Ihr Wi-Fi-Router kann einen Sturz erkennen. Warum das wichtiger ist als jede Smartwatch.

Meine Mutter ruft mich jeden Sonntag an. Vor ein paar Monaten erwähnte sie – fast beiläufig –, dass meine Großmutter aufgehört hatte, ihren Notfall-Anhänger zu tragen. „Es lässt sie sich alt fühlen", sagte meine Mutter mit der besonderen Erschöpfung von jemandem, der dieses Streitgespräch schon viele Male geführt hat.

Meine Großmutter ist 83. Sie lebt allein. Der Anhänger sollte ihr Sicherheitsnetz sein – einen Knopf drücken, Hilfe bekommen. Aber jetzt liegt er in einer Schublade, neben einem Ladekabel, mit dem sie nicht so recht zurechtkommt, und einer Kurzanleitung, die niemand gelesen hat. Das fortschrittlichste persönliche Notfallgerät auf dem Markt – und faktisch ein Briefbeschwerer.

Dieses Gespräch brachte etwas auf den Punkt, um das ich bei Veriprajna schon eine Weile gekreist war. Wir hatten uns tief in die Erforschung von Channel State Information vertieft – der komplexen Datenebene, die sich in jedem Wi-Fi-Signal verbirgt –, und ich kehrte immer wieder zu derselben unbequemen Frage zurück: Was, wenn die gesamte Wearable-Gesundheitsüberwachungsbranche das falsche Problem löst?

Kein Sensorproblem. Kein Batterieproblem. Ein menschliches Problem.

Das Gerät, das meine Großmutter nicht tragen wollte, verfügt über exzellente Sturzerkennungsalgorithmen. Es hat eine Akkulaufzeit von 48 Stunden. Es ist nach IP68 wasserdicht. Und nichts davon spielt eine Rolle, weil es von einer 83-jährigen Frau mit Arthritis verlangt, jeden einzelnen Tag aktiv mit einem Stück Technologie zu kooperieren. Die Forschung bestätigt, was meine Großmutter durch schiere Sturheit demonstriert hat: Etwa 30 % der Nutzer geben ihre Gesundheits-Tracker innerhalb von sechs Monaten auf. Speziell bei Nutzern persönlicher Notrufanhänger erreichen nur 14 % eine echte 24-Stunden-Adhärenz.

Der wirksamste Gesundheitsmonitor ist nicht derjenige mit den besten Sensoren. Es ist derjenige, der überhaupt keine Interaktion erfordert. Und er sitzt möglicherweise bereits in Ihrem Wohnzimmer und blinkt still neben dem Modem.

Das Dusch-Paradox

Hier eine Statistik, die jeden in der Gesundheitstechnologie beunruhigen sollte: Das Badezimmer ist für ältere Menschen der gefährlichste Raum im Haus – und genau dort werden Wearables am ehesten abgelegt.

Ich begann, dies „das Dusch-Paradox" zu nennen, als wir Fehlermodi für aktive Überwachungssysteme kartierten. Obwohl moderne Smartwatches über IP67- oder IP68-Wasserschutzklassen verfügen, legen ältere Erwachsene sie routinemäßig vor dem Baden ab. Ein ganzes Leben Erfahrung mit Elektronik, die keinen Spritzer überlebt hätte. Die Angst, etwas Teures zu beschädigen. Das unangenehme Gefühl eines nassen Armbands auf brüchiger Haut. Die Gründe sind banal und völlig nachvollziehbar.

Damit ist der Nutzer genau in dem Zeitfenster unüberwacht, in dem ein Sturz am wahrscheinlichsten ist. Rutschige Fliesen, harte Porzellankanten, Dampf, der die Sicht einschränkt – und das Gerät liegt auf dem Waschtisch, perfekt aufgeladen, perfekt nutzlos.

Als ich dieses Problem früh einem Investor vorstellte, zuckte er mit den Schultern und sagte: „Dann macht eben einen wasserdichten Anhänger, den man nicht abnehmen kann." Ich erinnere mich, wie ich in diesem Meeting saß und dachte: Sie wollen eine 83-Jährige an einen Sensor fesseln. Das ist keine Lösung. Das ist eine Fessel.

Die Frage ist nicht, wie man Menschen dazu bringt, Monitore zu tragen. Die Frage ist, wie man die Überwachung unsichtbar macht.

Was, wenn Ihre Wände Ihren Atem hören könnten?

Nicht mit Mikrofonen. Mit Funkwellen.

Jeder Wi-Fi-Router in Ihrem Zuhause sendet ununterbrochen Hochfrequenzsignale aus, die von Wänden, Möbeln und – entscheidend – von Menschen reflektiert werden. Diese Signale tragen etwas, das Channel State Information oder CSI genannt wird. Anders als die grobe Signalstärkeanzeige, die Ihr Telefon zeigt (die vertrauten Balken), beschreibt CSI, wie sich das Funksignal über Dutzende oder Hunderte einzelner Frequenz-Subträger ausbreitet. Es erfasst Amplitude und Phase für jeden Einzelnen. Es ist im Grunde ein hochauflösender elektromagnetischer Fingerabdruck der physischen Umgebung.

Wenn sich eine Person durch diese Umgebung bewegt, stört sie den Fingerabdruck. Durchqueren Sie einen Raum, erzeugt die Doppler-Verschiebung im reflektierten Signal ein charakteristisches Geschwindigkeitsmuster. Schwingen Sie beim Gehen die Arme, erfasst CSI das komplexe Zusammenspiel von Gliedmaßen, die sich auf den Empfänger zu- und von ihm wegbewegen.

Aber was mich beim ersten Anblick der Daten wirklich verblüfft hat: Man muss nicht gehen. Man muss nur atmen.

Bei 5 GHz hat ein Wi-Fi-Signal eine Wellenlänge von etwa 6 Zentimetern. Die menschliche Brustwand verschiebt sich bei normaler Atmung um etwa 4 bis 12 Millimeter. Das ist nur ein kleiner Bruchteil der Wellenlänge – aber es reicht aus. Während sich der Brustkorb ausdehnt und zusammenzieht, verschiebt sich das reflektierte Signal zwischen konstruktiver und destruktiver Interferenz und erzeugt eine rhythmische Schwingung in den CSI-Phasendaten. Aus dieser Schwingung können wir die Atemkurve mit einer Genauigkeit rekonstruieren, die mit medizinischen Atemgurten vergleichbar ist – experimentelle Auswertungen zeigen Fehler bei der Atemfrequenzschätzung von unter 3,2 Atemzügen pro Minute, und Deep-Learning-Modelle erzielen Korrelationskoeffizienten von über 0,92 im Vergleich zu Referenz-Brustgurten.

Ich erinnere mich an die Nacht, in der unser Team zum ersten Mal ein sauberes Atemsignal aus einem handelsüblichen Wi-Fi-Router extrahierte. Es war spät – weit nach Mitternacht –, und einer meiner Ingenieure lag seit zwanzig Minuten auf einem Sofa in unserem Testraum, während wir die Vorverarbeitungspipeline justierten. Als die Wellenform auf dem Bildschirm erschien, glatt und rhythmisch, seine Atmung perfekt nachzeichnend, wurde es still im Raum. Dann sagte jemand: „Er schläft tatsächlich." Und wir konnten es sehen. Nicht mit einer Kamera. Nicht mit einem Brustgurt. Durch eine Wand, über Funkwellen, von einem 30-Dollar-Router.

Das war der Moment, in dem ich wusste: Wir arbeiteten nicht an einer schrittweisen Verbesserung. Wir arbeiteten an einem völlig anderen Paradigma.

Warum kann man dafür nicht einfach GPT verwenden?

Diese Frage bekomme ich ständig gestellt. Meist von Menschen, die in den letzten zwei Jahren beobachtet haben, wie große Sprachmodelle zunehmend beeindruckende Dinge vollbringen, und nachvollziehbarerweise geschlossen haben, dass „KI" bedeutet: „Man wirft es auf einen Transformer, der mit Internettext trainiert wurde."

CSI-Daten sind kein Text. Sie sind nicht einmal annähernd Text. Sie sind kontinuierlich, komplexwertig, hochdimensional und unterliegen den Maxwell-Gleichungen, nicht der Grammatik. Ein LLM kann eine 5-GHz-Wellenform ebenso wenig „lesen" wie es eine Zitrone schmecken kann. Die Architekturen passen grundlegend nicht zueinander.

Deshalb ärgere ich mich, wenn ich sehe, wie Unternehmen „KI-gestützte" Gesundheitsüberwachung bewerben, die im Grunde nur ein API-Wrapper um ein Allzweckmodell ist. Bei Veriprajna entwickeln wir maßgeschneiderte tiefe neuronale Netze, die speziell für die zeitliche Signalverarbeitung konzipiert sind. Dieser Unterschied ist entscheidend – es ist der Unterschied zwischen einem System, das in einer Demo funktioniert, und einem, das um 3 Uhr morgens funktioniert, wenn jemandes Großmutter im Badezimmer stürzt.

Unsere Architektur setzt drei Arten neuronaler Netze im Zusammenspiel ein, von denen jedes einen anderen Aspekt des Signals verarbeitet:

Convolutional Neural Networks behandeln die CSI-Datenmatrix – Subträger aufgetragen gegen die Zeit – wie eine Art Bild. Das CNN lernt räumliche Korrelationen über Frequenzen hinweg und erkennt die spektrale „Form" eines Sturzes im Unterschied zur Form eines rotierenden Deckenventilators. Long Short-Term Memory-Netze fügen zeitlichen Kontext hinzu. Ein Sturz ist kein einzelner Moment; er ist eine Abfolge – Stehen, Gleichgewichtsverlust, Beschleunigung nach unten, Aufprall, Stillstand. Das LSTM erinnert sich an das, was vorher geschah, und genau so unterscheiden wir jemanden, der stürzt, von jemandem, der sich auf ein Sofa fallen lässt. Und Dual-Branch-Transformer verarbeiten Amplituden- und Phasendaten gleichzeitig über getrennte Pfade und führen sie mit einem Attention-Mechanismus zusammen, der dynamisch priorisiert, welcher Datenstrom gerade am informativsten ist. Im Schlaf stützt sich das Modell auf die Phasendaten, in denen das Atemsignal steckt. Bei Aktivität verlagert es sich auf die Amplitude.

Über die vollständige technische Architektur – die Vorverarbeitungspipeline, den Domänenadaptionsansatz, die Physik der Fresnel-Zonen – habe ich geschrieben in unserem ausführlichen Forschungspapier. Die Kurzversion: Das ist kein Problem, das man mit einem vortrainierten Modell und einem Wochenend-Hackathon lösen kann. Allein die Signalverarbeitung erfordert Phase Unwrapping, Hampel-Filterung und Hauptkomponentenanalyse, bevor ein neuronales Netz die Daten überhaupt zu Gesicht bekommt.

Ein LLM kann eine 5-GHz-Wellenform nicht „lesen". Das Gefährlichste in der KI für das Gesundheitswesen sind nicht schlechte Algorithmen – es ist gutes Marketing für seichte Technologie.

Wie erkennt Wi-Fi-Sensing tatsächlich einen Sturz?

Ein Sturz hat eine kinematische Signatur, die im Hochfrequenzbereich überraschend charakteristisch ist. Unterschiedliche Aktivitäten erzeugen unterschiedliche Doppler-Muster – die Frequenzverschiebung, die entsteht, wenn ein Signal von einem sich bewegenden Objekt reflektiert wird.

Gehen erzeugt ein komplexes, oszillierendes Muster, während Arme und Beine sich auf den Empfänger zu- und von ihm wegbewegen. Hinsetzen erzeugt eine kurze, kontrollierte Abwärtsgeschwindigkeit. Aber ein Sturz? Ein Sturz zeigt eine spezifische Abfolge: unregelmäßige Bewegung (Gleichgewichtsverlust), schnelle Beschleunigung Richtung Boden (die Schwerkraft wirkt), eine scharfe Energiespitze (Aufprall) und dann – entscheidend – nahezu vollständiger Stillstand.

Genau dieser Stillstand ist das Entscheidende. Wir nennen ihn den „Long Lie", und er ist oft gefährlicher als der Sturz selbst. Ein älterer Mensch, der stundenlang auf dem Boden liegt und nicht aufstehen kann, riskiert Rhabdomyolyse, Dehydrierung, Druckverletzungen. Der Sturz bricht die Hüfte; der Long Lie kann töten.

Unser System erkennt nicht nur das Sturzereignis – mit einer Sturzerkennungsempfindlichkeit von über 97 % –, es überwacht danach weiter. Wenn die CSI-Daten das Fehlen grober motorischer Bewegung zeigen, aber weiterhin Mikrobewegungen (Atmung) auf Bodenhöhe vorhanden sind, bestätigt das System einen „Sturz mit Unfähigkeit zur Wiederaufrichtung" und eskaliert. Diesen Kontext nach dem Sturz können Wearable-Beschleunigungsmesser grundsätzlich nicht liefern. Ein Wearable kann Ihnen mitteilen, dass es eine plötzliche Verzögerung erfahren hat. Es kann Ihnen nicht sagen, dass die Person seit vierzig Minuten auf dem Badezimmerboden liegt, atmet, aber sich nicht bewegt.

Es gibt eine weitere Ebene, die mich noch mehr begeistert: Sturzvorhersage. Durch die kontinuierliche Überwachung des Gangbilds – Gehgeschwindigkeit, Schrittkonsistenz – über Wochen hinweg kann das System die subtile Verschlechterung der Mobilität erkennen, die typischerweise einem Sturz vorausgeht. Eine allmähliche Verlangsamung der Gehgeschwindigkeit ist ein klinisch validierter Prädiktor für das Sturzrisiko. Das bedeutet, dass wir jemanden für eine präventive Physiotherapie vormerken können, bevor es zum Unfall kommt, statt nur danach zu reagieren.

Der Raum, der ohne Augen sieht

Ich hatte mit einem Kollegen eine Diskussion über Datenschutz, die sich – mit Unterbrechungen – über etwa drei Wochen hinzog.

Seine Position: Jedes System, das Menschen in ihrem Zuhause überwacht, ist Überwachung, Punkt. Meine Position: Es kommt ganz darauf an, was das System sehen kann.

Eine Kamera im Schlafzimmer zeichnet den Körper einer Person auf, ihr Gesicht, ihre intimsten Momente. Wird der Feed gehackt, ist der Schaden katastrophal und irreversibel. CSI-Daten – das Rohmaterial des Wi-Fi-Sensing – bestehen aus komplexen Zahlen, die Signalausbreitungseigenschaften darstellen. Würde man den Datenstrom abfangen, sähe man Matrizen aus Amplituden- und Phasenwerten. Man würde kein Gesicht sehen. Man würde keinen Körper sehen. Man könnte selbst mit größter Mühe kein Bild rekonstruieren. Das System ist visuell blind per Design.

Wi-Fi-Sensing beobachtet keine Menschen. Es spürt die Störung, die sie im elektromagnetischen Feld erzeugen. Der Unterschied ist nicht semantischer Natur – es ist der Unterschied zwischen Überwachung und Wahrnehmung.

Das ist für das Badezimmerproblem enorm wichtig. Kameras sind in den meisten Pflegeeinrichtungen – zu Recht – in Badezimmern und Schlafzimmern verboten. Aber Wi-Fi-Signale durchdringen Wände, Türen und Duschvorhänge. Sie funktionieren durch Dampf hindurch. Sie funktionieren in völliger Dunkelheit. Der gefährlichste Raum im Haus wird überwachbar, ohne dass eine einzige Linse auf irgendjemanden gerichtet ist.

Für Unternehmenskunden – Pflegeheime, betreute Wohneinrichtungen, Hospital-at-Home-Programme – sind die regulatorischen Implikationen erheblich. Nach der DSGVO gilt CSI als biometrische Daten, da sie theoretisch Personen anhand ihres Gangmusters identifizieren können. Nach HIPAA sind aus der Überwachung abgeleitete Gesundheitsdaten Protected Health Information. Wir begegnen dem durch strikte Edge-Verarbeitung: Die rohen CSI-Daten werden lokal auf dem Router oder Gateway verarbeitet, das biometrische Signal mit hoher Bandbreite verlässt das Gerät nie, und nur abstrahierte Ereignisse werden an die Cloud übermittelt. Ein JSON-Paket mit dem Inhalt {"event": "Fall", "location": "Bathroom", "confidence": 0.98} enthält keine biometrischen Daten und kann nicht zurückentwickelt werden, um die Physiologie einer Person zu identifizieren.

Die vollständige Datenschutzarchitektur und das Compliance-Framework erläutere ich in der interaktiven Version unseres Whitepapers.

Was ist mit unterschiedlichen Räumen und unterschiedlichen Wohnungen?

Das ist der Einwand, den ich am ernstesten nehme, denn jahrelang war er ein berechtigter Totschlagfaktor für die Wi-Fi-Sensing-Forschung.

Ein Modell, das mit CSI-Daten trainiert wurde, die in Labor A gesammelt wurden, würde beim Einsatz in Wohnung B spektakulär versagen. Andere Raumdimensionen, andere Möbel, andere Wandmaterialien – die Mehrwegeumgebung verändert alles. Das Modell lernte nicht, „wie ein Sturz aussieht". Es lernte, „wie ein Sturz in diesem bestimmten Raum mit diesem bestimmten Sofa in dieser bestimmten Ecke aussieht". Überangepasst an die Reflexionen eines einzigen Raums.

Mein Team erlebte eine wirklich schmerzhafte Phase, in der wir das am eigenen Leib erfuhren. Wir hatten wunderschöne Genauigkeitswerte aus unserer Testumgebung – über 98 % bei der Sturzerkennung – und dann verlegten wir den Aufbau in ein anderes Stockwerk desselben Gebäudes und sahen zu, wie die Werte abstürzten. Ich erinnere mich, wie ich auf die Konfusionsmatrix starrte und dachte, wir hätten irgendetwas falsch verkabelt. Hatten wir nicht. Das Modell hatte sich einfach den Raum eingeprägt.

Die Lösung kam von einem adversariellen Trainingsansatz namens Domain Adversarial Neural Networks. Die Idee ist im Prinzip elegant und in der Umsetzung zum Verzweifeln: Man trainiert das Netz gleichzeitig mit zwei konkurrierenden Zielen. Ein Kopf versucht, die Aktivität korrekt zu klassifizieren – Sturz versus Gehen versus Sitzen. Der andere Kopf versucht zu erkennen, aus welcher Umgebung die Daten stammen. Dann zwingt man den Feature-Extractor dazu, zu verwirren – den Umgebungsklassifikator. Das Netz wird gezwungen, Merkmale zu lernen, die unabhängig vom Raum sind – das „platonische Ideal" einer Sturzsignatur, die gleich aussieht, egal ob sie in einem Studio-Apartment oder auf dem Flur eines Pflegeheims auftritt.

Als wir das schließlich zum Laufen brachten – nach Wochen des Hyperparameter-Tunings und mehr als einer nächtlichen Debatte über Gradient-Reversal-Layer –, stabilisierte sich die umgebungsübergreifende Genauigkeit. Nicht perfekt. Aber einsatzbereit. „Einmal trainieren, überall einsetzen" wurde vom Wunsch zur ingenieurtechnischen Realität.

Die Nachrüstung ohne zusätzliche Hardware

Für die Betreiber, mit denen ich spreche – die Menschen, die betreute Wohneinrichtungen leiten, die Versicherungsmathematiker, die Sturzrisiken modellieren, die Leiter von Hospital-at-Home-Programmen –, geht es beim Pitch eigentlich gar nicht um die KI. Es geht um die Wirtschaftlichkeit.

Diese Einrichtungen verfügen bereits über Enterprise-Wi-Fi-Netzwerke. Sie haben bereits Router in den Fluren und Access Points in den Gemeinschaftsbereichen. Die Sensing-Fähigkeit steckt in den Signalen, die diese Geräte ohnehin schon aussenden. Mit dem richtigen Chipsatz – Qualcomms Networking-Pro-Serie mit ihrer integrierten Hexagon-NPU, Broadcoms Wi-Fi-7- und Wi-Fi-8-Plattformen mit der BroadStream-Telemetrie-Engine, oder sogar 5-Dollar-ESP32-Mikrocontrollern, die als dedizierte Sensing-Knoten eingesetzt werden – ist das Upgrade in erster Linie eine Softwarefrage.

Keine Wearables, die man kaufen, verlieren, aufladen oder ersetzen muss. Keine Kameras, die installiert, gewartet oder in einem Datenschutzprozess verteidigt werden müssen. Ein Firmware-Update ermöglicht Sturzerkennung gleichzeitig in 100 Räumen.

Das IEEE formalisiert dies mit 802.11bf, dem WLAN-Sensing-Standard, dessen Ratifizierung für Ende 2024/2025 erwartet wird. Sobald er da ist, wird jeder neue Wi-Fi-Router CSI-Extraktion und Sensing-Anfragen nativ unterstützen. Der Router wird zu einem standardisierten Radar. Die Infrastruktur ist bereits vorhanden. Wir haben sie nur bisher nicht genutzt.

Manche fragen mich, ob passives Wi-Fi-Sensing Wearables vollständig ersetzen wird. Ich glaube nicht – jedenfalls nicht für aktive, mobile Bevölkerungsgruppen, die von der Herzfrequenzüberwachung beim Sport oder GPS-Tracking bei Outdoor-Aktivitäten profitieren. Wearables erfüllen einen echten Zweck für die „jungen Alten", die Bevölkerungsgruppe zwischen 65 und 75, die digital versiert und körperlich aktiv ist. Aber was ist mit dem 85-Jährigen mit Demenz, der sich nicht daran erinnern kann, einen Anhänger aufzuladen? Was ist mit dem postoperativen Patienten, der sich zu Hause erholt und eine kontinuierliche Atemüberwachung benötigt? Was ist mit dem Betreiber einer Einrichtung, der eine 24/7-Sicherheitsabdeckung ohne Kamera in jedem Zimmer gewährleisten will? Die Antwort ist kein besseres Wearable. Es ist gar kein Wearable.

Andere fragen nach Haustieren – löst ein Hund Fehlalarme aus? Die Doppler-Signatur eines 15-Pfund-Terriers und die eines 80-jährigen Menschen unterscheiden sich sowohl im Geschwindigkeitsprofil als auch im Körperquerschnitt drastisch. Das neuronale Netz lernt diesen Unterschied schnell. Katzen sind schwieriger, aber der zeitliche Kontext aus dem LSTM – die Abfolge der Bewegung, nicht nur ein einzelnes Standbild – bewältigt die meisten Grenzfälle.

Die Luft ist bereits voller Informationen

Ich denke oft an meine Großmutter, wenn ich an dieser Technologie arbeite. Sie ist kein Anwendungsfall oder eine Persona in einem Pitch Deck. Sie ist ein Mensch, der in seinem eigenen Zuhause leben möchte, mit seinen eigenen Routinen, ohne ein Plastikmedaillon um den Hals, das jedem Besucher ihre Gebrechlichkeit verkündet.

Die Luft in ihrer Wohnung ist bereits gesättigt mit Wi-Fi-Signalen. Sie durchdringen ihre Wände, reflektieren an ihren Möbeln, kräuseln sich mit jedem Atemzug, den sie nimmt. Im Moment verpufft all diese Information ungenutzt – elektromagnetisches Rauschen, unsichtbar und ignoriert.

Wir haben die Physik, um sie zu lesen. Wir haben die KI, um sie zu interpretieren. Wir haben die Hardware, die bereits in Millionen von Haushalten installiert ist. Das Einzige, was noch zwischen dem, wo wir stehen, und dem, wo wir sein müssen, steht, ist die Bereitschaft, Gesundheitsüberwachung nicht mehr als etwas zu betrachten, das man sich um den Körper schnallt, sondern als etwas, das man in den Raum um den Menschen herum einwebt.

Bei der Zukunft der Gesundheitsüberwachung geht es nicht um bessere Gadgets. Es geht darum, das Gebäude selbst wahrnehmungsfähig zu machen – und diese Wahrnehmung unsichtbar zu gestalten.

Die Ära, in der man von verletzlichen Menschen verlangt, ihre eigene Überwachungstechnologie zu verwalten, geht zu Ende. Nicht weil die Technologie versagt hätte, sondern weil die Annahme dahinter – dass Adhärenz ein Nutzerproblem sei und kein Designfehler – immer schon falsch war. Die Antwort war nie ein besserer Knopf zum Drücken. Sie bestand darin, die Notwendigkeit, überhaupt irgendetwas zu drücken, zu beseitigen.