偵測的尊嚴：架構 隱私保全 AgeTech，結合邊緣 AI 與毫米波雷達

執行摘要

二十一世紀的人口結構轉變，已在高齡照護領域引爆一場危機， 其本質既是倫理問題，也是後勤問題。隨著全球人口老化，必須 監測安全——尤其是跌倒偵測，而跌倒正是 65 歲以上成人因傷害致死的首要原因——這與基本的人身 隱私權猛烈衝突。產業過去依賴光學監視與穿戴式 遙測，打造出一座「照護全景監獄」，安全是以 尊嚴為代價換來的。本白皮書由 Veriprajna 撰寫，主張此種取捨是 工程想像力的失敗，而非照護的必然。

Veriprajna 認為，AgeTech 的未來在於 毫米波 （mmWave）雷達 與 深度邊緣人工智慧 的匯流。不同於僅把感測器資料 轉送到雲端大型語言模型的「包裝層」方案，真正的創新需要 訊號物理、數位訊號處理（DSP）與先進神經 架構在資源受限邊緣裝置上的垂直整合。

本文件作為企業 利害關係人、醫療照護提供者與技術架構師的綜合技術與策略卷宗。它詳述如何從 理論 AI 模型過渡到已部署、穩健的安全方案。我們探討 60GHz 感測物理、邊緣深度學習的細節、環境 雜波的抑制，以及把這些系統整合進遵循 UL 1069 標準的既有護理呼叫基礎設施。我們證明：透過在裝置上本地處理密集點雲與 微多普勒特徵，即可在無需監視的情況下達成安全， 讓長者得到保護，而無須「看著他們一絲不掛」。

1. 老化世界中的隱私與安全兩難

1.1 人口結構迫切性與跌倒流行病

統計數字嚴峻且舉世公認，但仍須重申，以便框定 工程挑戰。跌倒不只是意外；它們是 監測環境的系統性失效。根據美國疾病管制與預防中心（CDC）， 跌倒是 65 歲及以上成人傷害的首要原因。 ¹ 經濟負擔 驚人，非致命跌倒的年度醫療支出約達 僅在美國即約 $50 billion。 ²

然而，成本遠超出資產負債表。「跌倒恐懼」會引發 長者心理上的收縮，導致自我設限的行動限制、 社交孤立，以及加速的身體衰退。 ¹ 因此，AgeTech 的目標並非 僅僅偵測撞擊，而是打造無所不在的安全環境，以恢復 信心。挑戰在於：最危險的空間——浴室與 臥室——也是最私密的空間。

1.2 既有模態的失敗

對此危機的傳統回應依賴兩種主要模態：光學監視 （攝影機）與穿戴式遙測（墜飾／手錶）。兩者都有關鍵失效模式， 使其不足以支撐下一代照護。

1.2.1 光學全景監獄

電腦視覺在人類活動辨識（HAR）上已達到顯著準確度。 然而，部署於私密空間在倫理上充滿爭議。光學系統預設就會擷取 個人可識別資訊（PII）。即便採用「隱私遮罩」或 低解析度串流，濫用或資料外洩的可能仍會對住民造成心理 負擔。³

此外，光學系統受到物理限制：

●​ 照度依賴： 攝影機在低光條件下失效，或需要侵入性的 紅外照明，可能干擾晝夜節律。 ⁵

●​ 遮蔽： 攝影機無法「看穿」浴簾、毯子或隱私屏風， 留下關鍵盲點。 ⁵

●​ 尊嚴： 鏡頭的存在本身就摧毀了心理健康所必需的獨處 感。 ⁶

1.2.2 穿戴裝置的依從缺口

穿戴裝置（PERS）解決了視覺隱私問題，卻引入「依從缺口」。 成效取決於使用者是否記得配戴並為裝置充電。認知 衰退、感官問題或單純健忘，使這些裝置在相當比例的跌倒事件中變得毫無 用處。關鍵的是，許多跌倒發生在夜間——穿戴裝置因 睡眠或充電而被取下——或在沐浴時，防水能力往往不被信任於 使用者。 ⁷ 「被動」系統——無需使用者互動——才是唯一可靠的 做法。

1.3 Veriprajna 哲學：深度 AI，而不只是 API

Veriprajna 在市場上的差異，在於超越表面的「包裝層」 方案。我們不只是把感測器資料串流到雲端 API。我們架構 深度 AI 方案 ，在訊號層運作。透過結合調頻連續

波（FMCW）雷達技術與邊緣 AI，我們從原始電磁反射中提取語意理解 （例如「A 君已跌倒」），而從不重建 視覺影像。這確保隱私來自物理，而不只是政策。

2. 隱私保全感測的基礎物理

要工程化一套既尊重隱私又確保安全的方案，必須選擇一種感測 模態：在物理上無法擷取生物辨識身分（如臉孔），卻 對生物運動（如心跳）高度敏感。毫米波（mmWave） 雷達獨特地能同時滿足這些相互矛盾的要求。

2.1 電磁頻譜：為何是 60 GHz？

雷達透過發射電磁波並分析其反射來運作。 頻率選擇決定了與環境的交互。

●​ 24 GHz（ISM 頻段）： 歷史上用於簡單的運動偵測（如自動門）。 它受困於較低頻寬（距離解析度有限）與較大的天線 需求。 ⁸

●​ 77 GHz： 汽車雷達（自適應巡航控制）的標準。雖然它提供 優異距離（300m+），但針對戶外追蹤快速移動車輛而優化。 ⁵

●​ 60 GHz（V 頻段）： 室內人體監測的最佳選擇。

○​ 精細解析度： 在 60 GHz，波長（$\lambda$）約為 5mm。這 得以偵測「微運動」——胸壁因呼吸與心跳造成的 亞毫米位移。 ⁵

○​ 隱私圍堵： 60 GHz 頻段位於氧氣吸收 譜內，意味訊號隨距離迅速衰減，且無法有效穿透厚 混凝土牆。這防止監測資料「外洩」到 預定房間之外，增加一層物理資料安全。 ⁸

○​ 法規頻寬：監管機構配置寬頻寬（最高 4 GHz）於 免授權使用的 60 GHz 頻段。距離解析度（$d_{res}$）成反比於 頻寬（$B$）： ​ ​ $$d_{res} = \frac{c}{2B}$$ ​ ​ 4 GHz 頻寬可得到約 3.75 cm 的距離解析度。此粒度 讓系統能區分人的肢體與軀幹，這是 區分跌倒與蹲下的關鍵因素。8

2.2 調頻連續波（FMCW）機制

不同於直接測量飛時的脈衝雷達，或只測量速度的簡單連續波 多普勒雷達，Veriprajna 採用 FMCW 雷達。 發射器送出「啁啾」——頻率隨時間線性增加的正弦波。 當此訊號從物體反射並回到接收器時，發射訊號已 移至更高頻率。發射頻率（$f_{tx}$） 與接收頻率（$f_{rx}$）在任一瞬間的差即為差拍頻率（$f_b$）。 此差拍頻率在數學上與目標距離（$R$）相關：

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

其中 $S$ 是頻率斜坡的斜率，而 $c$ 是光速。透過對差拍訊號執行 快速傅立葉變換（FFT），我們把訊號從時域轉換到 頻域，峰值對應物體的距離。 ¹⁰

2.3 四維感測典範

傳統感測器是一維（距離）或二維（影像）。FMCW 雷達提供 四維 資料集：

1.​ 距離（$R$）： 到目標的距離（由差拍頻率導出）。

2.​ 速度（$v$）： 目標相對感測器的速度（由跨多個啁啾的相位偏移導出， 即多普勒效應）。 ⁵

3.​ 方位角（$\theta$）： 水平角（由水平間隔天線之間的相位差 導出）。

4.​ 仰角（$\phi$）： 垂直角（由垂直間隔天線之間的相位差 導出）。

此四維資料結構讓 AI 不是把世界看成平面圖片，而是看成 移動點所構成的動態體積。不同於提供高解析幾何卻 沒有瞬間速度的 LiDAR，雷達為每個點提供 多普勒速度 。這就是雷達 AI 的「祕密 配方」：我們能把靜止的椅子與正在呼吸的人分開，即使 人坐著完全不動，因為人體會產生微多普勒調變。 ⁹

3. 穩健偵測的訊號處理 架構

雷達感測器的原始資料無法立即供神經網路使用。它嘈雜、 複雜且高頻寬。Veriprajna 的專長在於「訊號處理 鏈」——把原始 ADC 資料轉成語意特徵的演算法管線。

3.1 雷達資料立方體

現代雷達處理的基本資料結構是 雷達資料立方體 。它 透過一連串數學變換建構：

1.​ 距離 FFT（快時間）： 在單一啁啾內的樣本上執行。這解析 反射的距離。 ¹³

2.​ 多普勒 FFT（慢時間）： 在一幀內的啁啾序列上執行。這 解析反射的速度。 ¹⁰

3.​ 角度 FFT： 在天線陣列上執行。這解析空間位置。 ¹⁴ 此立方體包含該 $(Range, Velocity, Angle)$ 空間中每個體素的功率強度。

3.2 雜波抑制：穿透雜訊看見的技藝

室內環境對雷達充滿敵意。牆壁、家具與天花板產生大量 反射（雜波），可能淹沒人體的反射。

●​ 靜態雜波移除： 最簡單的做法是減去 多普勒維度上樣本的平均值。這有效移除零 速度物體（牆、家具）。然而，此幼稚做法可能無意中移除 已跌倒、躺著失去意識（因而靜止）的人。

●​ 自適應雜波濾波： Veriprajna 實作進階自適應濾波。我們利用 訊號的相位穩定性，區分「無生命」靜態物體（牆）與 「有生命」靜態物體（失去意識的人）。即使不動的人也有胸壁 位移（呼吸），會產生細微相位調變；我們的演算法 保留它，同時抑制牆面反射。 ¹⁵

3.3 恆虛警率（CFAR）偵測

雜波被抑制後，必須在背景噪聲底上偵測「目標」（關注點）。 固定閾值不夠，因為噪聲底會隨 溫度與干擾變化。我們採用 CFAR（恆虛警率） 演算法， 依局部噪聲環境動態調整閾值。

3.3.1 CFAR 方法

●​ CA-CFAR（單元平均）： 依鄰近單元的平均功率計算閾值。 在均勻噪聲中效果良好，但當多個目標 靠近時會劣化。 ¹⁷

●​ OS-CFAR（順序統計）： 這是多目標環境的產業標準。 它對鄰近單元的功率值排序，並選取第 $k$階 值作為噪聲估計。這能對抗「遮蔽」，即強反射 （例如金屬櫃）掩蓋附近較弱反射（人）。 ¹⁹

●​ 深度 CFAR： 新興研究建議以輕量 神經網路（CNN）取代古典 CFAR，學習雜波與目標峰值的統計分布， 在複雜環境中提供更優效能。 ¹⁴ Veriprajna 正在開創把這些 「神經偵測器」部署到邊緣硬體。

3.4 特徵提取：微多普勒與點雲

偵測階段的輸出是雙重的：

1.​ 微多普勒頻譜圖： 透過隨時間堆疊多普勒 FFT，我們建立速度的視覺 表徵。人行走會產生獨特模式（軀幹以恆定速度移動， 肢體以更高速度振盪）。跌倒產生突然的寬頻 能量爆發（加速度），隨後速度為零。 ¹²

2.​ 點雲： 一組 $(x, y, z, v, SNR)$ 元組，代表三維空間中已偵測的目標。 這使得軌跡追蹤與姿勢分析成為可能。 ²³

4. 雷達感知的深度學習典範

古典訊號處理偵測的是 運動，要理解則需要深度學習 意圖 與 脈絡 。該運動是跌倒，還是只是有人躺到床上？Veriprajna 運用三種不同的 AI 架構來解決此分類問題。

4.1 頻譜圖上的卷積神經網路（CNN）

我們把微多普勒頻譜圖當作影像，並套用電腦視覺技術。

●​ 架構： 我們使用深度卷積神經網路（DCNN）。不同於 ImageNet 所用的龐大 ResNet 模型，我們設計輕量、淺層 CNN， 針對雷達頻譜圖的特定紋理優化。 ²⁵

●​ 特徵學習： CNN 學習辨識跌倒的「形狀」。跌倒特徵 通常在低頻呈現高能量「軀幹閃光」，伴隨 高頻「肢體閃光」，隨即訊號停止。相對地， 「坐下」呈現漸進減速。 ²²

●​ 效能： 基準研究顯示，以 CNN 為基礎、作用於 頻譜圖的方法持續優於古典機器學習（SVM、隨機森林）， 準確度差距達 7-10%，主要因為它們能學習不變特徵 且對噪聲穩健。 ²⁵

4.2 點雲處理：PointNet 與 GNN

頻譜圖缺乏空間脈絡。它們知道某物移動得 多快，卻不知道 何處 。為 解決此點，我們處理三維點雲。

●​ PointNet： 標準 CNN 無法處理點雲，因為它們無序且 稀疏。PointNet 是專門架構，消耗原始點集並學習 空間特徵（例如點的垂直分布）。它能區分站立的人 （垂直點柱）與躺下的人（水平展開的 點）。 ³

●​ 圖神經網路（GNN）： 我們把雷達點當作圖中的節點，邊 代表空間鄰近。GNN 讓模型學習身體部位之間的幾何 關係，有效地將反射「骨骼化」，而沒有 攝影機。 ³

4.3 序列建模：LSTM 與 Transformer

跌倒是時間事件：站立 $\rightarrow$ 不穩 $\rightarrow$ 跌倒中 $\rightarrow$ 撞擊 $\rightarrow$ 躺臥。靜態幀分析往往無法捕捉此因果。

●​ CNN-LSTM： 我們採用混合架構：CNN 從每一幀提取空間特徵， 再饋入長短期記憶（LSTM）網路。LSTM 維持序列的「記憶」，使其能區分 絆跌（恢復）與跌倒（未恢復）。 ²⁷

●​ 雷達 Transformer（RadMamba）： 研究前沿涉及為雷達改編的 Transformer 架構（如 Vision Transformer 或 ViT）。這些模型使用 「自注意力」機制，權衡不同時間步與 頻率箱的重要性。近期創新如 RadMamba 利用狀態空間模型（SSM），以 線性計算複雜度處理長序列雷達資料，使其 比 Transformer 更適於邊緣部署。 ²⁹

4.4 感測器融合：「雙串流」方法

最穩健的系統使用 感測器融合 。Veriprajna 實作雙串流網路：

1.​ 串流 A（頻譜圖）： 分析速度動態（微多普勒）。

2.​ 串流 B（點雲）： 分析空間軌跡（高度－時間）。

3.​ 融合層： 結合這些洞察。

●​ 「坐與跌倒」解法： 經典雷達問題是「重重坐下」。人癱倒 到沙發上會產生類似跌倒的多普勒尖峰。透過融合串流，AI 看見 高速度（串流 A），但注意到最終質心高度是 $z \approx 0.5m$ （串流 B），因而正確分類為「坐下」而非「跌倒」（$z \approx 0m$）。 ³¹

表 1：雷達 AI 架構比較分析

架構	輸入資料	關鍵優勢	運算 成本	最適用途
2D CNN	微多普勒 頻譜圖	高準確度 於 區分 運動類型 （例如：行走對 跌倒）	中	分類 動態 事件

PointNet / GNN	三維點雲	空間脈絡 （姿勢 辨識、 高度 分析）	高	靜態姿勢 分析（躺臥 對坐下）
LSTM / GRU	序列 特徵	時間 連續性； 區分 絆跌與 跌倒	低－中	時間序列 追蹤
Transformer / ViT	雷達立方體／ 圖塊	全域脈絡 感知； 處理長 依賴	非常高	複雜 多人 情境
Veriprajna 雙串流	融合 （頻譜圖 ＋點雲）	結合 速度 動態與 空間 準確度	已優化	穩健、 企業級 跌倒 偵測

5. 邊緣智慧：工程約束與 方案

把高頻寬雷達資料送到雲端處理是隱私風險、延遲 瓶頸，也是頻寬成本。Veriprajna 主張 邊緣 AI，讓神經 網路推論直接發生在感測器的嵌入式處理器上。

5.1 硬體平台：矽晶賦能者

我們鎖定高效能微控制器（MCU）與數位訊號處理器（DSP）， 針對 RF 感測優化。

●​ Texas Instruments (TI) mmWave： 如 IWRL6432 或 IWR6843 這類裝置是 「系統單晶片」（SoC）。它們整合 RF 前端、用於訊號 處理（FFT）的 C674x DSP，以及用於應用邏輯的 ARM Cortex-R4/M4。此緊密 整合可達到極低延遲。 ⁵

●​ Infineon XENSIV： BGT60TR13C 與外部高效能 MCU 配對（如 STM32 或 PSoC）。「封裝天線」（AiP）趨勢縮小實體外形 尺寸，使感測器不突兀，易於安裝在消費環境。 ³⁴

5.2 為邊緣優化：TensorFlow Lite for Microcontrollers

在僅有 512KB RAM 的微控制器上運行深度神經網路，需要極度 優化。

●​ 量化： 標準神經網路使用 32 位元浮點數。我們把 它們轉成 8 位元整數（INT8）。這使模型大小縮小 4 倍並加速 推論，準確度損失通常可忽略（<1%）。 ³⁵

●​ 剪枝： 我們移除神經網路中對輸出貢獻甚少的冗餘連線（權重）， 形成計算更快的「稀疏」模型。

●​ CMSIS-NN： 我們使用 ARM 的 CMSIS-NN 函式庫，它提供在 Cortex-M 處理器上針對卷積與矩陣乘法的手工優化 組合語言核心。這 讓我們能榨出硬體的每一個週期效能。 ³⁷

5.3 功耗管理

對由電池或乙太網路供電（PoE）驅動的感測器而言，能源效率至關重要。

●​ 工作週期切換： 雷達不必連續啁啾。我們實作「幀間 閒置」狀態，此時 RF 前端關電。

●​ 階層式喚醒： 低功耗「存在偵測」啁啾持續運行。只有 在偵測到粗略運動時，高功耗「跌倒偵測」深度學習 模型才醒來分析事件。此「串聯」做法可把電池壽命 從數日延長到數月。 ¹³

6. 克服環境變異：誤報的「長 尾」

在實驗室的受控環境中，雷達運作完美。在真實住家裡，有 吊扇、被風吹動的窗簾，以及寵物。這些「誤報產生器」是 商業採用的主要障礙。Veriprajna 採用多層抑制 策略。

6.1 「吊扇」問題

旋轉風扇產生恆定高頻多普勒特徵，可能使 CFAR 演算法失明，或偽裝成揮舞的肢體。

●​ 解法：微波噪聲自適應處理。 我們訓練 AI 辨識風扇 週期性、位置固定的特徵。系統建立房間的「靜態地圖」。 若在固定 $(x,y,z)$ 座標（ 天花板）持續偵測到高多普勒速度，該特定單元會從跌倒偵測邏輯中被遮罩。AI 學到「在 的高 $(x,y,z)_{fan}$ 速度是正常的」。 ³⁹

6.2 「寵物」問題

大型犬從沙發跳下，可產生多普勒特徵與點雲軌跡， 與跌倒的人危險相似。

●​ 解法：RCS 與長寬比濾波。

○​ RCS（雷達截面積）： 雖有變異，犬的電磁反射率 一般低於成年人類。

○​ 幾何分類： 我們分析點雲的邊界框。 人通常佔用垂直柱（長寬比 $< 1$）。犬佔用 水平體積（長寬比 $> 1$）。我們的分類模型包含特定 「動物」類別，以明確濾除這些事件。 ³⁹

6.3 「窗簾」問題

氣流中移動的窗簾會產生「幽靈目標」，可能觸發存在偵測或錯誤 運動警示。

●​ 解法：區域遮罩。 安裝期間，系統允許定義 「干擾區」（窗戶、空調出風口）。追蹤演算法（擴展卡爾曼 濾波器）提高在這些區域啟動軌跡所需的信心閾值。 此外，窗簾的微多普勒特徵（低頻、正弦 振盪）與人體運動不同，並由深度學習分類器濾除。 ⁴¹

7. 整合生態系：企業連線

能偵測跌倒卻無法有效通報的感測器毫無用處。對於企業在 護理之家與協助生活設施的部署，感測器必須整合進 既有照護生態系。

7.1 護理呼叫系統（UL 1069）

任何照護機構的中樞神經系統是 護理呼叫系統（NCS） 。此系統 受 UL 1069（「醫院信號與護理呼叫設備標準」）規範，該標準 強制嚴格的可靠性、監督與失效安全運作。 ⁴³

●​ 乾接點／繼電器整合： 最穩健且相容的方法。Veriprajna 感測器包含光隔離 固態繼電器（SSR） 輸出。當跌倒被 偵測到，繼電器閉合。這連接到牆上既有護理呼叫 站的「輔助」輸入（例如 Rauland、Ascom、Hill-Rom）。這觸發標準護理呼叫 燈號與呼叫器系統。它簡單、失效安全，並相容於 90% 的既有 基礎設施。 ⁴⁵

●​ 高階 API 整合： 現代 NCS 平台支援 IP 協定。 Veriprajna 感測器可經 MQTT 或 REST API 把 JSON 負載推送到中央伺服器。 這允許更豐富的資料：護理人員看到的不是泛用的「302 室警報」，而是「302 室： 跌倒已偵測（高信心）」或「302 室：住民已 4 小時未移動」。 ⁴⁶

7.2 連線協定

●​ Wi-Fi / Ethernet： 高頻寬，適於把點雲視覺化推送到 護理站（若獲許可）。需要穩健的 IT 基礎設施。

●​ LoRaWAN： 低功耗、長距離。適於「報到」訊息（例如「住民尚未 移動」）與電池供電感測器。然而，延遲能力必須評估 是否足以用於關鍵跌倒警示。 ⁴⁸

●​ Matter / Zigbee： 智慧家庭整合所必需。例如，感測器可 在住民夜間從床上坐起時自動開燈，作為 對抗跌倒的 預防性 措施。 ⁴⁸

7.3 合規與資安框架

●​ GDPR 與 HIPAA： 因為毫米波雷達不擷取生物辨識識別符（臉孔、 指紋）或可辨識影像，它本質上比攝影機更符合 GDPR 與 HIPAA 。它處理「匿名運動資料」。然而，行為 模式（例如如廁頻率）構成健康資料（PHI），必須受到保護。 Veriprajna 對所有傳輸中資料採用 TLS 1.2+ 加密，對靜態資料採用 AES-256 加密。 ⁶

●​ ISO 31700（隱私設計）： Veriprajna 遵循 ISO 31700 標準，適用於 消費品。

○​ 主動： 隱私被工程進硬體（無麥克風、無鏡頭）。

○​ 預設： 最高隱私設定即為預設。

○​ 生命週期： 資料最小化策略確保資料在不再

需要時被刪除。 ⁵⁰

8. 策略價值與未來視野

導入 Veriprajna 的深度 AI 雷達方案是一項投資，但投資 報酬率（ROI）具體且可衡量。

8.1 尊嚴的 ROI

●​ 直接成本迴避： 單次伴隨傷害的跌倒，讓機構花費介於 $30,000 與 $60,000 的醫療成本、法律責任與增加的照護需求。 ⁵²

●​ 間接成本節省： 減少「誤報」可降低人員過勞與「警報 疲勞」。當系統警示時，人員知道那是真的。

●​ ROI 計算： 投資感測器系統，只要能預防僅僅 一次 每 5 年一次的住院級跌倒，即可產生正 ROI。研究顯示以證據為基礎的跌倒預防 計畫可帶來超過 500% 的 ROI（每投入 $1 可節省 $5）。 ⁵²

8.2 透過分析的營運效率

除了緊急警示，系統還提供 縱貫分析 。

●​ 預防性照護： 透過數週追蹤步態速度與活動量，系統能 偵測跌倒前的細微衰退。「Jones 太太本週走路慢了 20%」 是強大的領先指標，讓人能在意外發生 之前 介入 。

●​ 人員效率： 護理人員不再需要為了檢查住民是否 在床上而進行侵入性「巡房」。儀表板提供即時存在狀態，讓人員 專注於真正需要協助的住民。 ⁵⁴

8.3 未來：6G 與感測器融合

雷達的路線圖正在加速。

●​ 6G 感測（ISAC）： 未來 6G 網路將整合感測與通訊 （ISAC）。未來的 Wi-Fi 路由器將 就是 跌倒偵測感測器，利用 已充滿我們住家的無所不在無線電波。 ²¹

●​ 多模態融合： 把毫米波雷達與熱成像或聲學 感測器（用於語音通話）結合，將在維持隱私的同時進一步提升準確度。

結論

從「監視」走向「感測」是 AgeTech 十年的決定性轉變。我們 已走過安全必須以尊嚴為代價的時代。透過以毫米波天線取代 攝影鏡頭，並以深度邊緣 AI 取代人類監看者， 我們化解安全與隱私的衝突。

Veriprajna 不只是在賣感測器；我們提供 深度 AI 基礎設施 ——即 清理後的訊號、穩健的分類模型、誤報拒絕邏輯，以及 安全的企業整合——使此承諾成為現實。我們提供的方案 在物理上無法「看著他們一絲不掛」，在計算上卻能讓他們保持 安全。

安全。穩妥。私密。這就是 Veriprajna 的承諾。

參考文獻

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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