检测的尊严：架构 隐私保护型 AgeTech 与边缘 AI 及毫米波雷达

执行摘要

21 世纪的人口结构转型已在老年照护领域催生一场危机 其既是伦理问题，也是后勤问题。随着全球人口老龄化，当务之急是 监测安全——具体而言是跌倒检测，跌倒构成如下情形的首要原因 65 岁以上成年人伤害相关死亡——已与基本的人类 隐私权发生剧烈碰撞。行业历史上对光学监控与可穿戴 遥测的依赖，造就了一个“照护全景监狱”，安全以牺牲 尊严为代价换取。本白皮书由 Veriprajna 撰写，论证这一权衡是 工程想象力的失败，而非照护的必然。

Veriprajna 认为，AgeTech 的未来在于 毫米波 （mmWave）雷达 与 深度边缘人工智能 的交汇。不同于那些 仅仅把传感器数据输送到基于云的大语言模型的“封装器”方案，真正的创新需要 信号物理、数字信号处理（DSP）与先进神经 架构在资源受限边缘设备上的垂直整合。

本文档为企业 利益相关方、医疗提供方与技术架构师提供全面的技术与战略卷宗。它详述从 理论 AI 模型到已部署、稳健安全方案的转变。我们探讨 60GHz 传感的物理原理、边缘深度学习的精微之处、环境 杂波抑制，以及这些系统如何接入遵循 UL 1069 标准的既有护士呼叫基础设施。我们证明，通过在设备本地处理稠密点云与 微多普勒特征，可以实现无监视的安全， 在无需“看着他们赤身裸体”的情况下守护老年人。

1. 老龄化世界中的隐私—安全困境

1.1 人口结构刚需与跌倒流行病

统计数据严峻且被普遍承认，但为框定 工程挑战仍有必要重申。跌倒不仅仅是意外；它们是 监测环境的系统性失败。根据美国疾病控制与预防中心（CDC）， 跌倒是 65 岁及以上成年人伤害的首要原因。 ¹ 经济负担 令人震惊，非致命跌倒的年度医疗支出约达 仅在美国就有 500 亿美元。 ²

然而，代价并不止于资产负债表。“跌倒恐惧”会在老年人中诱发 心理收缩，导致自我施加的活动限制、 社会隔离与加速的身体衰退。 ¹ 因此，AgeTech 的目标并非 仅仅检测撞击，更是创造一种普遍安全的环境，以恢复 信心。挑战在于：最危险的空间——浴室与 卧室——同时也是最私密的。

1.2 传统模态的失败

对这场危机的传统应对依赖两种主要模态：光学监视 （摄像头）与可穿戴遥测（吊坠/手表）。二者都存在关键失效模式， 使其不足以支撑下一代照护。

1.2.1 光学全景监狱

计算机视觉在人类活动识别（HAR）上已达到显著精度。 然而，其在私密空间的部署在伦理上充满张力。光学系统默认就会捕获 个人身份信息（PII）。即使采用“隐私遮罩”或 低分辨率推流，滥用或数据泄漏的可能仍会给住户带来心理 负担。³

此外，光学系统存在物理局限：

●​ 光照依赖： 摄像头在低光条件下失效，或需要侵入性的 红外照明，可能扰乱昼夜节律。 ⁵

●​ 遮挡： 摄像头无法“看见”浴帘、毯子或隐私屏风之后， 留下关键盲区。 ⁵

●​ 尊严： 镜头的单纯存在就会摧毁对心理健康至关重要的独处 感。 ⁶

1.2.2 可穿戴设备的依从缺口

可穿戴设备（PERS）解决了视觉隐私问题，却引入了“依从缺口”。 有效性取决于用户记得佩戴并给设备充电。认知 衰退、感官问题或单纯遗忘，会使这些设备在相当 比例的跌倒事件中失效。关键的是，许多跌倒发生在夜间，此时可穿戴设备因 睡眠或充电被取下，或发生在沐浴时，防水能力往往不被 用户所信任。 ⁷ “被动”系统——无需用户交互——才是唯一可靠的故障安全 路径。

1.3 Veriprajna 理念：深度 AI，而非仅仅 API

Veriprajna 在市场中脱颖而出，超越表面的“封装器” 方案。我们并非简单地将传感器数据流式传输到云 API。我们架构 深度 AI 方案，在信号层面运行。通过利用调频连续

波（FMCW）雷达技术并结合边缘 AI，我们从原始电磁反射中提取语义理解 （例如，“A 先生已跌倒”），而从不重建 视觉图像。这确保隐私由物理保证，而非仅由政策保证。

2. 隐私保护传感的基础物理

要工程化一套既尊重隐私又确保安全的方案，必须选择一种传感 模态：它在物理上无法捕获生物识别身份（如面孔），同时 对生物运动（如心跳）保持高度敏感。毫米波（mmWave） 雷达独特地处于满足这些相互矛盾要求的位置。

2.1 电磁波谱：为何是 60 GHz？

雷达通过发射电磁波并分析其反射来工作。 频率选择决定了与环境的相互作用。

●​ 24 GHz（ISM 频段）： 历史上用于简单运动检测（如自动门）。 它受限于较低带宽（距离分辨率有限）以及更大的天线 需求。 ⁸

●​ 77 GHz： 汽车雷达（自适应巡航控制）的标准。虽然它提供 出色的距离（300m+），但其针对的是户外快速移动车辆的跟踪。 ⁵

●​ 60 GHz（V 波段）： 室内人体监测的最优选择。

○​ 精细分辨率： 在 60 GHz 下，波长（$\lambda$）约为 5mm。这 使得能够检测“微运动”——胸壁的亚毫米级位移，由 呼吸和心跳引起。 ⁵

○​ 隐私约束： 60 GHz 频段处于氧吸收 谱内，意味着信号随距离迅速衰减，且不能有效穿透厚 混凝土墙。这可防止监测数据“泄漏”到 目标房间之外，增加一层物理数据安全。 ⁸

○​ 监管带宽：监管机构分配了宽带宽（高达 4 GHz）于 60 GHz 频段供免许可使用。距离分辨率（$d_{res}$）与带宽成反比 （$B$）：​ ​ $$d_{res} = \frac{c}{2B}$$ ​ ​ 4 GHz 带宽可得到约 3.75 cm 的距离分辨率。这一粒度 使系统能够区分人的肢体与躯干，这是 区分跌倒与蹲下的关键因素。8

2.2 调频连续波（FMCW）机理

不同于直接测量飞行时间的脉冲雷达，或只测量速度的简单连续波 多普勒雷达，Veriprajna 采用 FMCW 雷达。 发射机发出“啁啾”——频率随时间线性增加的正弦波。 当该信号从物体反射并返回接收机时，发射信号已经 移至更高频率。发射频率（$f_{tx}$） 与接收频率（$f_{rx}$）在任一瞬间之差即为差拍频率（$f_b$）。 该差拍频率在数学上与到目标的距离（$R$）相关：

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

其中 $S$ 是频率斜坡的斜率，而 $c$ 是光速。通过对差拍信号执行 快速傅里叶变换（FFT），我们将信号从时域转换到 频域，其中峰值对应物体的距离。 ¹⁰

2.3 四维传感范式

传统传感器是一维（距离）或二维（图像）。FMCW 雷达提供 四维 数据集：

1.​ 距离（$R$）： 到目标的距离（由差拍频率导出）。

2.​ 速度（$v$）： 目标相对传感器的速度（由跨多个啁啾的相位差导出 即多普勒效应）。 ⁵

3.​ 方位角（$\theta$）： 水平角（由如下天线之间的相位差导出 水平间隔的天线）。

4.​ 俯仰角（$\phi$）： 垂直角（由垂直 间隔天线之间的相位差导出）。

这一四维数据结构使 AI 能够将世界感知为动态体积而非平面画面，即一组 移动点。与提供高分辨率几何但 无瞬时速度的激光雷达不同，雷达为每个点提供 多普勒速度。这是“秘 诀”：即使人坐着完全不动，我们也能把静止的椅子与正在呼吸的人分开，因为 人体会产生微多普勒调制。 ⁹

3. 面向稳健的信号处理架构 检测

雷达传感器的原始数据并不能立即被神经网络使用。它嘈杂、 复杂且高带宽。Veriprajna 的专长在于“信号处理 链”——将原始 ADC 数据转化为语义特征的算法流水线。

3.1 雷达数据立方

现代雷达处理中的基本数据结构是 雷达数据立方。它通过一系列数学变换 构建：

1.​ 距离 FFT（快时间）： 在单个啁啾内的采样上执行。这分辨 反射的距离。 ¹³

2.​ 多普勒 FFT（慢时间）： 在一帧内的啁啾序列上执行。这 分辨反射的速度。 ¹⁰

3.​ 角度 FFT： 在天线阵列上执行。这分辨空间位置。 ¹⁴ 该立方包含 $(Range, Velocity, Angle)$ 空间中每个体素的功率强度。

3.2 杂波抑制：透过噪声看见的艺术

室内环境对雷达充满敌意。墙壁、家具和天花板会产生巨大的 反射（杂波），可能淹没人体的反射。

●​ 静态杂波去除： 最简单的方法是减去如下样本的均值 沿多普勒维。这有效去除速度为零的物体 （墙壁、家具）。然而，这种朴素方法可能无意中去掉 已经跌倒、躺着失去意识（因而静止）的人。

●​ 自适应杂波滤波： Veriprajna 实现先进的自适应滤波。我们利用 信号的相位稳定性，区分“无生命”静态物体（墙壁）与 “有生命”静态物体（失去意识的人）。即使一动不动的人也有胸壁 位移（呼吸），这会产生细微的相位调制，我们的算法 予以保留，同时抑制墙壁反射。 ¹⁵

3.3 恒虚警率（CFAR）检测

一旦杂波被抑制，我们必须检测“目标”（兴趣点），对照 背景噪声底。固定阈值不足，因为噪声底随 温度与干扰而变化。我们采用 CFAR（恒虚警率） 算法， 根据局部噪声环境动态调整阈值。

3.3.1 CFAR 方法

●​ CA-CFAR（单元平均）： 根据邻近单元的平均功率计算阈值。 这在均匀噪声中效果良好，但当多个目标 彼此靠近时会退化。 ¹⁷

●​ OS-CFAR（有序统计）： 这是多目标 环境的行业标准。它对邻近单元的功率值排序，并选取 $k$第 k 阶作为噪声估计。这能抵抗“掩蔽”，即强反射 （例如金属柜）掩盖附近较弱的反射（人）。 ¹⁹

●​ 深度 CFAR： 新兴研究建议用轻量级 神经网络（CNN）取代经典 CFAR，以学习杂波与目标峰值的统计分布， 在复杂环境中提供更优性能。 ¹⁴ Veriprajna 正在开创将这些 “神经检测器”部署到边缘硬件上。

3.4 特征提取：微多普勒与点云

检测阶段的输出是双重的：

1.​ 微多普勒频谱图： 通过随时间堆叠多普勒 FFT，我们创建速度的视觉 表征。人行走会产生独特模式（躯干以 恒定速度移动，肢体以更高速度摆动）。跌倒会产生突然的宽带 能量爆发（加速度），随后速度为零。 ¹²

2.​ 点云： 一组 $(x, y, z, v, SNR)$ 元组，表示三维空间中被检测的目标。 这使轨迹跟踪与姿态分析成为可能。 ²³

4. 雷达感知的深度学习范式

经典信号处理检测的是 运动，而深度学习则需要用来理解 意图 与 情境。该运动是跌倒，还是只是有人躺到床上？Veriprajna 利用三种不同的 AI 架构来解决这一分类问题。

4.1 频谱图上的卷积神经网络（CNN）

我们将微多普勒频谱图视为图像，并应用计算机视觉技术。

●​ 架构： 我们使用深度卷积神经网络（DCNN）。不同于 用于 ImageNet 的庞大 ResNet 模型，我们设计轻量、浅层的 CNN， 针对雷达频谱图的特定纹理进行优化。 ²⁵

●​ 特征学习： CNN 学习识别跌倒的“形状”。跌倒特征 通常在低频呈现高能量的“躯干闪光”，伴随 高频“肢体闪光”，随后信号立即停止。相比之下， “坐下”表现为逐渐减速。 ²²

●​ 性能： 基准研究表明，基于 CNN 的频谱图方法 持续优于经典机器学习（SVM、随机森林）， 准确率优势约 7-10%，主要因其能学习不变特征 并对噪声稳健。 ²⁵

4.2 点云处理：PointNet 与 GNN

频谱图缺乏空间情境。它们知道某物移动得 有多快，却不知道 在何处。为 解决这一点，我们处理三维点云。

●​ PointNet： 标准 CNN 无法处理点云，因为它们无序且 稀疏。PointNet 是一种专用架构，消费原始点集并学习 空间特征（例如点的垂直分布）。它能区分 站立的人（垂直点柱）与躺下的人（水平铺展的 点）。 ³

●​ 图神经网络（GNN）： 我们将雷达点视为图中的节点， 边表示空间邻近。GNN 使模型能够学习身体部位之间的几何 关系，从而有效地“骨骼化”反射，而无需 摄像头。 ³

4.3 序列建模：LSTM 与 Transformer

跌倒是一个时间事件：站立 $\rightarrow$ 不稳 $\rightarrow$ 跌倒中 $\rightarrow$ 撞击 $\rightarrow$ 躺卧。静态帧分析往往无法捕捉这种因果。

●​ CNN-LSTM： 我们采用混合架构，由 CNN 从每帧提取空间特征， 再送入长短期记忆（LSTM）网络。 LSTM 维持序列的“记忆”，从而能够区分 绊跌（恢复）与跌倒（无恢复）。 ²⁷

●​ 雷达 Transformer（RadMamba）： 研究前沿涉及为雷达改编的 Transformer 架构（如视觉 Transformer 或 ViT）。这些模型使用 “自注意力”机制来权衡不同时间步与 频率箱的重要性。近期创新如 RadMamba 利用状态空间模型（SSM）以 线性计算复杂度处理长序列雷达数据，使其 比 Transformer 更适合边缘部署。 ²⁹

4.4 传感器融合：“双流”方法

最稳健的系统使用 传感器融合。Veriprajna 实现双流网络：

1.​ 流 A（频谱图）： 分析速度动态（微多普勒）。

2.​ 流 B（点云）： 分析空间轨迹（高度—时间）。

3.​ 融合层： 合并这些洞察。

●​ “坐 vs. 跌倒”方案： 一个经典雷达问题是“重坐”。人塌倒 到沙发上会产生类似跌倒的多普勒尖峰。通过融合两流，AI 看到 高速度（流 A），但注意到最终质心高度为 $z \approx 0.5m$ （流 B），从而正确分类为“坐下”而非“跌倒”（$z \approx 0m$）。 ³¹

表 1：雷达 AI 架构比较分析

架构	输入数据	关键优势	计算 成本	最适于
二维 CNN	微多普勒 频谱图	高准确率 在 区分 运动类型 （如走 vs. 跌倒）	中等	分类 动态 事件

PointNet / GNN	三维点云	空间情境 （姿态 识别， 高度 分析）	高	静态姿态 分析（躺 vs. 坐）
LSTM / GRU	序列 特征	时间 连续性； 区分 绊跌与 跌倒	低-中	时间序列 跟踪
Transformer / ViT	雷达立方 / 图块	全局情境 感知； 处理长 依赖	非常高	复杂 多人 场景
Veriprajna 双流	融合 （频谱图 + 点云）	结合 速度 动态与 空间 精度	已优化	稳健、 企业 级跌倒 检测

5. 边缘智能：工程约束与 方案

将高带宽雷达数据送到云端处理是隐私风险、延迟 瓶颈，也是带宽成本。Veriprajna 主张 边缘 AI，即神经 网络推理直接发生在传感器的嵌入式处理器上。

5.1 硬件平台：硅使能者

我们瞄准高性能微控制器（MCU）与数字信号处理器（DSP） 针对射频传感优化。

●​ 德州仪器（TI）mmWave： 诸如 IWRL6432 或 IWR6843 等器件是 “片上系统”（SoC）。它们集成射频前端、用于信号 处理（FFT）的 C674x DSP，以及用于应用逻辑的 ARM Cortex-R4/M4。这种紧密 集成实现极低延迟。 ⁵

●​ 英飞凌 XENSIV： BGT60TR13C 与外部高性能 MCU 配对（如 STM32 或 PSoC）。“封装天线”（AiP）趋势缩小了物理外形 尺寸，使传感器不显眼、易于安装在消费环境中。 ³⁴

5.2 为边缘优化：面向微控制器的 TensorFlow Lite

在仅有 512KB RAM 的微控制器上运行深度神经网络需要极度 优化。

●​ 量化： 标准神经网络使用 32 位浮点数。我们将其转换 为 8 位整数（INT8）。这使模型体积缩小 4 倍并加快 推理，准确率损失通常可忽略（<1%）。 ³⁵

●​ 剪枝： 我们移除神经网络中对输出贡献很小的冗余连接（权重）， 形成计算更快的“稀疏”模型。

●​ CMSIS-NN： 我们使用 ARM 的 CMSIS-NN 库，它提供手工优化的 在 Cortex-M 处理器上用于卷积与矩阵乘法的汇编内核。这 使我们能压榨硬件的每一个周期性能。 ³⁷

5.3 功耗管理

对于由电池或以太网供电（PoE）的传感器，能效至关重要。

●​ 占空比循环： 雷达不必连续啁啾。我们实现“帧间 空闲”状态，此时射频前端断电。

●​ 分层唤醒： 低功耗“存在检测”啁啾持续运行。只有 当检测到粗运动时，高功耗“跌倒检测”深度学习 模型才唤醒以分析事件。这种“级联”方法可将电池寿命 从数天延长到数月。 ¹³

6. 克服环境方差：虚警的“长 尾”

在实验室受控环境中，雷达工作完美。在真实住宅中，存在 吊扇、被风吹动的窗帘，以及宠物。这些“虚警源”是 商业落地的主要障碍。Veriprajna 采用多层抑制 策略。

6.1 “吊扇”问题

旋转的风扇会产生恒定的高频多普勒特征，可能使 CFAR 算法失明，或伪装成挥舞的肢体。

●​ 方案：微波噪声自适应处理。 我们训练 AI 识别风扇的 周期性、位置固定的特征。系统构建房间的“静态地图”。 如果在固定坐标持续检测到高多普勒速度 $(x,y,z)$ 坐标（即 天花板），则该特定单元从跌倒检测逻辑中被掩蔽。AI 学到“高 速度出现在 $(x,y,z)_{fan}$ 是正常的”。 ³⁹

6.2 “宠物”问题

大型犬从沙发跳下，可产生多普勒特征与点云轨迹， 与跌倒的人危险地相似。

●​ 方案：RCS 与长宽比滤波。

○​ RCS（雷达截面积）： 虽然可变，犬的电磁反射率 一般低于成年人类。

○​ 几何分类： 我们分析点云的包围盒。 人通常占据垂直柱（长宽比 $< 1$）。犬占据 水平体积（长宽比 $> 1$）。我们的分类模型包含特定的 “动物”类，以显式过滤这些事件。 ³⁹

6.3 “窗帘”问题

气流中摆动的窗帘会制造“幽灵目标”，可能触发存在检测或虚假 运动告警。

●​ 方案：区域掩蔽。 安装期间，系统允许定义 “干扰区”（窗户、空调出风口）。跟踪算法（扩展卡尔曼 滤波器）提高在这些区域启动航迹所需的置信阈值。 此外，窗帘的微多普勒特征（低频、正弦 振荡）不同于人体运动，并由深度学习分类器过滤。 ⁴¹

7. 集成生态：企业连接

能检测跌倒却无法有效通信的传感器毫无用处。对于企业 在护理院与辅助生活设施中的部署，传感器必须接入 既有照护生态。

7.1 护士呼叫系统（UL 1069）

任何照护设施的中枢神经系统都是 护士呼叫系统（NCS）。该系统 受 UL 1069（“医院信号与护士呼叫设备标准”）管辖，其 强制要求严格的可靠性、监督与故障安全运行。 ⁴³

●​ 干接点 / 继电器集成： 最稳健且兼容的方法。Veriprajna 传感器包含光隔离 固态继电器（SSR） 输出。当跌倒被 检测到时，继电器闭合。这连接到墙上传统护士呼叫 站的“辅助”输入（例如 Rauland、Ascom、Hill-Rom）。这会触发标准护士呼叫 灯与寻呼系统。它简单、故障安全，并兼容 90% 的既有 基础设施。 ⁴⁵

●​ 高层 API 集成： 现代 NCS 平台支持基于 IP 的协议。 Veriprajna 传感器可通过 MQTT 或 REST API 向中央服务器推送 JSON 载荷。 这允许更丰富的数据：护士看到的不是笼统的“302 房告警”，而是“房间 302：检测到跌倒（高置信度）”或“302 房：住户已 4 小时未移动”。 ⁴⁶

7.2 连接协议

●​ Wi-Fi / 以太网： 高带宽，适于将点云可视化推送到 护士站（若允许）。需要稳健的 IT 基础设施。

●​ LoRaWAN： 低功耗、长距离。适于“签到”消息（例如，“住户尚未 移动”）以及电池供电传感器。但必须评估延迟能力， 以用于关键跌倒告警。 ⁴⁸

●​ Matter / Zigbee： 对智能家居集成至关重要。例如，传感器可以 在住户夜间坐起时自动开灯，充当 针对跌倒的 预防性 措施。 ⁴⁸

7.3 合规与安全框架

●​ GDPR 与 HIPAA： 因为毫米波雷达不捕获生物识别标识（面孔、 指纹）或可识别图像，它在本质上比摄像头更符合 GDPR 和 HIPAA。它处理“匿名运动数据”。然而，行为 模式（例如如厕频率）构成健康数据（PHI），必须受到保护。 Veriprajna 对所有传输中数据采用 TLS 1.2+ 加密，对静态数据采用 AES-256 加密。 ⁶

●​ ISO 31700（隐私设计）： Veriprajna 遵循 ISO 31700 标准，面向 消费品。

○​ 主动： 隐私被工程进硬件（无麦克风、无镜头）。

○​ 默认： 最高隐私设置为默认。

○​ 生命周期： 数据最小化策略确保数据在不再

需要时被删除。 ⁵⁰

8. 战略价值与未来视野

实施 Veriprajna 的深度 AI 雷达方案是一项投资，但投资 回报（ROI）具体且可衡量。

8.1 尊严的投资回报

●​ 直接成本规避： 一次伴有伤害的跌倒给设施带来的成本介于 3 万美元与 6 万美元之间，涵盖医疗费用、责任与增加的照护需求。 ⁵²

●​ 间接成本节约： 减少“虚警”可降低员工倦怠与“告警 疲劳”。当系统告警时，员工知道它是真实的。

●​ ROI 计算： 投资传感器系统只要能每 5 年防止仅仅 一次 住院级跌倒，即可产生正 ROI。研究表明循证跌倒预防 项目可交付超过 500% 的 ROI（每花费 1 美元节省 5 美元）。 ⁵²

8.2 通过分析实现运营效率

除紧急告警外，系统还提供 纵向分析。

●​ 预防性照护： 通过数周跟踪步态速度与活动水平，系统可以 检测跌倒前的细微衰退。“琼斯太太这周走路慢了 20%” 是强有力的领先指标，允许在事故 之前 发生时进行干预。

●​ 员工效率： 护士不再需要仅仅为了查看而进行侵入性“查房” 住户是否在床上。仪表盘提供实时存在状态，使员工能够 聚焦真正需要协助的住户。 ⁵⁴

8.3 未来：6G 与传感器融合

雷达路线图正在加速。

●​ 6G 传感（ISAC）： 未来 6G 网络将集成传感与通信 （ISAC）。未来的 Wi-Fi 路由器将 成为 跌倒检测传感器，利用 已经充盈我们住宅的无处不在的无线电波。 ²¹

●​ 多模态融合： 将毫米波雷达与热成像或声学 传感器（用于语音呼叫）结合，将在保持隐私的同时进一步提高准确率。

结论

从“监视”到“传感”的转变，是 AgeTech 十年的决定性转向。我们 已经越过安全必须以尊严为代价的时代。通过用毫米波天线替换 摄像头镜头，并用深度边缘 AI 替换人工监视， 我们化解安全与隐私的冲突。

Veriprajna 不只是在销售传感器；我们提供 深度 AI 基础设施——即 被清洗的信号、稳健的分类模型、虚警拒绝逻辑，以及 安全的企业集成——使这一承诺成为现实。我们提供的方案在物理上 无法“看着他们赤身裸体”，却在计算上有能力守护他们 安全。

安全。可靠。私密。这就是 Veriprajna 的承诺。

参考文献

1. The impact of fall detection technology and prevention - Best Buy Health，2025年12月12日访问， 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，2025年12月12日访问， https://www.intrexis.com/senior-falls/

3. Using mmWave Radar and Deep Learning to Classify Caregiver Activities for Infection Prevention | Request PDF - ResearchGate，2025年12月12日访问， 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，2025年12月12日访问， https://www.mdpi.com/2079-9292/14/13/2664

5. A Brief Introduction to Millimeter Wave Radar Sensing - Edge AI and Vision Alliance，2025年12月12日访问， 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，2025年12月12日访问， https://linpowave.com/blog/privacy-first-healthcare-linpowave-mmwave-radar

7. Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot - arXiv，2025年12月12日访问， https://arxiv.org/html/2405.01882v1

8. Millimeter-Wave Sensors Accuracy and Applications - DFRobot，2025年12月12日访问， https://www.dfrobot.com/blog-1654.html

9. What Is mmWave Radar Sensing? | D3 Embedded，2025年12月12日访问， https://www.d3embedded.com/mmwave-radar-sensing/

10. block diagram of an FMCW radar. - ResearchGate，2025年12月12日访问， https://www.researchgate.net/figure/block-diagram-of-an-FMCW-radar_fig1_332665836

11. Frequency-Modulated Continuous-Wave Radar (FMCW Radar) - Radartutorial.eu，2025年12月12日访问， 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，2025年12月12日访问， https://arxiv.org/pdf/1611.01801

13. Machine Learning on the Edge with the ... - Texas Instruments，2025年12月12日访问， https://www.ti.com/lit/pdf/swra774

14. Benchmarking CFAR and CNN-based Peak Detection Algorithms in ISAC under Hardware Impairments - arXiv，2025年12月12日访问， https://arxiv.org/pdf/2505.10969

15. (PDF) Clutter Mitigation in Indoor Radar Sensors Using Sensor Fusion Technology，2025年12月12日访问， 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，2025年12月12日访问， https://arxiv.org/pdf/2401.05763

17. Constant false alarm rate - Wikipedia，2025年12月12日访问， https://en.wikipedia.org/wiki/Constant_false_alarm_rate

18. Constant False Alarm Rate (CFAR) Detection - MATLAB & Simulink - MathWorks，2025年12月12日访问， 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，2025年12月12日访问， https://www.jku.at/fileadmin/gruppen/183/Docs/Finished_Theses/Bachelor_Thesis_Katzlberger_final.pdf

20. Radar Target Detection with CNN - EURASIP，2025年12月12日访问， https://eurasip.org/Proceedings/Eusipco/Eusipco2021/pdfs/0001581.pdf

21. Benchmarking CFAR and CNN-based Peak Detection Algorithms in ISAC under Hardware Impairments - ResearchGate，2025年12月12日访问， 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，2025年12月12日访问， https://arxiv.org/html/2411.15057v2

23. Examples of mmWave radar point clouds viewed from the spatial, the ST,... ResearchGate，2025年12月12日访问， 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，2025年12月12日访问， https://arxiv.org/pdf/1911.06364

25. Deep Learning Multi-Class Approach for Human Fall Detection Based on Doppler Signatures - MDPI，2025年12月12日访问， https://www.mdpi.com/1660-4601/20/2/1123

26. Radar Fall Detectors: A Comparison - Villanova University，2025年12月12日访问， 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，2025年12月12日访问， 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，2025年12月12日访问， 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，访问于12月 12日，2025年，https://arxiv.org/pdf/2504.12039

30. TRANS-CNN-Based Gesture Recognition for mmWave Radar - MDPI，2025年12月12日访问， https://www.mdpi.com/1424-8220/24/6/1800

31. Fall Direction Detection in Motion State Based on the FMCW Radar - PMC - NIH，2025年12月12日访问， https://pmc.ncbi.nlm.nih.gov/articles/PMC10255840/

32. An Effective Deep Learning Framework for Fall Detection: Model Development and Study Design，2025年12月12日访问， 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，2025年12月12日访问， 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，2025年12月12日访问， 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，2025年12月12日访问， 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，2025年12月12日访问， 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，2025年12月12日访问， https://blog.tensorflow.org/2021/02/accelerated-inference-on-arm-microcontrollers-with-tensorflow-lite.html

38. TensorFlow Lite Micro with ML acceleration，2025年12月12日访问， https://blog.tensorflow.org/2023/02/tensorflow-lite-micro-with-ml-acceleration.html

39. Motion sensors and detectors | KEENFINITY Group I Global，2025年12月12日访问， 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，2025年12月12日访问， https://www.blickfeld.com/blog/false-alarm-reduction-with-3d-lidar/

41. FAQ-Hobacare-focusing on telecare and telehealth for seniors，2025年12月12日访问， https://hobacare.cn/?list_9/

42. Presence Sensor FP2 FAQ - Aqara，2025年12月12日访问， https://www.aqara.com/en/product/presence-sensor-fp2/faq/

43. Nurse Call and Emergency Call Systems | UL Solutions，2025年12月12日访问， 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，2025年12月12日访问， https://webstore.ansi.org/standards/ul/ul1069ed2024

45. 60G Eldercare Radar Sensor Fall/Get Up/Presence (Dry Contact)，2025年12月12日访问， https://creatrolsensor.com/products/60506201

46. 99% Accurate Radar Fall Detection Sensor for Elderly Care | Milesight，2025年12月12日访问， https://www.milesight.com/iot/product/lorawan-sensor/vs373

47. Nurse Call System API - developer.siemens.com，2025年12月12日访问， https://developer.siemens.com/nurse-call-system/overview.html

48. Milesight VS373 Radar Fall Detection Sensor - The Future Of Care-Giving And More，2025年12月12日访问， 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，2025年12月12日访问， https://sprinto.com/blog/hipaa-vs-gdpr/

50. 7 steps to comply with ISO 31700-1:2023 (standard on Privacy by Design) OneTrust，2025年12月12日访问， 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，2025年12月12日访问， 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，2025年12月12日访问， https://pubmed.ncbi.nlm.nih.gov/38848487/

53. Are Falls Prevention Programs Efficient? ROI Report - National Council on Aging，2025年12月12日访问， 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，2025年12月12日访问， https://fse.studenttheses.ub.rug.nl/34714/1/MasterThesisMartBerends.pdf

55. Integrated Sensing and Edge AI: Realizing Intelligent Perception in 6G - arXiv，2025年12月12日访问， https://arxiv.org/html/2501.06726v2