你家的Wi-Fi路由器就能偵測跌倒——這才是比任何智慧手錶都重要的原因
我母親每個星期天都會打電話給我。幾個月前,她提到——幾乎像是順帶一提——我祖母已經不再戴她的醫療警報吊墜了。「這讓她覺得自己老了,」我母親說,語氣帶著一種特有的疲憊,那是曾多次為此爭論過的人才有的疲憊。
我祖母今年83歲。她獨自居住。那個吊墜原本應該是她的安全網——按一下按鈕,就能獲得幫助。但現在它躺在抽屜裡,旁邊放著一條她怎麼也弄不明白的充電線,還有一本沒人讀過的快速入門指南。市面上最先進的個人緊急裝置,如今卻只是個名副其實的紙鎮。
那次談話讓我在VeriPrajna一直反覆思考的某件事變得清晰起來。我們當時正深入研究「通道狀態資訊」(Channel State Information)——隱藏在每個Wi-Fi訊號中的複雜資料層——而我不斷回到同一個令人不安的問題:如果整個穿戴式健康監測產業一直在解決錯誤的問題,那該怎麼辦?
不是感測器的問題。不是電池的問題。而是一個人的問題。
我祖母拒絕配戴的那款裝置擁有出色的跌倒偵測演算法。它有48小時的電池續航力。它符合IP68防水規格。但這些全都不重要,因為它需要一位患有關節炎的83歲女性每天都主動配合這項科技。研究證實了我祖母僅憑固執所展現的事實:大約30%的使用者會在六個月內放棄使用健康追蹤裝置。而在個人緊急應變吊墜的使用者中,只有14%能真正做到24小時全天配戴。
最有效的健康監測裝置,並非配備最佳感測器的那一款。而是完全不需要任何互動的那一款。而它可能早已就在你的客廳裡,在數據機旁靜靜地閃爍著。
淋浴悖論
這裡有一項統計數據,應該會讓任何從事醫療科技的人感到憂心:浴室是老年人在家中最危險的房間,而這也正是穿戴式裝置最有可能被摘下的地方。
當我們在梳理主動監測系統的失效模式時,我開始把這稱為「淋浴悖論」。儘管現代智慧手錶都具備IP67或IP68的防水等級,年長者仍然習慣在洗澡前把它們摘下來。一輩子與經不起一點水花的電子產品打交道的經驗。害怕損壞昂貴的物品。潮濕的錶帶貼在脆弱皮膚上的不適感。這些理由都平凡無奇,卻又完全合情合理。
因此,使用者恰恰在跌倒最可能發生的那段時間裡完全未受監測。濕滑的磁磚、堅硬的瓷器邊緣、蒸氣降低了能見度——而裝置就擱在洗手台上,電力充足,卻毫無用處。
早期我向一位投資人提出這個問題時,他聳聳肩說:「那就做一個他們拿不下來的防水吊墜啊。」我記得當時坐在那場會議裡心想:你這是想把一位83歲的老人銬在感測器上。那不是解決方案,那是一種束縛。
問題不在於如何讓人們願意配戴監測裝置,而在於如何讓監測變得無形無感。
如果你家的牆壁能聽見你的呼吸呢?
不是靠麥克風,而是靠無線電波。
你家中的每一台Wi-Fi路由器都持續在發射無線電頻率訊號,這些訊號會從牆壁、家具,以及——最關鍵的——人身上反彈回來。這些訊號攜帶著一種稱為「通道狀態資訊」(CSI)的東西。與你手機顯示的那種粗略訊號強度指示器(就是那些熟悉的訊號格)不同,CSI描述的是無線訊號如何在數十甚至數百個獨立頻率子載波上傳播。它會擷取每一個子載波的振幅與相位。本質上,這是物理環境的一種高解析度電磁指紋。
當一個人在那個環境中移動時,就會擾動這個指紋。走過一個房間,反射訊號中的都卜勒頻移就會產生獨特的速度模式。走路時擺動雙臂,CSI就能擷取到肢體朝接收器靠近與遠離時那種複雜的交互作用。
但當我第一次看到這些數據時,真正讓我震驚的是:你根本不需要走動。你只需要呼吸就夠了。
在5 GHz頻段下,Wi-Fi訊號的波長約為6公分。人體胸壁在正常呼吸時大約會位移4到12毫米。這只是波長的一小部分——但已經足夠了。隨著胸腔的擴張與收縮,反射訊號會在建設性干涉與破壞性干涉之間來回變化,在CSI相位資料中形成一種有節奏的震盪。我們能從這種震盪中重建出呼吸波形,其準確度可媲美醫療級的呼吸帶——實驗評估顯示,呼吸速率估計誤差低於每分鐘3.2次,而深度學習模型與參考胸帶的相關係數超過0.92。
我記得我們團隊第一次從一台普通消費級Wi-Fi路由器中擷取出乾淨呼吸訊號的那個晚上。時間很晚了——早已過了午夜——我的一位工程師已經在我們測試空間的沙發上躺了二十分鐘,我們則在調校前處理流程。當波形出現在螢幕上時,平滑而有節奏,完美地追蹤著他的呼吸,整個房間頓時安靜下來。接著有人說:「他真的睡著了。」而我們看得見這一切。不是靠攝影機,不是靠胸帶。是隔著一道牆,透過無線電波,從一台30美元的路由器看見的。
就是在那一刻,我知道我們做的不是漸進式的改良,而是一套完全不同的範式。
你為什麼不乾脆用GPT來做這件事?
我經常被問到這個問題。通常是那些過去兩年一直在觀察大型語言模型做出越來越令人印象深刻的成果、並合理地得出結論——「AI」就等於「把問題丟給一個在網路文本上訓練出來的Transformer」——的人。
CSI資料不是文字。甚至可以說跟文字完全沾不上邊。它是連續的、複數值的、高維度的,而且是由馬克士威方程式所支配,而非由文法所支配。大型語言模型無法「讀懂」一個5 GHz的波形,就如同它無法嚐到檸檬的味道一樣。這兩種架構在根本上就是不匹配的。
這就是為什麼當我看到有公司行銷所謂「AI驅動」的健康監測,實際上不過是包裹在一個通用模型外面的API包裝器時,會感到沮喪。在VeriPrajna,我們打造的是專為時序訊號處理量身設計的客製化深度神經網路。這種區別很重要——這是一套只在展示會上能運作的系統,和一套在凌晨三點某人的祖母在浴室跌倒時真正能發揮作用的系統之間的差別。
我們的架構同時運用三種神經網路協同運作,各自處理訊號的不同面向:
卷積神經網路把CSI資料矩陣——也就是子載波隨時間變化所繪製出的圖形——當作一種影像來處理。CNN學習不同頻率之間的空間相關性,辨識出跌倒的頻譜「形狀」與旋轉中天花板風扇形狀之間的差異。長短期記憶網路則加入了時間脈絡。跌倒並非單一瞬間,而是一連串序列——站立、失去平衡、向下加速、撞擊、靜止不動。LSTM會記得先前發生了什麼,這正是我們區分一個人跌倒與一個人癱坐到沙發上的方式。而雙分支Transformer則透過各自獨立的路徑同時處理振幅與相位資料,並運用一種注意力機制將兩者融合,動態地優先採用資訊量最豐富的那個資料流。在睡眠期間,模型會倚重蘊含呼吸訊號的相位資料。在活動期間,它則會轉向倚重振幅資料。
我在文章中詳述了完整的技術架構——包括前處理流程、領域適應方法,以及菲涅耳區的物理原理——請參閱我們詳盡的研究論文。簡而言之:這不是一個靠一個預訓練模型加上一個週末黑客松就能解決的問題。光是訊號處理本身,就需要先進行相位展開、漢普爾濾波(Hampel filtering)以及主成分分析,神經網路才有機會接觸到資料。
大型語言模型無法「讀懂」一個5 GHz的波形。健康AI領域中最危險的事,不是糟糕的演算法,而是包裝在膚淺技術之上的高明行銷。
Wi-Fi感測究竟是如何偵測跌倒的?
跌倒具有一種運動學特徵,在無線電頻率領域中顯得出奇地獨特。不同的活動會產生不同的都卜勒模式——也就是訊號從移動物體反彈時所產生的頻率偏移。
走路會產生一種複雜的震盪模式,因為手腳會朝接收器方向擺動又遠離。坐下則會產生短暫、受控的向下速度。但跌倒呢?跌倒會呈現出一個特定的序列:不規則的動作(失去平衡)、朝地面快速加速(重力發揮作用)、一個急遽的能量尖峰(撞擊),接著——關鍵在於——幾乎完全靜止不動。
那種靜止不動才是最重要的關鍵。我們稱之為「長時間躺臥」(Long Lie),它往往比跌倒本身更危險。一位年長者在地板上躺了數小時、無法起身,將面臨橫紋肌溶解症、脫水、壓瘡等風險。跌倒可能造成髖部骨折;而長時間躺臥卻可能致命。
我們的系統不僅偵測跌倒事件本身——其跌倒偵測靈敏度超過97%——它還會在事後持續進行監測。如果CSI顯示大動作肢體活動消失,但地面高度仍持續存在微幅動作(呼吸),系統就會判定為「跌倒且無法自行恢復」並進行升級處理。這種跌倒後的情境脈絡,是穿戴式加速度計從根本上無法提供的。穿戴式裝置只能告訴你它偵測到一次突然的減速。它無法告訴你,這個人此刻正躺在浴室地板上,過去四十分鐘裡持續呼吸卻毫無動靜。
還有一層更讓我感到興奮的地方:跌倒前偵測。透過連續數週監測步態——包括走路速度、步幅一致性——系統能夠識別出通常在跌倒之前就會出現的細微行動能力衰退。走路速度逐漸變慢,是經臨床驗證的跌倒風險預測指標。這代表我們可以標記出某人接受預防性物理治療,是事先,而不僅是在事故發生後才做出回應。
沒有眼睛卻能看見的房間
我曾和一位同事為了隱私問題爭論不休,斷斷續續持續了大約三個星期。
他的立場是:任何在家中監測人們的系統都是監控,毫無例外。而我的立場是:這完全取決於這套系統能看見什麼。
臥室裡的攝影機會記錄一個人的身體、臉孔,以及私密時刻。一旦影像串流遭到駭入,造成的損害將是災難性且無法挽回的。CSI資料——也就是Wi-Fi感測的原始材料——是由代表訊號傳播特性的複數所組成。如果你攔截了這股資料流,你看到的會是振幅與相位數值所組成的矩陣。你不會看到一張臉。你不會看到一具身體。就算你想重建出一張影像,也做不到。這套系統在設計上就是視覺上全盲的。
Wi-Fi感測並不「觀看」人。它感受到的是人在電磁場中所造成的擾動。這種區別不只是文字上的差異——而是監控與感知之間的根本不同。
這對浴室的問題來說格外重要。在大多數照護機構中,浴室與臥室理所當然地禁止裝設攝影機。但Wi-Fi訊號能穿透牆壁、門扉與浴簾。它們能穿透蒸氣運作。它們也能在完全黑暗中運作。家中最危險的房間,就這樣在沒有任何一個鏡頭對準任何人的情況下,變得可以被監測。
對企業客戶而言——包括安養中心、輔助生活機構、居家醫院照護計畫——法規上的影響十分重大。根據GDPR,CSI被歸類為生物識別資料,因為理論上它能透過步態模式辨識出個人身分。根據HIPAA,由監測所衍生出的健康資料屬於受保護的健康資訊(Protected Health Information)。我們透過嚴格的邊緣運算來處理這個問題:原始CSI資料會在路由器或閘道器上進行本地處理,高頻寬的生物識別訊號永遠不會離開裝置,只有經過抽象化處理後的事件才會傳送到雲端。一個JSON封包內容如下:{"event": "Fall", "location": "Bathroom", "confidence": 0.98},其中不含任何生物識別資料,也無法被逆向工程用來辨識任何人的生理特徵。
我在我們白皮書的互動版本中深入探討了完整的隱私架構與合規框架。
不同房間與不同住家又該怎麼辦?
這是我最認真看待的一項質疑,因為多年來,這確實是扼殺Wi-Fi感測研究的真正殺手。
一個以A實驗室所蒐集的CSI資料訓練出來的模型,部署到B公寓時往往會慘烈失敗。不同的房間尺寸、不同的家具、不同的牆壁材質——多路徑環境會改變一切。這個模型學到的並不是「跌倒看起來是什麼樣子」,而是「在這個特定角落、擺著這張特定沙發的這個特定房間裡,跌倒看起來是什麼樣子」。它過度擬合了單一空間的反射特性。
我的團隊親身經歷了一段真正痛苦的過程才發現這一點。我們在測試環境中得到了非常漂亮的準確率數字——跌倒偵測超過98%——然後我們把整套設備搬到同一棟大樓的另一層樓,眼睜睜看著數字直線崩跌。我記得自己盯著混淆矩陣,以為是哪裡接錯線了。我們並沒有接錯。這個模型只是單純把那個房間死背下來了而已。
解決方案來自一種稱為「領域對抗神經網路」(Domain Adversarial Neural Networks)的對抗式訓練方法。這個想法在原理上優雅得很,但實作起來卻令人抓狂:你要同時以兩個彼此競爭的目標來訓練這個網路。其中一個輸出頭負責正確分類活動類型——跌倒、走路,還是坐下。另一個輸出頭則試圖判斷這筆資料來自哪一個環境。接著,你要強迫特徵萃取器去混淆那個環境分類器。這套網路因此被迫去學習不隨房間而改變的特徵——也就是那種無論發生在套房公寓還是安養院走廊,看起來都一樣的跌倒特徵「柏拉圖式理型」。
當我們終於讓這套方法運作起來時——歷經數週的超參數調校,以及不只一次關於梯度反轉層的深夜辯論——跨環境的準確率終於穩定下來。並不完美,但已經可以部署。「訓練一次,到處部署」從一個願景,變成了工程上的現實。
零硬體改裝
對於我接觸過的那些營運者——經營輔助生活機構的人、為跌倒風險建模的保險精算師、居家醫院照護計畫的主任們——真正打動他們的重點其實不在於AI本身,而在於經濟效益。
這些機構早已擁有企業級Wi-Fi網路。走廊上早已裝有路由器,公共區域也早已設有無線接取點。感測能力就存在於這些裝置本來就在發射的訊號之中。只要搭配合適的晶片組——例如高通(Qualcomm)搭載Hexagon NPU的Networking Pro系列、博通(Broadcom)配備BroadStream遙測引擎的Wi-Fi 7與Wi-Fi 8平台,甚至是部署為專用感測節點、單價僅5美元的ESP32微控制器——這項升級主要就只是軟體層面的工作。
不需要購買、遺失、充電或更換任何穿戴式裝置。不需要安裝、維護攝影機,也不需要在隱私訴訟中為攝影機辯護。一次韌體更新,就能同時在100個房間中啟用跌倒偵測功能。
IEEE正在透過802.11bf這項預計於2024年底或2025年通過批准的WLAN感測標準,將此正式化。一旦這項標準生效,每一台新的Wi-Fi路由器都將原生支援CSI擷取與感測請求。路由器將搖身一變,成為一種標準化的雷達。基礎設施早已到位,我們只是還沒善加利用而已。
有時候人們會問我,被動式Wi-Fi感測是否會完全取代穿戴式裝置。我認為不會——至少對於那些活動力強、行動自如,能從運動時的心率監測或戶外活動時的GPS追蹤中受益的族群來說不會。對於65到75歲之間、數位素養高且身體仍然活躍的「年輕老人」族群而言,穿戴式裝置確實有其真正的用途。但對於患有失智症、連為吊墜充電都記不住的85歲長者呢?對於術後在家休養、需要持續呼吸監測的病患呢?對於試圖在每個房間都不裝攝影機的情況下,提供全天候24小時安全防護的機構營運者呢?答案不是一款更好的穿戴式裝置,而是根本不需要穿戴式裝置。
也有人問到寵物的問題——狗會不會觸發假警報?一隻15磅重的㹴犬和一位80歲老人,兩者的都卜勒特徵在速度輪廓與身體截面積上都截然不同。神經網路很快就能學會分辨這種差異。貓則比較棘手,但來自LSTM的時間脈絡——也就是動作的序列,而不只是單一畫面——能夠處理大多數的邊緣案例。
空氣中早已充滿了資訊
當我在開發這項技術時,常常會想起我的祖母。她不是提案簡報裡的一個使用案例或人物側寫。她是一個真實的人,她想住在自己的家裡,過著自己的生活作息,而不必在脖子上掛著一個塑膠吊牌,向每一位訪客廣播自己的體弱與脆弱。
她公寓裡的空氣早已充滿了Wi-Fi訊號。這些訊號穿過她的牆壁,從她的家具上反射回來,隨著她的每一次呼吸而泛起漣漪。而此刻,所有這些資訊都白白消散、未被使用——只是不可見、被忽視的電磁噪訊。
我們擁有能夠讀取這些訊號的物理學。我們擁有能夠解讀這些訊號的AI。我們也已經有數百萬個家庭裝設好了這些硬體。橫亙在我們現況與我們理想境地之間的,唯一的一件事,就是我們是否願意不再把健康監測想成是綁在一個人身上的東西,而開始把它想成是編織進他們周遭空間裡的東西。
健康監測的未來,關鍵不在於更好的裝置,而在於讓建築物本身具備感知能力——並讓這種感知能力變得無形無感。
要求脆弱族群自行管理監控自己的科技裝置,這樣的時代正在終結。並非因為這項技術失敗了,而是因為它背後的假設——認為配合度是使用者的問題,而非設計上的缺陷——從一開始就是錯的。答案從來都不是一個更好按的按鈕,而是徹底消除按下任何按鈕的必要性。
