인 — 에 관해서는 우리의 인터랙티브 백서에 자세히 썼다. 하지만 핵심 통찰은 단순하다. 4 GHz 대역폭을 가진 60 GHz에서는 약 3.75 cm의 거리 분해능을 얻는다. 이는 사람의 팔다리와 몸통을 구별하기에 충분하다. 낙상과 쪼그려 앉는 동작을 구별하기에 충분하다. 생명을 구하기에 충분하다. 얼굴을 식별하기에는 충분하지 않다.
정책이 아니라 물리학이 지키는 프라이버시.그것이 우리의 설계 원칙이 되었다.
레이더에게 낙상을 '보는' 법을 가르치려 하면 무슨 일이 벌어질까?
이 지점에서 나는 이 일이 실제로 얼마나 어려웠는지 솔직히 말해야겠다.
레이더 낙상 감지의 단순한 버전은 간단하다. 갑작스러운 하강 속도가 감지된 뒤 바닥 높이에서 움직임이 없는 상태가 이어지면 낙상으로 판단하는 것이다. 실험실에서는 이 방식이 훌륭하게 작동한다. 우리는 몇 주 만에 크래시 매트 위로의 통제된 낙상을 거의 완벽한 정확도로 감지하는 프로토타입을 완성했다.
그런 다음 우리는 그것을 실제 방에 설치했다.
첫 배치는 요양 시설 단위를 모사하기 위해 마련한 테스트 아파트에서 이루어졌다. 첫 한 시간 만에 시스템은 14건의 낙상을 감지했다고 알렸다. 그중 진짜 낙상은 하나도 없었다. 세 건은 천장 선풍기였다. 두 건은 에어컨 환기구 근처에서 흔들리는 커튼이었다. 그리고 잊을 수 없는 한 건은 동료의 골든 리트리버가 소파에서 뛰어내린 것이었다.
그 아파트에 자정에 앉아 노트북 화면의 스펙트로그램을 응시하며, 천장 선풍기가 완벽하게 반복되는 도플러 신호 패턴을 만들어내는 모습을 지켜보던 기억이 난다. 우리 모델은 그런 패턴을 무시하도록 훈련받은 적이 없었다. 함께 일하던 엔지니어가 나를 보며 말했다. "실험실 정확도는 아무 의미가 없어요."
그녀 말이 맞았다. 통제된 실험과 실제 현장 배치 사이의 간극 — 나는 이것을 "오탐의 롱테일"이라고 부르기 시작했는데 — 대부분의 에이지테크 레이더 제품이 바로 이 지점에서 실패한다. 병원에서의 오탐은 단순히 성가신 일이 아니다. 경보 피로를 만들어낸다. 간호사들이 반응을 멈춘다. 그러다 진짜 낙상이 일어나면, 아무도 오지 않는다.
AI에게 낙상과 개를 구별하는 법을 어떻게 가르칠 것인가?
우리는 오탐 문제를 여러 방면에서 동시에 공략했다.
천장 선풍기 문제를 해결하기 위해, 우리는 이른바 '마이크로파 노이즈 적응 처리'라는 것을 만들었다. 시스템은 그 방을 학습한다. 고정된 좌표 — 이를테면 천장 — 에서 높은 도플러 속도가 지속적으로 감지되면, 그 위치는 낙상 감지 로직에서 마스킹 처리된다. AI는 '천장에서의 빠른 움직임은 정상'이라는 사실을 학습하게 된다.
반려동물 문제는 더 까다롭고 더 흥미로웠다. 대형견이 가구에서 뛰어내릴 때 발생하는 도플러 신호는 사람이 넘어질 때의 신호와 불편할 정도로 비슷하다. 우리의 해법은 레이더 단면적 분석(사람은 개보다 더 많은 전자기 에너지를 반사한다)과 기하학적 분류를 결합하는 것이다. 사람의 포인트 클라우드는 대체로 수직 기둥 형태를 띤다. 개는 수평으로 퍼진 덩어리 형태다. 우리는 분류기에 명시적으로 '동물' 클래스를 추가했는데, 이는 오탐을 약 30% 줄여주기 전까지는 터무니없게 느껴지는 발상이었다.
할머니와 래브라도를 구별하지 못하는 낙상 감지 시스템은 낙상 감지 시스템이 아니다. 값비싼 소음 발생기일 뿐이다.
커튼과 바람 문제를 해결하기 위해, 우리는 설치 과정에서 구역 마스킹을 적용하고, 딥러닝 분류기가 천의 저주파 정현파 진동을 인식하도록 훈련시켰다 — 무엇을 봐야 할지 알고 나면 사람의 움직임과는 전혀 다르게 보이는 패턴이다.
아무도 이야기하지 않는 AI 아키텍처
헬스케어 AI를 다루는 대부분의 글은 모델에 초점을 맞춘다. 트랜스포머, CNN, 그럴듯한 이름이 붙은 최신 아키텍처. 하지만 모델은 전체 문제의 20% 정도에 불과하다. 나머지 80%는 그 모델에 데이터를 공급하는 신호 처리 파이프라인이며 — 그리고 이 모든 것을 512킬로바이트 RAM을 가진 칩에서 구동하기 위해 필요한 엔지니어링이다.
우리 센서가 낙상을 감지할 때 실제로 무슨 일이 일어나는지 하나씩 짚어보겠다.
원시 전자기 반사파는 아날로그 신호로 들어온다. 우리는 이를 디지털화한 뒤, 일련의 고속 푸리에 변환을 통해 '레이더 데이터 큐브'라 불리는 것을 구성한다 — 거리를 계산하기 위해 각 처프(chirp)에 대해 한 번, 속도를 계산하기 위해 처프들 사이에서 한 번, 공간 각도를 계산하기 위해 안테나들 사이에서 한 번 변환을 수행한다. 이를 통해 거리, 속도, 수평 각도, 수직 각도로 이루어진 4차원 데이터셋을 얻는다. 이 공간 안의 모든 점은 그에 대응하는 신호 강도 값을 가진다.
이 큐브로부터 우리는 두 개의 병렬 데이터 스트림을 추출한다. 첫 번째는 마이크로 도플러 스펙트로그램이다 — 본질적으로 시간에 따른 속도 지문이라 할 수 있다. 걷는 사람은 몸통은 일정하게 움직이고 팔다리는 진동하는, 뚜렷하게 구별되는 패턴을 만들어낸다. 낙상은 갑작스러운 광대역 에너지 폭발 후 정적이 이어지는 패턴을 만들어낸다. 두 번째 스트림은 3D 포인트 클라우드다 — 감지된 각 대상에 대해 속도와 신호 강도를 함께 담은 공간 좌표들의 집합이다.
바로 이 지점에서 우리의 접근 방식은 대다수 경쟁사들과 갈라진다. 우리는 두 스트림 중 하나만 고르지 않는다. 둘을 융합한다.
우리는 이른바 '듀얼 스트림 네트워크'를 만들었다. 스트림 A(스펙트로그램)는 얼마나 빠르게사물이 움직이는지를 분석한다. 스트림 B(포인트 클라우드)는 어디에사물이 공간상에 위치하는지를 분석한다. 융합 레이어가 이 둘을 결합한다.
이 방식은 우리의 가장 까다로운 분류 문제, 즉 '하드 시트(hard sit)' 문제를 해결해 주었다. 누군가 소파 위로 무겁게 주저앉을 때, 스펙트로그램상의 속도 급증 패턴은 낙상과 거의 똑같아 보인다. 그러나 포인트 클라우드는 다른 이야기를 들려준다 — 몸의 무게중심이 최종적으로 위치하는 지점이 바닥 높이가 아니라 소파 높이(약 0.5미터)라는 것이다. 스펙트로그램만 이용한 CNN 기반 접근법은 전통적인 머신러닝보다 정확도가 꾸준히 7~10% 더 높지만, 여기에 공간 스트림을 더하자 시스템이 임상 현장에 배치할 만큼 신뢰할 수 있는 수준을 넘어섰다.
CNN, PointNet, LSTM, 그리고 더 새로운 RadMamba 상태공간 모델까지 아우르는 아키텍처 비교에 대한 전체 기술적 분석은 다음을 참조하라: 우리의 연구 논문.
우리가 클라우드 사용을 거부한 이유
개발 초기, 내가 대단히 존경하는 한 자문위원이 우리가 엣지 처리를 고집하는 것은 실수라고 말했다. "그냥 레이더 데이터를 AWS로 보내세요." 그가 말했다. "원하는 어떤 모델이든 돌릴 수 있어요. 추론은 더 빠르고 더 정확할 것이고, 마이크로컨트롤러에 맞춰 최적화하는 악몽 같은 작업을 겪을 필요도 없죠."
엔지니어링의 어려움에 관해서는 그의 말이 틀리지 않았다. C674x DSP와 ARM Cortex-M4를 탑재한 시스템온칩인 텍사스 인스트루먼트 IWRL6432 위에서 딥 뉴럴 네트워크를 구동하는 것은 극도의 제약 속에서 벌이는 훈련과도 같다. 표준적인 신경망은 32비트 부동소수점 연산을 사용한다. 우리는 모든 것을 8비트 정수로 양자화해야 했고, 이를 통해 모델 크기를 4분의 1로 줄였다. 불필요한 연결들을 가지치기했다. ARM의 손으로 직접 최적화한 CMSIS-NN 어셈블리 커널을 사용해 하드웨어의 클록 사이클 하나하나까지 짜냈다.
클라우드 배치를 택했다면 없어도 될 몇 달간의 작업이었다.
하지만 제품에 관해서는 그가 틀렸다.
레이더 데이터가 방을 벗어나는 순간 — 설령 '익명화된' 레이더 데이터라 할지라도 — 프라이버시 책임 문제가 발생한다. 화장실 이용 빈도 같은 행동 패턴은 HIPAA상 보호 대상 건강정보에 해당한다. 데이터 유출은 사진을 노출시키지는 않지만, 누군가의 일상에 담긴 내밀한 세부 사항을 노출시킨다. 그리고 실용적인 관점에서 보면, 클라우드 처리는 지연 시간을 발생시킨다. 누군가 넘어졌을 때, 돌봄 제공자에게 알리기까지 지연되는 매초가 중요하다. 네트워크 장애도 중요하다. 수백 개의 방에서 오는 고주파 레이더 데이터를 스트리밍하는 데 드는 대역폭 비용도 중요하다.
우리는 모든 처리를 센서 자체에서 수행한다. 신경망 추론은 레이더를 구동하는 것과 동일한 칩 위에서 이루어진다. 이미지는 단 한 번도 생성되지 않는다. 구조화된 알림이 아니라면 그 어떤 데이터도 기기 밖으로 나가지 않는다. 이를테면 "302호: 낙상 감지(높은 신뢰도)" 같은 알림이다. 그 알림은 간호사 호출 시스템으로 전송된다. 그 외에는 아무것도, 어디로도 가지 않는다.
프라이버시 아키텍처가 물리 법칙과 하드웨어의 제약이 아니라 정책 문서에 의존한다면, 그것은 프라이버시 아키텍처가 아니다. 그것은 그저 약속일 뿐이다.
우리는 전력을 관리하기 위해 계층형 웨이크업 시스템도 구현했다. 저전력 존재 감지 처프가 지속적으로 작동한다. 큰 움직임이 감지될 때에만 전체 딥러닝 모델이 활성화된다. 이 단계적 접근 방식을 통해 배터리 수명을 며칠 단위에서 몇 달 단위로 늘릴 수 있다 — 모든 방에 새 전력선을 까는 것이 현실적으로 불가능한 시설에서는 결정적인 요소다.
레이더 센서는 1990년대식 간호사 호출 시스템과 어떻게 대화할까?
이것은 AI 업계에서 거의 아무도 생각하지 않는 질문이지만, 여러분의 기술이 실제로 현장에 배치될 수 있는지를 결정짓는 질문이다.
모든 요양 시설의 중추신경계는 병원 신호 장비 표준인 UL 1069의 규제를 받는 간호사 호출 시스템이다. 이 시스템들 대부분은 수십 년 전에 설치된 것들이다. 이들은 REST API가 아니라 무전압 접점과 릴레이 폐로 신호로 대화한다.
나는 이것을 뼈아픈 경험을 통해 배웠다. 우리는 실험실에서 아름답게 작동하는 MQTT 기반 통합 시스템을 갖추고 있었다. 깔끔한 JSON 페이로드, 실시간 대시보드, 그야말로 완벽했다. 그런데 미국 중서부의 200병상 규모 시설에 들어가 보니, 2000년대 초반에 설치된 라울랜드(Rauland) 간호사 호출 패널이 있었다. 그 패널에는 오직 한 가지, 즉 회로가 닫히는 것만을 기다리는 일련의 보조 입력 단자들이 줄지어 있었다.
그래서 우리는 센서에 광절연 솔리드스테이트 릴레이를 추가했다. 낙상이 감지되면 릴레이가 닫힌다. 간호사 호출등이 켜진다. 호출기가 울린다. 무자비할 만큼 단순하며, 기존 인프라의 약 90%와 호환된다. IT 부서가 개입할 필요도 없다. 네트워크 설정도 필요 없다. 그저 전선 두 가닥이면 된다.
IP 기반 간호사 호출 플랫폼을 갖춘 최신 시설의 경우, 우리는 MQTT나 REST를 통해 구조화된 데이터를 전송한다. 간호사는 단순히 "302호 경보"만 보는 것이 아니라 "302호: 낙상 감지" 혹은 "302호: 입주자가 4시간째 움직이지 않음"이라는 메시지를 본다. 그 두 번째 알림 — 비활동 알림 — 은 시설들이 낙상 감지보다도 더 원하는 것으로 드러났다. 이는 몇 시간마다 간호사가 문을 열고 들어가 누군가 아직 숨을 쉬고 있는지 확인하는 침해적인 관행을 대체해 준다.
그렇다면 투자수익률(ROI) 논쟁은 어떨까?
사람들은 늘 새로운 센서 인프라를 도입하는 비용에 반발한다. "카메라가 더 저렴하잖아요." 라고 말한다. 또는 "우리는 이미 펜던트 시스템이 있어요."라고 말한다.
시설 관리자들과 함께 짚어보는 계산은 이렇다. 입원이 필요한 수준의 낙상 한 건은 $30,000에서 $60,000의 비용이 든다. 근거 기반 낙상 예방 프로그램은 500%가 넘는 ROI를 입증해 왔다 — 투자한 1달러당 5달러를 절감하는 셈이다. 우리 시스템은 방 하나당 5년에 한 번 중대한 낙상을 예방하기만 해도 그 비용을 회수한다.
하지만 가장 중요한 ROI는 대차대조표 위에 있지 않다. 그것은 이 시스템이 가능하게 하는 것에 있다 — 그 너머, 즉 응급 감지를. 몇 주에 걸쳐 걸음 속도와 활동 수준을 추적함으로써, 레이더는 낙상에 앞서 나타나는 미묘한 쇠퇴를 감지할 수 있다. "존스 부인이 이번 주 들어 20% 더 느리게 걷고 있다"는 것은 개입을 가능하게 하는 선행 지표다 — 사고 이전에이루어지는 개입 말이다. 그것은 낙상 감지가 아니다. 그것은 낙상 예방이다. 그리고 이 둘 사이의 경제적 차이는 막대하다.
모든 것을 바꾸는 전환
나는 — 한 번이 아니라 여러 번, 주로 투자자들에게서 — 카메라가 결국 '프라이버시 측면에서 더 나아지지' 않겠냐는 질문을 받아왔다. 얼굴을 흐리게 처리하고, 신체를 마스킹하고, 로컬에서 처리한 뒤 삭제하면 되지 않겠냐는 것이다.
그럴 수도 있다. 하지만 그것은 여전히 기본적으로 신원을 포착하는 기술에서 출발한 뒤 그것을 나중에 차감하려는 시도일 뿐이다. 그것은 입주자에게 그 차감이 제대로 작동할 것이라고, 소프트웨어가 오작동하지 않을 것이라고, 데이터가 저장되지 않을 것이라고, 아무도 원본 영상을 보지 않을 것이라고 믿어달라고 요구하는 것과 같다.
밀리미터파 레이더는 정반대 지점에서 출발한다. 얼굴을 포착하는 것이 물리적으로 애초에 불가능하다. 유출될 원본 영상 자체가 존재하지 않는다. 실수로 꺼질 수 있는 '프라이버시 모드' 같은 것도 없다. 입주자는 우리 소프트웨어를 신뢰할 필요가 없다. 그들은 전자기 스펙트럼을 신뢰하면 된다.
그 여성 — 카메라의 확실함보다 욕실 바닥에서의 위험을 택했던, 내 어머니의 이웃 — 은 앞으로 10년 안에 같은 선택에 직면하게 될 수백만 명의 사람들을 대변한다. 전 세계 65세 이상 인구는 다른 어떤 연령대보다도 빠르게 증가하고 있다. 모니터링에 대한 수요는 앞으로 더욱 커질 수밖에 없다.
문제는 우리가 노인을 모니터링할 것인가가 아니다. 그들을 안전하게 지키면서도 그들이 인간으로서 존엄을 유지할 수 있는 방식으로 그렇게 할 것인가다.
우리는 어둠 속에서, 샤워 커튼 너머로도, 그 사람이 어떻게 생겼는지 전혀 알지 못한 채로 낙상을 감지하는 시스템을 만들었다. 그것은 우표 한 장보다도 작은 칩 위에서 구동된다. 1990년대의 간호사 호출 시스템과도, 2025년의 클라우드 대시보드와도 대화한다. 누군가 숨을 쉬고 있는지, 언제 움직임을 멈췄는지를 알아차리며, 이 모든 것을 단 한 픽셀의 영상도 만들어내지 않고 해낸다.
나는 노인 돌봄의 미래가 홍보만 그럴듯한 감시라고 생각하지 않는다. 나는 그것이 '센싱'이라고 생각한다 — 보이지 않고, 은은하게 스며들며, 존엄을 지키는 방식으로. 물리학은 이미 이를 뒷받침한다. AI는 이미 작동하고 있다. 남은 유일한 질문은 이 산업이 카메라에 손을 뻗는 것을 멈출 만한 상상력을 가지고 있는가 하는 것이다.
우리는 그렇게 했다. 그리고 나는 뒤돌아보지 않았다.
