Valdetectie met mmWave-radar: zo werkt privacyvriendelijke sensortechniek in de zorg

Waarom het badkamerprobleem cameratoezicht ondermijnde

Vallen is een van de meest voorkomende ongevallen bij ouderenzorg en langdurige zorg. De locaties met het hoogste risico, badkamers, toiletten, achter gordijnen, zijn precies de plekken waar camera's om privacyredenen niet mogen komen. Draagbare sensoren werken, maar alleen wanneer patiënten ze ook daadwerkelijk omdoen. Het resultaat was, tot voor kort, een dekkingsgat precies waar dekking het belangrijkst is.

Wat mmWave-radar precies meet

Millimetergolf(mmWave)-radar zendt een radiosignaal met laag vermogen uit in de 24, 60 of 77 GHz-band en meet de reflecties. Uit die reflecties leidt het systeem beweging, positie, micro-Dopplersignaturen en een globale lichaamshouding af, genoeg om onderscheid te maken tussen staan, lopen, zitten, liggen en een snelle daling (een val). Er is geen beeld, geen herkenbare persoon en niets dat de privacy schendt. De sensor ziet "een lichaam deed dit" zonder te zien "deze persoon deed dit".

Waarom "multimodaal" beter is dan radar alleen

Radar alleen kan valse meldingen geven bij gevallen voorwerpen, huisdieren of iemand die snel gaat zitten. Moderne valdetectiesystemen combineren meerdere modaliteiten:

• mmWave-radar voor houding en beweging
• Spraakinteractie om de toestand van de gebruiker te bevestigen wanneer een afwijking wordt gedetecteerd, wat het aantal valse alarmen drastisch vermindert
• Contextuele omgevingsinformatie (tijdstip, ruimte, eerdere activiteit) om de inferentie te wegen

Deze combinatie maakt de melding betrouwbaar genoeg om een zorgverlener in te schakelen.

Waarom dit op de edge moet draaien

Zowel privacy als latentie vragen om edge-AI. Het streamen van radarreflecties naar een cloud voor inferentie zou het privacyprobleem opnieuw introduceren (nu heeft de cloud identificeerbare gedragsgegevens) en seconden vertraging toevoegen, fataal bij een valreactie. Edge-AI voert inferentie uit op het apparaat, laat alleen de melding de ruimte verlaten en voldoet aan de vereiste lage latentie.

De hardware waarop het systeem draait

Een privacy-first valdetectiesysteem heeft drie dingen nodig van zijn computer:

• Medische bouwkwaliteit: elektrische veiligheid volgens IEC 60601-1, geschikt voor klinische omgevingen
• Edge-AI-rekenkracht: een discrete GPU of NPU die groot genoeg is voor het model
• PCIe-uitbreiding: voor AI-acceleratorkaarten en framegrabbers als visie later wordt toegevoegd

Dit is precies het profiel van Avalue's MAB-T660D edge-AI box-pc (Intel 14e generatie Raptor Lake Refresh, tot 64GB DDR5, PCIe Gen4 x16) en, voor gecentraliseerde analyse over meerdere ruimtes, de HPS-GNRU4A-server (Intel Xeon 6, vier dual-width GPU's, PCIe Gen5). Zie de beschrijving van een live implementatie: Deepfens AI op het medische platform van Avalue.

Waar dit naartoe gaat

De volgende stap is gedragsgezondheidsanalyse: dezelfde radargegevens gebruiken om langdurige inactiviteit, veranderingen in nachtelijke mobiliteit of trends te signaleren die weken vóór een val al wijzen op achteruitgang. Dezelfde privacy-first hardwarestack ondersteunt zowel meldingen als langetermijninzicht, zonder de camerabeelden die governancerisico's met zich meebrengen.

Waar TSL Automation past

TSL Automation levert Avalue's medische edge-AI-platform wereldwijd. Neem contact op met ons team om een valdetectie- of smart-care-implementatie uit te werken rond de MAB-T660D edge-node en de HPS-GNRU4A centrale server.