以毫米波雷達與深度邊緣AI實現保護隱私的跌倒偵測
高齡照護產業正面臨一個無解的兩難： 安全，還是尊嚴。攝影機侵犯隱私，穿戴式裝置則有配戴依從性的落差。Veriprajna 以物理手段解決這個難題——採用 60 GHz 毫米波雷達 ，其在物理上無法擷取臉部影像，卻能以 99% 的準確率偵測跌倒。
我們在訊號層級建構深度AI解決方案——FMCW 雷達、微都卜勒分析，以及運行於 TI 毫米波 SoC 上的邊緣神經網路。藉此實現 無監控的安全保障，讓長者獲得安全保障，而無需「赤裸裸地被注視」。
Veriprajna 與護理之家、安養機構、醫療提供者及高齡照護營運商合作，化解隱私與安全的兩難——提供真正有效、保全尊嚴的監測。
降低法律責任、預防跌倒，並提升住民滿意度。我們的毫米波感測器可與既有的 UL 1069 護理呼叫系統無縫整合——在沒有侵入性攝影機或不可靠穿戴式裝置的情況下觸發警報。
部署尊重病人尊嚴的被動式監測。沒有配戴落差——即使病人忘記配戴穿戴式裝置、睡覺或洗澡，雷達仍能運作。可在浴室與臥室等攝影機在倫理上不可接受的場所偵測跌倒。
讓長者在低調的安全監測下更久地獨立生活。搭載分層喚醒機制的電池供電 LoRaWAN 感測器，可將電池壽命從數天延長至數月，同時維持即時跌倒警報。
跌倒是 65 歲以上成人因傷死亡的首要原因。然而傳統監測方案卻造就了「全景監獄式的照護」——以尊嚴為代價換取安全。
電腦視覺攝影機預設就會擷取個人識別資訊（PII）。即便採用「隱私遮蔽」，鏡頭的存在本身就足以摧毀心理健康所必需的獨處感。
穿戴式 PERS 裝置（吊墜、手錶）需要使用者記得配戴並充電。認知衰退、感官障礙或健忘，會讓這些裝置在關鍵跌倒事件中形同虛設。
一次受傷跌倒會為機構帶來 $30,000–$60,000 的醫療成本、法律責任與照護需求增加。對跌倒的恐懼引發心理退縮，導致加速衰退。
「產業對光學監控與穿戴式遙測的依賴，造就了『全景監獄式的照護』——安全以尊嚴為代價換取。 這種取捨是工程想像力的失敗，而非照護的必然。"
— Veriprajna 技術白皮書，2024
光學攝影機擷取的是 視覺影像 ，會暴露身分、衣著與私密細節。毫米波雷達擷取的則是 電磁反射 ，只揭露運動特徵——永遠不會重建出可辨識的影像。
在 60 GHz 下，波長 λ ≈ 5mm。這使其得以偵測微動（呼吸、心跳），同時在 物理上無法 解析臉部特徵。隱私不是軟體功能——而是基本物理原理。
切換模擬畫面，看看攝影機如何暴露身分，而雷達又如何保有匿名性。兩者都能偵測跌倒——只有雷達能守護尊嚴。
我們不是在賣感測器。我們建構的是深度AI基礎架構——結合訊號物理、數位訊號處理，以及運行於資源受限邊緣裝置上的先進神經網路。
大多數廠商把感測器資料串流到雲端大型語言模型。Veriprajna 則是在 訊號物理層級運作——FMCW 雷達 chirp、FFT 處理、CFAR 偵測與微都卜勒分析。我們從原始電磁反射中萃取語義理解（「有人跌倒了」）。
我們的神經網路直接運行於 TI 毫米波 SoC（IWRL6432、IWR6843）與 Infineon XENSIV 晶片上。TensorFlow Lite Micro 結合 INT8 量化、CMSIS-NN 最佳化與分層喚醒，以 <300ms 的延遲實現即時推論。
現實環境中有吊扇、寵物與窗簾。我們透過自適應雜波濾除、區域遮蔽、RCS/長寬比分析，以及雙串流融合（頻譜圖＋點雲），解決誤報的「長尾」問題。
Veriprajna 遵循 ISO 31700（隱私始於設計）、HIPAA（未經匿名化不得處理 PHI）與 GDPR（不擷取生物特徵資料）。傳輸中的資料採用 TLS 1.2+ 加密，靜態資料採用 AES-256，並具備行為模式保護。
頻率的選擇決定了與環境互動的方式。60 GHz 是室內人體監測的最優選——在解析度、隱私封閉性與法規頻寬之間取得平衡。
過去用於移動偵測（自動門）。較低的頻寬使距離解析度受限於 ~6cm。較大的天線需求讓外型尺寸顯得笨重。
車用雷達的標準（自適應巡航控制）。距離表現極佳（300m+），但為戶外高速行駛的車輛而最佳化，而非細膩的室內人體運動。
最適合高齡照護。 波長 λ ≈ 5mm 使微動偵測（呼吸、心跳）成為可能。氧氣吸收提供天然的隱私封閉性——訊號不會穿牆外洩。
傳統感測器是一維（距離）或二維（影像）。FMCW 雷達提供 4D 資料集——讓AI把世界感知為一片由移動點構成的動態立體空間。
古典訊號處理只能偵測運動。深度學習則能理解情境——分辨跌倒與坐下、絆倒與自行站穩。
把微都卜勒頻譜圖當作影像處理。深度 CNN 學習運動的「形狀」——軀幹閃現＋肢體閃現＋歸於靜止＝跌倒特徵。
以 3D 點雲處理取得空間情境。透過幾何分析區分站立（垂直柱狀分布）與躺臥（水平擴散）。
以序列建模掌握時間因果。CNN-LSTM 混合模型保有「記憶」，得以區分絆倒（可恢復）與跌倒（無法恢復）。
融合串流A（速度）與串流B（空間軌跡），解決「困難的坐下」問題——速度高但最終高度 z ≈ 0.5m ＝ 坐下，而非跌倒。
將 32 位元浮點數轉換為 8 位元整數。模型大小縮減為 1/4、推論提速，通常精度損失 <1%。對只有 512KB RAM 的 MCU 而言至關重要。
ARM 為 Cortex-M 處理器手工最佳化的組合語言。在即時處理 380 FPS 雷達影格時，每一個 CPU 週期都舉足輕重。
低功耗的在場偵測 chirp 持續運行。深度學習模型只在偵測到粗略運動時才甦醒——將電池壽命從數天延長至數月。
看看不同的活動如何產生獨特的速度模式。跌倒會呈現特徵性的「寬頻爆發」（加速），隨後速度歸零。
實證基礎的跌倒預防方案能創造 500% 的投資報酬率。請根據您機構的條件調整參數。
CDC 數據：安養機構每年每床約 1.5 次跌倒
一般範圍：每次受傷跌倒 $30K–$60K
實證方案：可降低 20–40%
與既有照護基礎設施無縫連接——UL 1069 護理呼叫系統、EMR 平台與 IoT 生態系統。
Veriprajna 感測器配備光隔離固態繼電器（SSR）輸出。偵測到跌倒時，繼電器隨即閉合——接通既有護理呼叫主機（Rauland、Ascom、Hill-Rom）的「輔助」輸入端。
多協定支援確保在各種機構 IT 環境中都能彈性部署——從既有有線系統到現代 IoT 網路。
毫米波雷達不擷取生物特徵識別碼（臉部、指紋），僅處理「匿名運動資料」。傳輸中採用 TLS 1.2+，靜態資料採用 AES-256。
符合隱私始於設計標準：主動防護（無鏡頭／麥克風）、預設最高隱私、生命週期（資料最小化）。
醫院信號與護理呼叫設備標準——符合嚴格的可靠性、監督與失效安全運作要求。
在 60 GHz 下，雷達波長約為 5mm，因此能偵測呼吸與心跳等微動，同時在物理上無法解析臉部特徵。感測器擷取的是以都卜勒速度與 3D 點雲資料形式呈現的電磁反射，而非視覺影像。隱私由基本物理原理保證，而非靠軟體遮蔽，因此在設計上即符合 HIPAA 與 GDPR。
Veriprajna 的毫米波跌倒偵測採用雙串流融合架構，達到 99% 的準確率。串流A透過 CNN 處理微都卜勒頻譜圖，學習軀幹閃現與肢體閃現等運動形狀。串流B則以 PointNet/GNN 進行 3D 點雲空間分析。雙串流做法結合速度資料與最終高度分析來區分跌倒與受控的坐下動作，從而解決「困難的坐下」問題。
一次受傷跌倒會為機構帶來 $30,000–$60,000 的醫療成本與法律責任。實證基礎的跌倒預防方案能創造 500% 的投資報酬率，每支出 $1 節省 $5。美國每年用於非致命跌倒的醫療支出為 $50B。CDC 指出安養機構每年每床約發生 1.5 次跌倒，使預防跌倒成為財務與臨床上的重大當務之急。
Veriprajna 的毫米波雷達＋深度邊緣AI解決方案不只是監測跌倒——它以隱私優先工程的視角，從根本上重新想像高齡照護科技。
預約技術諮詢，討論在您機構的部署、試點方案選項，以及客製化的投資報酬率模型。
完整工程報告：FMCW 雷達物理、訊號處理架構、深度學習典範、邊緣最佳化技術、誤報緩解、企業整合協定、合規框架，以及完整的參考文獻。