你家的Wi-Fi路由器就能检测到跌倒——为什么这比任何智能手表都重要

我母亲每个星期天都会给我打电话。几个月前，她像是顺带一提地说，我祖母已经不再戴她的医疗警报吊坠了。“这让她觉得自己老了，”母亲说这话时带着一种特殊的疲惫——那是与人为此争论过无数次之后才有的疲惫。

我祖母今年83岁，独自生活。那个吊坠本应是她的安全网——按一下按钮就能求助。可如今它躺在抽屉里，旁边是一根她怎么也弄不明白的充电线，还有一本没人读过的快速入门指南。市面上最先进的个人紧急呼救设备，如今却形同一块镇纸。

那次谈话让我在Veriprajna已经思索良久的一个想法变得清晰起来。当时我们正深入研究信道状态信息(Channel State Information)——隐藏在每一个Wi-Fi信号内部的复杂数据层——而我脑海中反复出现同一个令人不安的问题：如果整个可穿戴健康监测行业一直在解决一个错误的问题呢？

不是传感器的问题，也不是电池的问题，而是一个人的问题。

我祖母拒绝佩戴的那款设备，跌倒检测算法非常出色，电池能撑48小时，还有IP68级防水。但这些都不重要，因为它需要一位患有关节炎的83岁老人每天都主动配合这件科技产品。研究数据印证了我祖母用她的固执所证明的事：大约30%的用户会在六个月内放弃使用健康追踪设备。而在个人紧急呼救吊坠的用户中，只有14%真正做到了全天24小时佩戴。

最有效的健康监测设备，并不是传感器最好的那一款，而是完全不需要任何交互的那一款。而它很可能已经就在你的客厅里，就在调制解调器旁静静地闪着灯。

淋浴悖论

有一个统计数据应该让每一个从事医疗科技的人感到不安：浴室是老年人家中最危险的房间，而它恰恰也是可穿戴设备最容易被摘下的地方。

在我们梳理主动监测系统的失效模式时，我开始把这种现象称为“淋浴悖论”。尽管现代智能手表都具备IP67或IP68级防水等级，老年人在洗澡前依然习惯性地把它摘下来。这是因为他们一辈子的经验都告诉他们，电子产品经不起一点水溅。也因为害怕损坏昂贵的物件。还因为潮湿的表带贴在脆弱的皮肤上很不舒服。这些理由都很平常，也完全合乎情理。

于是，恰恰在跌倒最可能发生的那段时间里，用户处于无人监测的状态。湿滑的瓷砖、坚硬的瓷器边缘、蒸汽遮蔽视线——而设备就搁在洗手台上，电充得满满的，却毫无用处。

早年我向一位投资人提出这个问题时，他耸耸肩说：“那就做一个他们摘不下来的防水吊坠。”我记得当时坐在那场会议里心想：你是想把一位83岁的老人铐在传感器上。那不是解决方案，那是一种束缚。

问题的关键不在于如何让人们愿意佩戴监测设备，而在于如何让监测本身变得无形。

如果你家的墙壁能“听见”你的呼吸呢？

不是靠麦克风，而是靠无线电波。

你家里的每一台Wi-Fi路由器，都在不断发射射频信号，这些信号会从墙壁、家具——以及最关键的，人身上——反射回来。这些信号携带着一种叫做信道状态信息(Channel State Information，简称CSI)的数据。与手机屏幕上那种粗略的信号强度指示(也就是我们熟悉的那几格信号条)不同，CSI描述的是无线信号如何在数十甚至数百个独立频率子载波上传播，并记录每一个子载波的振幅和相位。它本质上是对物理环境的一种高分辨率电磁指纹。

当一个人在这个环境中移动时，就会扰动这枚指纹。走过一个房间，反射信号中的多普勒频移就会形成一种独特的速度模式。走路时摆动手臂，CSI就会捕捉到四肢时而靠近、时而远离接收器所产生的复杂相互作用。

但当我第一次看到这些数据时，真正让我震惊的是：你根本不需要走动。你只需要呼吸就够了。

在5 GHz频段下，Wi-Fi信号的波长大约是6厘米。人的胸壁在正常呼吸时，起伏幅度大约是4到12毫米——只占波长的一小部分，但已经足够了。随着胸腔的扩张与收缩，反射信号会在相长干涉与相消干涉之间来回切换，在CSI的相位数据中形成一种有节律的振荡。我们可以从这种振荡中重建出呼吸波形，其精度可媲美医用级呼吸带——实验评估显示，呼吸速率估计误差低于每分钟3.2次，深度学习模型与参考胸带的相关系数更是超过0.92。

我记得那天晚上，我们团队第一次从一台普通消费级Wi-Fi路由器中提取出一段干净的呼吸信号。当时已经很晚了——早过了午夜——我的一位工程师在测试场地的沙发上躺了二十分钟，我们则一直在调试预处理流程。当那条波形出现在屏幕上时，平滑而有节律，精确地追踪着他的呼吸，整个房间一下子安静了下来。然后有人说：“他其实已经睡着了。”而我们真的能看出来——不是靠摄像头，也不是靠胸带，而是隔着一堵墙，通过无线电波，从一台30美元的路由器里看出来的。

就是在那一刻，我意识到我们所做的不是一次渐进式的改良，而是在构建一套完全不同的范式。

为什么不能直接用GPT来做这件事？

我经常被问到这个问题，通常是那些过去两年里看着大语言模型不断展现惊人能力、并因此合理地认为“AI”就等于“丢给一个用互联网文本训练出来的Transformer”的人。

CSI数据不是文本，甚至和文本毫无相似之处。它是连续的、复数值的、高维的，受麦克斯韦方程组支配，而不是语法规则。大语言模型无法“读懂”一段5 GHz的波形，就像它无法尝出柠檬的味道一样。这两种架构从根本上就是不匹配的。

这也是为什么，当我看到一些公司把不过是通用模型外面套了一层API的产品包装成“AI驱动”的健康监测时，会感到很沮丧。在Veriprajna，我们构建的是专为时序信号处理量身定制的深度神经网络。这种区别至关重要——它是“演示环境里能跑起来的系统”和“凌晨三点某人祖母在浴室跌倒时也能真正起作用的系统”之间的区别。

我们的架构协同使用三种类型的神经网络，各自负责处理信号的不同方面：

卷积神经网络(CNN)把CSI数据矩阵——即子载波随时间变化的图谱——当作一种图像来处理。CNN学习不同频率之间的空间相关性，从而分辨出跌倒的频谱“形状”与旋转天花板吊扇的形状之间的差异。长短期记忆网络(LSTM)则加入时间维度上的上下文。跌倒不是一个孤立的瞬间，而是一个序列——站立、失去平衡、向下加速、撞击、静止。LSTM会记住之前发生了什么，这正是我们区分“有人跌倒”和“有人一屁股坐到沙发上”的方式。而双分支Transformer则通过两条独立的通路同时处理振幅数据和相位数据，并用一种注意力机制将二者融合，动态地优先采用信息量更大的那一路数据流。在睡眠期间，模型更依赖承载呼吸信号的相位数据；在活动期间，则转向依赖振幅数据。

关于完整的技术架构——预处理流程、域自适应方法、菲涅尔区的物理原理——我曾详细撰文介绍，发表于我们的详细研究论文中。简而言之：这不是一个靠预训练模型加一个周末的黑客松就能解决的问题。仅信号处理环节，在神经网络接触到数据之前，就需要经过相位解缠、汉佩尔滤波和主成分分析。

大语言模型无法“读懂”一段5 GHz的波形。健康AI领域最危险的，从来不是糟糕的算法，而是给浅薄技术套上出色营销的外衣。

Wi-Fi感知究竟是如何检测跌倒的？

跌倒在射频域中有着一种出人意料鲜明的运动学特征。不同的活动会产生不同的多普勒模式——也就是信号从移动物体上反射回来时所发生的频率偏移。

行走会产生一种复杂的振荡模式，因为手臂和腿会一会儿朝接收器摆动、一会儿又摆离。坐下则会产生一段短暂而受控的向下速度变化。但跌倒呢？跌倒会呈现出一个特定的序列：不规则运动(失去平衡)、朝地面的快速加速(重力在起作用)、一次剧烈的能量突增(撞击)，然后——关键的一点——几乎完全静止。

而那种静止，才是最要命的地方。我们称之为“长时卧地”，它往往比跌倒本身更危险。一位老人躺在地板上数小时无法起身，将面临横纹肌溶解、脱水、压疮的风险。跌倒会摔断髋骨，而长时卧地却可能致命。

我们的系统不仅仅是检测跌倒事件本身——其跌倒检测灵敏度超过97%——还会在事件发生后持续监测。如果CSI显示地面高度上没有大幅动作，却持续存在微动(呼吸)，系统就会判定为“跌倒后无法自行恢复”，并发出升级警报。这种跌倒后的情境信息，是可穿戴加速度计从根本上无法提供的。一台可穿戴设备只能告诉你它检测到了一次突然减速，却无法告诉你这个人此刻正躺在浴室地板上，呼吸着却动弹不得，已经四十分钟了。

还有一个层面让我更加兴奋：跌倒前预测。通过连续数周监测步态——步行速度、步伐一致性——系统能够识别出那些通常预示跌倒即将发生的细微行动能力衰退。步行速度的逐渐减慢，是经过临床验证的跌倒风险预测指标。这意味着，我们可以在事故发生之前，就为其安排预防性物理治疗，而不仅仅是在事后才作出响应。

无需眼睛也能“看见”的房间

我曾和一位同事就隐私问题争论过，断断续续持续了大约三个星期。

他的观点是：任何在家中监控人的系统，都是监视，没有任何例外。我的观点是，这完全取决于什么才是这套系统真正能够“看到”的东西。

卧室里的摄像头会记录下一个人的身体、面容、私密时刻。一旦影像流被黑客攻破，造成的损害将是灾难性且不可逆的。而CSI数据——Wi-Fi感知的原始素材——由代表信号传播特性的复数构成。就算你截获了这条数据流，看到的也不过是振幅和相位值组成的矩阵。你看不到脸，也看不到身体，就算想重建出一幅图像也做不到。这套系统本质上就是视觉盲的，这是设计使然。

Wi-Fi感知并不“看”人，它感知的是人在电磁场中造成的扰动。这种区别不只是措辞上的——它是“监视”与“感知”之间实质性的区别。

这一点对浴室问题而言极为重要。在大多数护理机构中，浴室和卧室理所当然地禁止安装摄像头。但Wi-Fi信号能够穿透墙壁、房门和浴帘，能在蒸汽中正常工作，也能在完全黑暗中正常工作。家中最危险的那个房间，如今无需任何一个镜头对准任何人，就能被纳入监测范围。

对于企业客户——养老院、辅助生活机构、居家医院项目——这里面的监管影响十分重大。根据GDPR，CSI因为理论上可以通过步态模式识别个人身份，被归类为生物特征数据；根据HIPAA，由监测所衍生出的健康数据属于受保护的健康信息。我们通过严格的边缘处理来应对这一点：原始CSI数据在路由器或网关本地进行处理，高带宽的生物特征信号永远不会离开设备，只有经过抽象化的事件会被传输到云端。一条形如{"event": "Fall", "location": "Bathroom", "confidence": 0.98}的JSON数据包，不包含任何生物特征数据，也无法被反向推导出任何人的生理特征。

关于完整的隐私架构与合规框架，我在我们白皮书的交互版本中做了详细探讨。

不同房间、不同住宅怎么办？

这是我最认真对待的一种质疑，因为多年来，它一直是扼杀Wi-Fi感知研究的一个实实在在的“杀手”。

在A实验室采集的CSI数据上训练出的模型，一旦部署到B公寓，就会彻底失灵。不同的房间尺寸、不同的家具、不同的墙体材料——多径环境的改变会让一切都变得不同。这个模型学到的并不是“跌倒是什么样子”，而是“在这个特定房间、这个特定沙发、这个特定角落里，跌倒是什么样子”——它只是对某一个空间的反射特征过拟合了。

我的团队亲身经历过一段确实很痛苦的时期才发现了这一点。我们在测试环境中得到过非常漂亮的准确率数据——跌倒检测超过98%——可当我们把设备搬到同一栋楼的另一层楼后，眼看着这些数字直线崩溃。我记得自己盯着混淆矩阵，以为是哪里接线接错了。其实没有。模型只是把那个房间死记硬背了下来。

解决方案来自一种被称为“域对抗神经网络”(Domain Adversarial Neural Networks)的对抗训练方法。这个想法在原理上非常优雅，实现起来却令人抓狂：你要同时用两个相互竞争的目标来训练网络。一个分支负责正确分类具体活动——跌倒、行走还是坐下；另一个分支则试图判断这些数据究竟来自哪个环境。然后，你要强迫特征提取器去迷惑这个环境分类器。这样一来，网络就被迫去学习那些与房间无关的不变特征——也就是无论发生在单间公寓还是养老院走廊，看起来都一样的跌倒特征的“柏拉图式理想形态”。

当我们终于把这套方法跑通——经过数周的超参数调优，以及不止一次关于梯度反转层的深夜争论之后——跨环境的准确率终于稳定了下来。不算完美，但已经可以投入部署。“训练一次，处处可用”，从一个愿景变成了工程上的现实。

零硬件改造

对于我接触过的那些运营方——运营辅助生活机构的人、为跌倒风险建模的保险精算师、居家医院项目的负责人——真正打动他们的从来不是AI本身，而是背后的经济账。

这些机构本来就已经拥有企业级Wi-Fi网络，走廊里早就装着路由器，公共区域也早就布有接入点。感知能力，其实就蕴藏在这些设备本已在发射的信号里。只要配上合适的芯片组——比如高通(Qualcomm)搭载了Hexagon NPU的Networking Pro系列、博通(Broadcom)搭载BroadStream遥测引擎的Wi-Fi 7与Wi-Fi 8平台，甚至是作为专用感知节点部署的、单价仅5美元的ESP32微控制器——这次升级本质上就是一次软件升级。

不需要购买、丢失、充电或更换任何可穿戴设备，也不需要安装、维护摄像头，更不用在隐私诉讼中为它辩护。一次固件更新，就能让100个房间同时具备跌倒检测能力。

IEEE正在通过802.11bf，这一预计将在2024年末/2025年获得批准的WLAN感知标准，将这一切正式确立下来。一旦该标准落地，每一台新出厂的Wi-Fi路由器都将原生支持CSI提取与感知请求。路由器将变成一台标准化的雷达。基础设施早已具备，我们只是一直没有加以利用。

有人有时会问我，被动式Wi-Fi感知是否会完全取代可穿戴设备。我不这么认为——至少对于那些活跃、爱运动的人群而言不会，他们能从运动时的心率监测或户外活动时的GPS追踪中真正受益。对于65到75岁这批数字素养高、身体活跃的“低龄老人”来说，可穿戴设备确实有其真正的用武之地。但对于一位患有痴呆症、连给吊坠充电都记不住的85岁老人呢？对于一位在家康复、需要持续呼吸监测的术后患者呢？对于一位想在每个房间都不装摄像头的前提下提供全天候安全保障的机构运营者呢？答案不是一款更好的可穿戴设备，而是根本不需要任何可穿戴设备。

还有人问起宠物的问题——狗会不会触发误报？一只15磅重的㹴犬和一位80岁老人的多普勒特征，无论在速度曲线还是身体截面上都截然不同，神经网络能很快学会区分这一点。猫则要棘手一些，但LSTM所提供的时间上下文——也就是动作的序列而非单一的一帧画面——能够处理绝大多数边缘情况。

空气中早已充满了信息

在做这项技术的时候，我常常想起我的祖母。她不是路演PPT里的一个用例或人物画像，而是一个真实的人——她只是想住在自己家里，按照自己的生活习惯过日子，而不必在脖子上挂一块塑料吊牌，向每一个来访者宣告她的脆弱。

她公寓里的空气，早已被Wi-Fi信号填满。这些信号穿透她的墙壁，从她的家具上反射回来，随着她每一次呼吸而泛起涟漪。而此刻，这些信息大多白白消散、无人利用——只是一片看不见、也无人理会的电磁噪声。

我们已经拥有解读它所需的物理学原理，也已经拥有解释它所需的AI技术，更已经拥有安装在数百万个家庭中的硬件。真正横亘在现状与理想之间的，只剩下一种意愿：不再把健康监测想象成绑在人身上的东西，而是把它编织进人周围的空间本身。

健康监测的未来，不在于更好的设备，而在于让建筑本身具备感知能力——并让这种感知变得无形。

让脆弱人群自己去操作监视技术的时代正在终结。这不是因为技术失败了，而是因为其背后的那个假设——认为“依从性”是用户的问题，而不是设计上的缺陷——从一开始就是错的。答案从来都不是一个更容易按的按钮，而是根本无需按下任何按钮。