我母親在一個星期二的晚上打電話給我,她打來不是為了她自己的事,而是為了她的鄰居——一位81歲的老太太,獨自一人在浴室裡跌倒,在磁磚地板上躺了將近七個小時才被人發現。這位女士活了下來,但髖部骨折終結了她的獨立生活。不到一個月,她就搬進了輔助生活機構。
「他們提議給她裝一套攝影機系統,」我母親告訴我。「她說她寧願冒著死在地板上的風險,也不要有人在浴室裡看著她。」
這句話在我腦中炸開了什麼。不是因為它不理性——恰恰相反,這是我幾個月來聽過最理性的一句話。這位女士寧可選擇死亡的風險,也不要被監視的確定性。而整個老年照護科技產業,能給她的選擇竟然沒有比這更好的。
這正是我在Veriprajna著手解決的問題。不是「如何偵測跌倒」——這個問題早已被攝影機和穿戴裝置解決過無數次了。真正的難題更深一層:要如何在一個人一生中最私密的時刻保護他們的安全,同時不摧毀那份讓生命值得活下去的隱私?
答案原來不是更好的攝影機。答案根本就不是攝影機。
照護的全景敞視監獄
讓我用數字來說明這場危機的輪廓。跌倒是65歲以上成年人因傷致死的首要原因。單單在美國,非致命跌倒每年造成的醫療成本就高達約500億美元。一次造成傷害的跌倒,就會讓照護機構在醫療費用、法律責任及後續照護需求增加上,付出3萬到6萬美元的代價。
但真正縈繞在我心頭的統計數字並非財務數字,而是行為數字。那份恐懼——對跌倒的恐懼,而非跌倒本身——會讓長者限制自己的活動、逐漸退出社交生活,並加速身體機能的衰退。監控原本應該防止這種惡性循環,但監控本身卻往往造成另一種形式的惡性循環。
在研究初期,我花了好幾個星期走訪輔助生活機構。在其中一間,我親眼看到一位住民每次換衣服時,都會用毛巾蓋住房裡的攝影機。工作人員進來後會把毛巾拿掉。她又會把毛巾蓋回去。這場圍繞著一條毛巾展開的無聲戰爭,正是隱私與安全兩難處境的縮影。
老年照護產業打造了一座全景敞視監獄,卻稱之為關懷。以尊嚴為代價換來的安全,根本不是安全——那是另一種形式的傷害。
攝影機在其他方面也同樣有其局限。它們需要光線,因此在黑暗中無法運作,或必須使用會干擾睡眠的紅外線照明。它們無法穿透浴簾或毯子——而這些恰恰是跌倒最危險的情境。至於穿戴式吊墜呢?配戴依從性的落差令人震驚。認知能力衰退、健忘,或單純是戴著裝置睡覺的不適感,都意味著當凌晨三點跌倒發生時,吊墜往往還放在床頭櫃上。
我們需要的是徹底不同的東西。不是升級版的監視,而是一種在物理上根本無法進行監視的技術。
我為何把公司的賭注押在看不見的電波上
我團隊裡第一次有人提議用毫米波雷達來偵測跌倒時,我覺得這根本是大材小用。雷達是戰鬥機在用的東西,是自動駕駛汽車用來在200公尺外追蹤車輛的技術。拿它來監測一間12乘14英尺臥室裡的長者,感覺就像拿大鎚子去敲一根圖釘。
後來我理解了背後的物理原理,才意識到情況正好相反——這是唯一一種精準度足以勝任這項工作的工具。
毫米波雷達,特別是在60 GHz頻段運作時,會發射電磁波並分析其反射訊號。它不會擷取影像,無法重建臉孔、體型,或任何可供視覺辨識的資訊。它能夠做到的是以極高的精準度偵測動作——精細到亞毫米級的位移。這意味著它能偵測呼吸時胸壁的起伏,能追蹤身體在空間中移動的軌跡,也能分辨一個人是站立著還是躺在地上。
而且這一切都能穿透牆壁、在完全黑暗中、穿透浴簾、穿透毯子完成。
還有一項優雅的物理特性,徹底堅定了我的信念。60 GHz頻段正好落在氧氣吸收頻譜範圍內,這意味著訊號會隨距離迅速衰減,也無法有效穿透厚重的混凝土牆。監測數據在物理上就被局限在房間之內。就算你想把它外洩到走廊,也做不到。隱私是由物理定律強制保障的,而不是靠軟體使用條款。
關於完整的技術架構——FMCW調頻連續波的原理、4D感測範式、訊號處理鏈——我已經寫在我們的互動式白皮書中。但核心的洞見其實很簡單:在60 GHz、頻寬4 GHz的條件下,你能獲得約3.75公分的距離解析度。這樣的解析度足以分辨一個人的四肢與軀幹,足以區分跌倒與蹲下的差異,足以挽救一條生命,卻不足以辨識出一張臉。
隱私由物理保障,而非由政策保障。這成了我們的設計原則。
當你試圖教雷達「看懂」跌倒,會發生什麼事?
接下來,我得誠實地說明這件事究竟有多困難。
雷達跌倒偵測最原始的版本很簡單:偵測突然的向下速度,接著在地面高度偵測到靜止不動。在實驗室裡,這套邏輯運作得完美無瑕。我們在短短幾週內就做出一個原型,能以近乎完美的準確度偵測落在防撞墊上的受控跌倒。
然後我們把它裝進了一個真實的房間裡。
第一次部署是在我們搭建來模擬輔助生活單元的測試公寓裡。開始運作的第一個小時內,系統就標記出14起跌倒事件,沒有一起是真的。其中三起是天花板電風扇,兩起是空調出風口附近晃動的窗簾,還有一起——令人印象深刻——是我同事的黃金獵犬從沙發上跳下來。
我記得那天午夜坐在那間公寓裡,盯著筆電上的頻譜圖,看著天花板電風扇不斷產生一個完美且重複的都卜勒訊號特徵,而我們的模型從未被訓練去忽略它。我的共同工程師看著我說:「實驗室的準確率什麼都不代表。」
她說得沒錯。受控實驗與真實世界部署之間的落差——我開始把它稱為「假警報的長尾效應」——正是大多數銀髮科技雷達產品的死亡之地。在醫院裡,一次假警報不只是令人厭煩而已,它會造成警報疲勞,讓護理師漸漸不再回應。然後真正的跌倒發生了,卻沒有人前來。
你要如何教會AI分辨跌倒和狗?
我們同時從多個方向著手解決假警報的問題。
針對天花板電風扇,我們建立了一套稱為「微波雜訊自適應處理」的機制。系統會學習所在的房間環境。如果在某個固定座標——例如天花板——持續偵測到高都卜勒速度,那個位置就會被跌倒偵測邏輯遮蔽。AI因此學會「天花板上的快速移動是正常現象」。
寵物的問題則更棘手也更有趣。一隻大型犬從家具上跳下來時,產生的都卜勒訊號特徵與人類跌倒時驚人地相似。我們的解決方案結合了雷達散射截面分析(人類反射的電磁能量比狗更多)與幾何分類法。人類的點雲通常呈垂直柱狀,而狗則呈水平團塊狀。我們在分類器裡明確加入了一個「動物」類別,一開始感覺荒謬,直到它消除了大約30%的誤報,才顯出價值。
一套分不清你祖母和你家拉布拉多的跌倒偵測系統,根本稱不上是跌倒偵測系統,那只是一台昂貴的雜訊產生器。
針對窗簾和氣流,我們在安裝時導入了區域遮蔽機制,並訓練深度學習分類器去辨識布料的低頻正弦波振盪——一旦你知道該注意什麼,就會發現這與人類的動作毫無相似之處。
沒人談論的AI架構
大多數談論醫療AI的文章,焦點都放在模型上——Transformer、CNN,或是某個帶有響亮名稱的最新架構。但模型或許只佔問題的20%,另外80%是餵給模型資料的訊號處理管線——以及要在一顆只有512KB記憶體的晶片上運行這一切所需的工程功夫。
讓我一步步說明,當我們的感測器偵測到跌倒時,實際上發生了什麼事。
原始的電磁反射訊號以類比訊號的形式傳入。我們將其數位化,並透過一系列快速傅立葉轉換建構出所謂的「雷達數據立方體」——一次針對每個啁啾訊號以解析距離,一次跨啁啾訊號以解析速度,一次跨天線以解析空間角度。這讓我們得到一組4D數據集:距離、速度、水平角度與垂直角度。這個空間中的每一個點,都對應著一個功率強度數值。
我們從這個立方體中萃取出兩條平行的數據串流。第一條是微都卜勒頻譜圖——本質上是一種隨時間變化的速度指紋。一個人走路時會產生獨特的模式:軀幹穩定移動,伴隨四肢擺動的訊號特徵。而跌倒則會產生突發的寬頻能量爆發,隨後歸於靜止。第二條串流是3D點雲——為每個偵測到的目標,提供一組附帶速度與訊號強度的空間座標。
這正是我們的作法與大多數競爭對手分道揚鑣之處。我們不會只選用其中一條串流,而是將兩者融合。
我們建構了一套我們稱之為「雙串流網路」的系統。串流A(頻譜圖)分析的是物體移動的速度有多快。串流B(點雲)分析的是物體在空間中的位置。融合層則將兩者結合起來。
這解決了我們最棘手的分類難題:「重重坐下」的情況。當一個人重重地跌坐到沙發上時,頻譜圖上的速度峰值看起來幾乎與跌倒別無二致。但點雲卻訴說著不同的故事——身體重心的最終位置停在沙發的高度(大約半公尺),而非地面高度。單純以頻譜圖為基礎的CNN方法,準確率始終比傳統機器學習高出7%到10%,但加入空間串流後,才真正把系統推過了臨床部署所需的可信度門檻。
關於我們架構比較的完整技術細節——CNN、PointNet、LSTM,以及較新的RadMamba狀態空間模型——請參閱我們的研究論文。
我們為何拒絕使用雲端
在開發初期,一位我極為敬重的顧問告訴我,堅持採用邊緣運算是個錯誤。「直接把雷達數據送到AWS就好,」他說。「你想跑什麼模型都可以,推論速度會更快、更精準,你也不必應付為微控制器做優化的那場噩夢。」
他對工程難度的判斷沒有錯。要在德州儀器IWRL6432——一款搭載C674x數位訊號處理器與ARM Cortex-M4的系統單晶片——上運行深度神經網路,是一場極限資源約束下的挑戰。標準神經網路使用32位元浮點運算,我們卻必須把一切量化為8位元整數,將模型大小縮減為四分之一。我們修剪了冗餘的連接,並使用ARM手工優化的CMSIS-NN組合語言核心,榨出硬體的每一個時脈週期。
這是好幾個月的工作量,若採用雲端部署,原本根本不必費這番功夫。
但他對產品本身的判斷卻是錯的。
雷達數據一旦離開房間——即便是「匿名化」的雷達數據——你就已經製造出隱私責任風險。像是上廁所頻率這類行為模式,在HIPAA法規下屬於受保護的健康資訊。一次資料外洩暴露的不是一張照片,而是某人日常生活中最私密的細節。而從實務角度來看,雲端處理還會帶來延遲。當有人跌倒時,通知照護者每延遲一秒都很關鍵;網路中斷會造成問題;從數百個房間串流高頻雷達數據所需的頻寬成本,也同樣是個問題。
我們把一切處理都放在感測器本身完成。神經網路的推論運算,是在驅動雷達的同一顆晶片上完成的。系統從不產生任何影像。除非是一則結構化警報,例如「302號房:偵測到跌倒(高信賴度)」,否則不會有任何數據離開裝置。這則警報會傳送到護理呼叫系統,除此之外,沒有其他任何東西會被傳送到任何地方。
如果你的隱私架構仰賴的是一份政策文件,而不是物理定律與硬體限制,那你根本沒有隱私架構,你有的只是一個承諾。
我們還導入了一套階層式喚醒系統來管理電力消耗。系統會持續運行一個低功耗的存在偵測啁啾訊號,只有在偵測到粗略動作時,才會啟動完整的深度學習模型。這種階梯式的作法能將電池續航力從幾天延長到數個月——這對那些無法為每個房間重新拉電線的機構來說,至關重要。
雷達感測器要如何與1990年代的護理呼叫系統對話?
這是幾乎沒有人在AI領域會去思考的問題,卻也是決定你的技術究竟能不能真正部署的關鍵問題。
每一間照護機構的中樞神經系統,就是受UL 1069(醫院訊號設備標準)規範的護理呼叫系統。這些系統大多是數十年前安裝的,它們「說」的語言是乾接點與繼電器閉合,而不是REST API。
我是吃了苦頭才學到這一課。我們在實驗室裡打造出一套漂亮的MQTT整合系統——乾淨俐落的JSON資料、即時儀表板,一應俱全。然後我們走進美國中西部一間擁有200張病床的機構,看到他們早在2000年代初期安裝的Rauland護理呼叫面板。上面有一排輔助輸入端子,它們只期待一件事:一個閉合的電路。
於是我們在感測器上加裝了一個光隔離固態繼電器。一旦偵測到跌倒,繼電器就會閉合,護理呼叫燈隨即亮起,呼叫器隨之響起。這個做法簡單到近乎粗暴,卻能相容於現有基礎設施中大約90%的系統。不需要資訊部門介入,不需要任何網路設定,只需要兩條線。
對於採用IP式護理呼叫平台的較新機構,我們則透過MQTT或REST推送結構化資料。護理師看到的不再只是「302號房警報」,而是「302號房:偵測到跌倒」或「302號房:住民已4小時未移動」。而第二種警報——不活動警報——後來證明是機構比跌倒偵測本身更渴望擁有的功能。它取代了護理師每隔幾小時就得開門查看住民是否還有呼吸這種帶有侵擾性的作法。
投資報酬率的論點又是如何?
人們總會對部署新感測器基礎設施的成本提出質疑。「攝影機比較便宜,」他們會這麼說,或是:「我們已經有吊墜系統了。」
以下是我常跟機構管理者一起算的一筆帳。單一起需要住院程度的跌倒,就要付出3萬到6萬美元的代價。有實證依據的跌倒預防計畫,已證實其投資報酬率能超過500%——每投入一美元,就能省下五美元。只要我們的系統每個房間每五年能防止一次嚴重跌倒,就足以回本。
但真正最重要的投資報酬,並不在資產負債表上,而在於這套系統所能實現的能力,遠遠超出單純的緊急偵測範疇。透過數週追蹤步態速度與活動量,雷達能偵測到跌倒發生前那些細微的機能衰退。「瓊斯太太這星期走路速度慢了20%」就是一項領先指標,能讓介入措施在事故發生之前及時展開。這已經不是跌倒偵測,而是跌倒預防,而這兩者之間的經濟效益差距,是十分巨大的。
改變一切的典範轉移
我曾被問過不只一次——通常是投資人問的——攝影機是否只要「在隱私保護上做得更好」就行了:把臉模糊化、把身體遮蔽、在本地處理後就刪除。
或許可行。但你終究是從一種預設就會擷取身分的技術出發,再試圖把身分資訊減去。你要求住民相信這個「減去」的過程確實有效、相信軟體不會出錯、相信資料不會被儲存、相信永遠不會有人看到原始畫面。
毫米波雷達的出發點正好相反。它在物理上就無法擷取臉孔,沒有原始畫面可供外洩,也沒有「隱私模式」會被不小心關閉。住民不需要信任我們的軟體,他們可以信任電磁頻譜本身。
那位女士——我母親的鄰居,那位寧可冒著跌在浴室地板上的風險,也不要被攝影機確定監視的女士——她代表著未來十年將面臨同樣抉擇的數百萬人。全球65歲以上人口的成長速度,超過任何其他年齡層。對監測的需求只會有增無減。
問題不在於我們是否該監測長者,而在於我們能不能用一種既保有他們身而為人的尊嚴、又能確保他們安全的方式去做這件事。
我們打造了一套系統,能在黑暗中、隔著浴簾偵測跌倒,卻始終不知道那個人長什麼樣子。它運行在一顆比郵票還小的晶片上,能與1990年代的護理呼叫系統對話,也能與2025年的雲端儀表板對話。它知道一個人何時還在呼吸、何時已經停止移動,而這一切,都是在不產生任何一個影像像素的情況下完成的。
我不認為老年照護的未來,是包裝得更好的監視。我認為那應該是感測——無形、環境式、有尊嚴的感測。物理原理早已支持這件事,AI技術也早已可行。剩下唯一的問題是,這個產業是否有足夠的想像力,停止伸手去拿攝影機。
我們做到了。而我從未回頭。
