Wykrywanie upadków radarem mmWave: detekcja chroniąca prywatność w praktyce

Dlaczego problem łazienki zniweczył nadzór kamerowy

Upadki należą do najczęstszych wypadków w opiece nad osobami starszymi i w opiece długoterminowej. Miejsca o najwyższym ryzyku, czyli łazienki, toalety i przestrzeń za parawanem, to dokładnie te miejsca, w których ze względu na prywatność nie można umieścić kamer. Urządzenia noszone działają, ale tylko wtedy, gdy pacjent je założy. W efekcie, aż do niedawna, luka w pokryciu występowała dokładnie tam, gdzie pokrycie jest najważniejsze.

Co faktycznie mierzy radar mmWave

Radar fal milimetrowych (mmWave) nadaje sygnał radiowy małej mocy w pasmach 24, 60 lub 77 GHz i mierzy odbicia. Na ich podstawie wyznacza ruch, położenie, sygnatury mikrodopplerowskie i przybliżoną postawę ciała, co wystarcza do rozróżnienia stania, chodzenia, siedzenia, leżenia i gwałtownego opadnięcia, czyli upadku. Nie powstaje żaden obraz, nie ma rozpoznawalnej osoby i nic nie narusza prywatności. Czujnik widzi, że „ciało wykonało taki ruch", nie widząc, że „zrobiła to ta osoba".

Dlaczego podejście multimodalne bije sam radar

Sam radar może fałszywie reagować na upuszczone przedmioty, zwierzęta domowe lub szybkie siadanie. Nowoczesne systemy wykrywania upadków łączą kilka modalności:

• Radar mmWave do oceny postawy i ruchu
• Interakcja głosowa pozwalająca potwierdzić stan użytkownika po wykryciu anomalii, co drastycznie ogranicza fałszywe alarmy
• Kontekst środowiskowy (pora dnia, pomieszczenie, wcześniejsza aktywność) do ważenia wnioskowania

To właśnie połączenie tych elementów sprawia, że alarm jest na tyle wiarygodny, by wysłać opiekuna.

Dlaczego musi działać na brzegu sieci

Zarówno prywatność, jak i opóźnienia wymagają edge AI. Przesyłanie odbić radarowych do chmury w celu wnioskowania przywróciłoby problem prywatności (chmura miałaby wtedy identyfikowalne dane behawioralne) i dodałoby sekundy opóźnienia, co przy reakcji na upadek może być krytyczne. Edge AI prowadzi wnioskowanie na urządzeniu, pozwala opuścić pomieszczenie wyłącznie alarmowi i mieści się w wymaganym oknie niskich opóźnień.

Sprzęt, na którym opiera się system

System wykrywania upadków respektujący prywatność potrzebuje od swojego komputera trzech rzeczy:

• Konstrukcji klasy medycznej, bezpieczeństwo elektryczne IEC 60601-1, odpowiednie do środowisk klinicznych
• Mocy obliczeniowej edge AI, dedykowanego GPU lub NPU o wydajności wystarczającej dla modelu
• Rozszerzenia PCIe, na karty akceleratorów AI i karty frame grabber, jeśli w przyszłości dojdzie fuzja z obrazem

Dokładnie taki profil ma komputer typu box edge AI MAB-T660D firmy Avalue (Intel 14. generacji Raptor Lake Refresh, do 64GB DDR5, PCIe Gen4 x16), a do scentralizowanej analityki obejmującej wiele pomieszczeń serwer HPS-GNRU4A (Intel Xeon 6, cztery karty GPU o podwójnej szerokości, PCIe Gen5). Opis rzeczywistego wdrożenia znajdą Państwo tutaj: Deepfens AI na platformie klasy medycznej firmy Avalue.

Dokąd to zmierza

Kolejnym krokiem jest analityka zdrowia behawioralnego, czyli wykorzystanie tych samych danych radarowych do sygnalizowania przedłużającej się bezczynności, zmian mobilności nocnej lub trendów zapowiadających pogorszenie stanu na wiele tygodni przed upadkiem. Ten sam stos sprzętowy respektujący prywatność obsługuje zarówno alarmowanie, jak i długoterminowe wnioski, bez nagrań z kamer, które tworzą ryzyko po stronie nadzoru nad danymi.

Rola TSL Automation

TSL Automation dostarcza platformę edge AI klasy medycznej firmy Avalue na całym świecie. Prosimy o kontakt z naszym zespołem, aby zaplanować wdrożenie wykrywania upadków lub inteligentnej opieki w oparciu o węzeł brzegowy MAB-T660D i centralny serwer HPS-GNRU4A.