Der unsichtbare Wächter: Wearables überwinden mit passivem Wi-Fi-Sensing und Deep AI

Kurzfassung

Die globale Gesundheitslandschaft durchläuft derzeit einen tiefgreifenden demografischen Wandel, gekennzeichnet durch eine rasch alternde Bevölkerung und eine gleichzeitige Schrumpfung der verfügbaren Pflegekräfte. Diese Divergenz hat eine verzweifelte Suche nach technologischen Kraft- multiplikatoren—Lösungen, die die Reichweite von Klinikerinnen, Klinikern und Angehörigen in das Zuhause erweitern. In den vergangenen zehn Jahren war die zentrale Antwort der Branche das „Aktive Monitoring“: der Einsatz von Wearables, Notfallknöpfen und Smartwatches, die Vitalzeichen erfassen und Notfälle erkennen sollen. Eine rigorose Analyse longitudinaler Daten offenbart jedoch einen kritischen Mangel dieses Ansatzes: Er stützt sich auf die Compliance genau jener Population, die sie am wenigsten leisten kann. Der wirksamste Gesundheitsmonitor ist nicht der mit den fortschrittlichsten Sensoren oder der längsten Batterielaufzeit; es ist der, der überhaupt keine Interaktion verlangt.

Dieses Whitepaper, verfasst von der spezialisierten KI-Beratung Veriprajna, dient als definitiver architektonischer Bauplan für die nächste Generation von Ambient Assisted Living (AAL). Wir argumentieren, dass die Branche von gerätezentriertem aktivem Monitoring zu passivem Wi-Fi-Sensing übergehen muss, einem Paradigma, das die allgegenwärtigen Radiofrequenzsignale (RF) in unserer Umgebung in ein ausgeklügeltes, unsichtbares Sensing-Gewebe umwidmet. Durch die Analyse der Channel State Information (CSI)—der komplexen Physical-Layer-Daten, die in modernem Wi-Fi innewohnen—können wir Stürze erkennen, die Atmung überwachen und Schlafmuster mit klinischer Genauigkeit analysieren, und das ohne ein einziges Wearable.

Der Übergang zum Wi-Fi-Sensing ist jedoch nicht bloß ein Hardware-Upgrade; er ist eine Signalverarbeitungsherausforderung höchster Ordnung. Er verlangt, über simplizistische statistische Methoden hinauszugehen und Deep AI zu nutzen. Dieser Bericht legt dar, warum generische Large-Language-Model- (LLM-)Wrapper für diese Aufgabe unzureichend sind und warum Veriprajna maßgeschneiderte Deep- Learning-Architekturen befürwortet—insbesondere Convolutional Neural Networks (CNNs), Long-Short-Term- Memory-(LSTM-)Netze und Transformer—, um die subtile Sprache der Funkwellen zu entschlüsseln. Wir präsentieren eine umfassende Analyse der Physik der CSI, der Fehlermodi aktiver Wearables, der tiefen neuronalen Netzarchitekturen, die für die Signalinterpretation erforderlich sind, und der regulatorischen Pfade für den Einsatz unsichtbarer Biometrie in einem Enterprise-Kontext.

Teil I: Die Compliance-Krise in der tragbaren Gesundheits-

technologie

1.1 Der Trugschluss der aktiven Kooperation

Das vorherrschende Modell von Remote Patient Monitoring (RPM) und „Aging in Place“-Technologie ist grundlegend auf das Konzept der aktiven Kooperation gestützt. Dieses Modell nimmt an, dass die Nutzerin oder der Nutzer—oft eine ältere Person, die potenziell unter kognitivem Abbau, Arthritis oder sensorischer Beeinträchtigung leidet—als verantwortliche Systemadministratorin bzw. verantwortlicher Systemadministrator der eigenen Gesundheits- technologie agiert. Sie sollen sich erinnern, jeden Morgen ein Gerät zu tragen, sicherstellen, dass es täglich geladen wird, und im Notfall mit seiner Oberfläche interagieren. Während dieses Modell für die „jungen Alten“ (65–75 Jahre), die digital kompetent und aktiv sind, einigermaßen funktioniert, versagt es katastrophal bei der Population der „alten Alten“ (85+), bei der die Risiken von Stürzen und medizinischen Notfällen am höchsten sind.

Forschung zu den Adoptionslebenszyklen tragbarer Gesundheitsmonitore offenbart eine krasse und beunruhigende Realität: Die Geräte werden häufig von jenen aufgegeben, die sie am meisten brauchen. Studien zum Nutzerverhalten zeigen, dass etwa 30% der Nutzerinnen und Nutzer die Nutzung ihrer Tracker innerhalb von sechs Monaten nach der Anschaffung einstellen. ¹ Diese Abbruchquote ist nicht bloß ein Spiegel von Verbraucherunzufriedenheit; sie repräsentiert ein klaffendes Loch im Sicherheitsnetz. Wenn ein Gerät in einer Schublade liegt, ist das Monitoringsystem nicht bloß degradiert—es ist inexistent. Die Abhängigkeit davon, dass die Nutzerin oder der Nutzer aktive Teilnehmerin bzw. aktiver Teilnehmer der eigenen Überwachung ist, erzeugt eine „Compliance-Lücke“, einen gefährlichen Abgrund zwischen der theoretischen Sicherheit, die die Technologie bietet, und der praktischen Realität ihrer Nichtnutzung im Alltag.

1.1.1 Das „Duschparadoxon“ und die Verletzlichkeit der Hygiene

Die funktionalen Grenzen von Wearables werden am schärfsten bei den Aktivitäten des täglichen Lebens spürbar (ADLs), die Wasser oder Entkleiden beinhalten. Das Badezimmer ist statistisch der gefährlichste Raum im Haus für ältere Menschen, mit rutschigen Oberflächen und harten Armaturen, die eine hohe Wahrscheinlichkeit verletzungsrelevanter Stürze erzeugen. Doch genau das ist die Umgebung, in der Wearables am häufigsten fehlen. Wir nennen dies das „Duschparadoxon“.

Trotz der IP67- oder IP68-Wasserschutzklassen moderner Geräte nehmen viele ältere Erwachsene gewohnheitsmäßig ihre Uhren oder Anhänger vor dem Baden ab. Dieses Verhalten entspringt einer lebenslangen Erfahrung mit nicht wasserdichter Elektronik, der Angst, ein teures Gerät zu beschädigen, oder schlicht physischem Unbehagen durch nasse Armbänder auf empfindlicher Haut. ² Folglich ist die Person genau in dem Zeitfenster unüberwacht, in dem ein Sturz am wahrscheinlichsten eintritt. Geschieht ein Sturz in der Dusche, während das Gerät auf der Badezimmermöbel steht, hat das System vollständig versagt. Der „aktive“ Charakter des Geräts—der verlangt, dass die Nutzerin oder der Nutzer entscheidet, es anzulassen—wird zum Single Point of Failure.

1.1.2 Ladeermüdung und kognitive Reibung

Jenseits des Badezimmers stellt die Anforderung regelmäßig zu laden eine erhebliche Barriere für kontinuierlichen Schutz dar. Für eine 80-jährige Person können die Feinmotorik, die nötig ist, um ein proprietäres Magnetladegerät anzuschließen oder ein Micro-USB-Kabel einzustecken, anspruchsvoll sein. Diese „Ladeermüdung“ führt zu Phasen, in denen das Gerät auf dem Nachttisch zum Laden liegt und dann am Morgen vergessen wird.

Daten von Nutzerinnen und Nutzern persönlicher Notfallsysteme (Personal Emergency Response Systems, PERS) zeichnen ein besorgniserregendes Bild der Adhärenz. Eine Studie fand, dass 24% der Nutzerinnen und Nutzer ihren Anhänger nie trugen und nur 14% echte 24-Stunden-Adhärenz erreichten. ³ Die kognitive Last, die Batterielaufzeit des Geräts zu managen, konkurriert mit anderen täglichen Stressoren, und in Populationen mit leichter kognitiver Beeinträchtigung (Mild Cognitive Impairment, MCI) oder früher Demenz wird das Gerät schlicht vergessen. Das Ergebnis ist eine „überwachte“ Patientin bzw. ein „überwachter“ Patient, die oder der in Wirklichkeit über große Teile des Tages völlig ungeschützt ist.

1.2 Psychologische Barrieren: Das Stigma der Gebrechlichkeit

Technologieadoption ist kein rein funktionales Kalkül; sie ist zutiefst emotional. Viele Wearables, insbesondere die allgegenwärtigen „SOS“-Anhänger, sind mit einer deutlich medizinischen Ästhetik gestaltet. Sie signalisieren der Welt—und den Trägerinnen und Trägern selbst—, dass sie gebrechlich, verletzlich und hilfsbedürftig sind. Diese Stigmatisierung ist ein potenter Treiber der Ablehnung.

Qualitative Metasynthesen von Nutzererfahrungen zeigen, dass ältere Erwachsene diese Geräte oft als „Branding“ wahrnehmen, das sie als alt markiert. ⁴ Der Wunsch, eine Fassade von Unabhängigkeit und Vitalität zu wahren, führt viele Seniorinnen und Senioren dazu, die Geräte unter der Kleidung zu verbergen (was ihre Wirksamkeit mindert) oder sie in der Öffentlichkeit oder in sozialen Settings nicht zu tragen. Das Gerät wird zum Symbol verlorener Autonomie statt zu einem Werkzeug, sie zu bewahren.

Darüber hinaus erzeugt die „Angst vor Fehlalarmen“ eine perverse Anreizstruktur. Nutzerinnen und Nutzer sind oft entsetzt, versehentlich eine Sirene auszulösen oder den Rettungsdienst für ein Nicht-Ereignis zu rufen, was peinlich und kostspielig sein kann. Diese Angst führt manche dazu, das Gerät zurückzulassen, um das Risiko eines falsch positiven Alarms zu vermeiden, oder schlimmer, im echten Notfall beim Drücken des Knopfes zu zögern und zu fragen, ob ihre Lage „ernst genug“ ist, um die Störung zu rechtfertigen. Diese psychologische Reibung macht den aktiven Auslösemechanismus unzuverlässig.

1.3 Die ökonomischen Implikationen des Gerätemanagements

Für Enterprise-Stakeholder—Versicherer, Accountable Care Organizations (ACOs) und Betreiberinnen und Betreiber von betreuten Wohneinrichtungen—stellt die Abhängigkeit von Wearables eine erhebliche ökonomische Ineffizienz dar. Der Einsatz einer Flotte von Wearables bedeutet substanzielle Investitionsausgaben (CapEx) in Hardware, die anfällig für Verlust, Bruch und Obsoleszenz ist.

Die Betriebsausgaben (OpEx) sind ebenso strafend. Das Management einer Flotte von Tausenden Geräten birgt logistische Herausforderungen: Batterien ersetzen, Rücksendungen defekter Einheiten abwickeln und technischen Support für nicht-technische Nutzerinnen und Nutzer leisten, die das Gerät mit einem Smartphone oder Wi-Fi-Netzwerk koppeln müssen. Die „Churn“ verlorener Geräte erodiert den Return on Investment (ROI) des Monitoringprogramms. Kritischer noch: Die „falsche Sicherheit“, die ein Wearable bietet, das nicht getragen wird, erzeugt massive Haftung. Wenn eine Einrichtung beansprucht, 24/7- Monitoring zu bieten, eine Bewohnerin oder ein Bewohner aber stürzt, während das Gerät lädt, kann die Einrichtung rechtliche und reputative Konsequenzen für das Versagen des Sicherheitsnetzes tragen. Die Branche braucht einen strukturellen Wechsel von „gerätezentriertem“ Monitoring zu „raumzentriertem“ Monitoring—eine Lösung, die in die Infrastruktur des Gebäudes selbst eingebettet ist, null Aufwand von der Bewohnerin oder dem Bewohner verlangt und unmöglich zu verlieren oder zu vergessen ist.

Teil II: Die Physik des unsichtbaren Sensing

2.1 Von RSSI zur Channel State Information (CSI)

Um den Veriprajna-Ansatz zu würdigen, ist es wesentlich, zwischen den primitiven Formen des Wi-Fi-Sensing, die seit Jahren existieren, und der tiefen Signalanalyse zu unterscheiden, die wir befürworten. Frühe Versuche, Wi-Fi für die Anwesenheitserkennung zu nutzen, stützten sich auf Received Signal Strength Indication (RSSI). RSSI ist eine grobe Metrik, die in fast allen Wireless-Stacks verfügbar ist; sie repräsentiert die Gesamtleistung des empfangenen Signals, typischerweise gemittelt über das gesamte Paket und die Frequenz- bandbreite.

Während RSSI abnimmt, wenn ein Objekt den Pfad zwischen Sender und Empfänger blockiert (Abschattung), ist es eine fundamental instabile und niedrigauflösende Metrik. Sie ist hoch anfällig für Mehrwegeausbreitung—bei der Signale von Wänden reflektieren und konstruktiv oder destruktiv interferieren—und Umgebungslärm. Eine Änderung der Luftfeuchtigkeit, die Bewegung eines Haustiers oder sogar der Betrieb eines Mikrowellenherds kann RSSI-Schwankungen verursachen, die menschliche Anwesenheit imitieren. Entscheidend fehlt RSSI die Empfindlichkeit, feinkörnige Bewegungen zu erkennen; sie kann sagen, ob eine Person im Raum ist, aber nicht, ob sie atmet. ⁵

Echte Ambient Intelligence erfordert Zugriff auf die Physical Layer (PHY) der drahtlosen Übertragung, speziell Channel State Information (CSI) . Moderne Wi-Fi-Standards (802.11n, 802.11ac, 802.11ax und das kommende 802.11be) nutzen Orthogonal Frequency-Division Multiplexing (OFDM). Bei OFDM wird der Funkkanal (z. B. ein 20-MHz- oder 40- MHz-Kanal) in Dutzende oder Hunderte von Unterträgern unterteilt. CSI beschreibt die Ausbreitung des Signals vom Sender zum Empfänger für jeden einzelnen Unterträger .

Mathematisch gilt: Wenn $X$ der Vektor des gesendeten Signals ist und $Y$ der Vektor des empfangenen Signals ist, wird die Beziehung modelliert als:

$$Y = H \times X + N$$

Wobei $N$ der Rauschvektor ist und $H$ die Channel-State-Information-Matrix ist. Im Gegensatz zu RSSI, das ein skalarer Wert ist, $H$ ist eine komplexe Matrix, die zwei distinkte Komponenten für jeden Unterträger enthält:

1.​ Amplitude ($|H|$): Die Dämpfung der Signalstärke bei genau dieser Frequenz.

2.​ Phase ($\angle H$): Die Verzögerung oder Phasenverschiebung des Signals bei genau dieser Frequenz.

$$H(f, t) = |H(f, t)| e^{j \angle H(f, t)}$$

Diese Matrix liefert ein hochauflösendes „Bild“ der drahtlosen Umgebung. Weil unterschiedliche Unterträger unterschiedliche Wellenlängen haben, interagieren sie mit Objekten im Raum unterschiedlich. CSI erfasst die Streuung, Reflexion und Beugung, die der menschliche Körper verursacht, mit granularer Detailtiefe, die RSSI schlicht nicht sehen kann. ⁶

2.2 Das Fresnel-Zonen-Modell und die Detektion von Mikrobewegungen

Der theoretische Rahmen, der es uns erlaubt, menschliche Bewegung aus diesen elektromagnetischen Daten zu extrahieren, ist das Fresnel-Zonen-Modell . Fresnel-Zonen sind eine Serie konzentrischer gestreckter Ellipsoide mit Sender (Tx) und Empfänger (Rx) als Brennpunkten.

Wenn eine Funkwelle von Tx nach Rx läuft, folgt sie nicht einer einzelnen Geraden. Sie propagiert durch das Raumvolumen, das diese Fresnel-Zonen definieren. Wenn ein dynamisches Objekt (ein Mensch) in diesen Zonen existiert, reflektiert es einen Anteil des Signals. Das empfangene Signal am Rx ist eine Superposition des direkten Line-of-Sight-(LoS-)Pfads und des dynamischen, vom menschlichen Körper reflektierten Pfads.

Die Pfadlänge des reflektierten Signals ändert sich, wenn sich die Person bewegt. Diese Änderung der Pfad länge, $d(t)$, führt zu einer Phasenverschiebung in der dynamischen Komponente der CSI. Die Beziehung wird von der Wellenlänge ($\lambda$) des Signals bestimmt:

$$\Delta \Phi(t) = \frac{2\pi \cdot d(t)}{\lambda}$$

Für ein Standard-5-GHz-Wi-Fi-Signal beträgt die Wellenlänge $\lambda$ etwa 6 Zentimeter. Das bedeutet, dass eine Bewegung von nur 3 Zentimetern (einer halben Wellenlänge) ausreicht, um das Signal von konstruktiver Interferenz (Peak) zu destruktiver Interferenz (Nullstelle) zu verschieben. Diese extreme Empfindlichkeit ist der Schlüssel zur Atmungserkennung . Während der Respiration verschiebt sich die menschliche Brustwand um etwa 4 bis 12 Millimeter. Obwohl diese Bewegung aus der Distanz für das bloße Auge unsichtbar ist, repräsentiert sie im Bereich von 5-GHz- oder 6-GHz-Wi-Fi einen signifikanten Bruchteil einer Wellenlänge. Wenn sich der Brustkorb ausdehnt und zusammenzieht, durchquert er die Fresnel-Zonen und erzeugt eine rhythmische, periodische Oszillation in Phase und Amplitude der CSI-Daten. Durch die Analyse dieser subtilen Wellen im CSI-Strom können Veriprajnas Algorithmen die Atemkurve mit einer Genauigkeit rekonstruieren, die mit medizinisch-gradigen Atemgurten vergleichbar ist. ⁸

2.3 Doppler-Signaturen und kinematische Analyse

Für Makrobewegungen wie Gehen oder Stürzen blicken wir über einfache Phasenverschiebungen hinaus auf Doppler- Frequenzverschiebungen. Der Doppler-Effekt besagt, dass eine Welle, die von einem bewegten Objekt reflektiert wird, eine Frequenzänderung proportional zur Geschwindigkeit des Objekts erfährt.

$$f_D = \frac{2v}{\lambda} \cos(\theta)$$

Wobei $v$ die Geschwindigkeit des Körperteils ist und $\theta$ der Winkel der Bewegung relativ zur Ausbreitungsrichtung der Welle ist. Unterschiedliche menschliche Aktivitäten erzeugen einzigartige „Doppler-Signaturen“.

●​ Gehen: Das Schwingen von Armen und Beinen erzeugt ein komplexes Muster positiver und negativer Doppler-Verschiebungen, da sich Gliedmaßen auf den Empfänger zu und von ihm weg bewegen.

●​ Stürzen: Ein Sturz ist durch eine spezifische kinematische Sequenz gekennzeichnet: Gleichgewichtsverlust (Prä-Sturz), ein rascher, beschleunigter Abstieg durch die Schwerkraft (der Sturz) und ein plötzlicher Aufprall gefolgt von Immobilität.

Indem wir Short-Time Fourier Transforms (STFT) oder Discrete Wavelet Transforms (DWT) auf die CSI-Zeitreihendaten anwenden, können wir ein Spektrogramm erzeugen—eine visuelle Darstellung der Geschwindigkeit über die Zeit. Ein Sturz erscheint als distinkter hochenergetischer Anstieg im Spektrogramm, der abwärts beschleunigt, gefolgt von einem abrupten Energieabbruch (das „Long Lie“). Dies erlaubt dem System, einen gefährlichen Sturz von einer kontrollierten Aktion wie Hinsetzen oder Hinlegen auf ein Bett zu unterscheiden. ¹⁰

2.4 Durch-die-Wand-Sensing und NLOS-Fähigkeiten

Einer der profundesten Vorteile des Wi-Fi-Sensing gegenüber optischen (kamerabasierten) oder infraroten (LIDAR-)Systemen ist die Fähigkeit, unter **Non-Line-of-Sight-(NLOS-)**Bedingungen zu arbeiten. Wi-Fi-Signale bei 2.4 GHz und 5 GHz haben ausgezeichnete Penetrationseigenschaften für übliche Gebäude- materialien wie Trockenbau, Holz und Glas.

In einer typischen Wohnumgebung prallt das Wi-Fi-Signal von Wänden, Böden, Decken und Möbeln ab und erzeugt eine „Mehrwege“-Umgebung. Selbst wenn der Access Point im Flur steht und die Person im Schlafzimmer hinter einer geschlossenen Tür ist, durchdringt das Signal den Raum, reflektiert von der Person und kehrt zum Empfänger zurück. Die Person muss vom Router nicht im visuellen Sinne „gesehen“ werden. Die Verzerrung, die sie im elektromagnetischen Feld erzeugt, propagiert durch die Hindernisse. Diese physikbasierte Ubiquität stellt sicher, dass „tote Winkel“—die Kamerasysteme plagen (z. B. hinter einem Duschvorhang oder einer Trennwand)—praktisch eliminiert werden. Ein einzelner Wi-Fi- Sensing-Link kann effektiv einen ganzen Raum oder sogar angrenzende Räume überwachen und ein Niveau an Abdeckung bieten, das eine Konstellation von Kameras erfordern würde, um es zu replizieren. ¹²

Teil III: Vom Signal zur Einsicht – Die Deep-AI- Architektur

3.1 Jenseits von „LLM-Wrappern“: Die Notwendigkeit von Signalverarbeitungs-KI

Im zeitgenössischen Technologiemarkt ist der Begriff „KI“ nahezu synonym geworden mit Large Language Models (LLMs) wie GPT. Während LLMs für Text und Code transformativ sind, sind sie fundamental ungeeignet für die Aufgabe, rohe Radiofrequenzdaten zu interpretieren. CSI- Daten sind kontinuierlich, komplexwertig, hochdimensional und von den Gesetzen der Physik bestimmt, nicht von den Regeln der Grammatik.

Veriprajna unterscheidet sich als Deep-AI-Lösungsanbieter. Wir legen nicht einfach eine API um ein vortrainiertes Textmodell. Wir entwickeln maßgeschneiderte tiefe neuronale Netze, die speziell für temporale Signalverarbeitung ausgelegt sind. Ein LLM kann eine 5-GHz-Wellenform nicht „lesen“; es benötigt Architekturen, die Zeit, Frequenz und räumliche Korrelation verstehen. Unser Ansatz nutzt einen ausgeklügelten Stack aus Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Transformern, um klinische Einsichten aus RF-Rauschen zu extrahieren.

3.2 Die Vorverarbeitungspipeline: Den Äther reinigen

Rohe CSI-Daten, die aus Commodity-Wi-Fi-Chipsätzen extrahiert werden, sind inhärent verrauscht. Sie sind korrumpiert durch Hardware-Imperfektionen wie Carrier Frequency Offset (CFO), Sampling Frequency Offset (SFO) und zufälligen Paketverlust. Diese Rohdaten direkt in ein neuronales Netz zu speisen würde zu schlechter Leistung führen. Daher setzt Veriprajna eine rigorose, physikinformierte Vorverarbeitungspipeline ein:

1.​ Phasensanitisierung: Die Rohphasendaten eines Wi-Fi-Chips sind „gewickelt“ im Bereich von $[-\pi, \pi]$. Wir setzen lineare Transformationsalgorithmen ein, um die Phase zu „entfalten“, und rekonstruieren die kontinuierliche Phasenänderung, die durch Bewegung verursacht wird. Darüber hinaus wenden wir lineares Fitting an, um die Phasensteigung zu entfernen, die durch unsynchronisierte Uhren zwischen Sender und Empfänger eingeführt wird. ¹¹

2.​ Ausreißerentfernung: Wir nutzen Hampel-Filter und Medianfilter, um impulsive Störungen zu entfernen, die durch plötzliche elektrische Interferenz oder Hardware-Glitches verursacht werden.

3.​ Dimensionalitätsreduktion: Ein typischer CSI-Strom kann Daten von 3 Antennen $\times$ 56 Unterträgern = 168 Datenströmen enthalten. Nicht alle davon tragen nützliche Information; manche können in einem „Deep Fade“ (destruktive Interferenz) liegen und überwiegend Rauschen enthalten. Wir setzen Principal Component Analysis (PCA) ein, um die Hauptkomponenten zu extrahieren, die die maximale Varianz im Signal erklären. Die erste Hauptkomponente entspricht typischerweise der dominanten Bewegung im Raum (z. B. Atmung), während die nachfolgenden Komponenten Rauschen erfassen. ⁵

3.3 Deep-Learning-Modelle für die CSI-Analyse

Sobald die Daten sanitisiert sind, werden sie in Veriprajnas proprietäre Deep-Learning-Modelle gespeist. Wir befürworten eine hybride Architektur, die die Stärken unterschiedlicher neuronaler Netz- typen nutzt.

3.3.1 Convolutional Neural Networks (CNNs) für räumliche Merkmale

Wir behandeln die CSI-Datenmatrix (Unterträger $\times$ Zeit) als Pseudo-Bild. So wie ein CNN die Kanten einer Katze in einem Foto identifizieren kann, kann es die „Kanten“ eines Bewegungsereignisses im RF-Spektrum identifizieren. Ein 2D-CNN oder 1D-CNN schiebt einen Kernel über die Unterträgerdimension. Dies erlaubt dem Modell, räumliche Korrelationen zu lernen—etwa zu erkennen, dass ein Sturzereignis einen simultanen Amplitudenabfall über einem spezifischen Cluster von Unterträgern verursacht. Diese räumliche Merkmalsextraktion ist entscheidend, um menschliche Bewegung von Hintergrundrauschen wie einem drehenden Ventilator zu unterscheiden, der eine andere spektrale Signatur hat. ¹⁵

3.3.2 Long Short-Term Memory (LSTM) für temporalen Kontext

Menschliche Aktivitäten sind inhärent temporale Sequenzen. Ein „Sturz“ ist kein einzelner Zeitpunkt; er ist eine Sequenz von Ereignissen: Stehen $\rightarrow$ Gleichgewichtsverlust $\rightarrow$ Abstieg $\rightarrow$ Aufprall $\rightarrow$ still liegen. Ein CNN allein könnte den „Aufprall“-Frame als Sturz klassifizieren, könnte aber auch das Springen auf einem Bett als Sturz klassifizieren.

Um dies zu lösen, speisen wir die Ausgabe des CNN in ein Long-Short-Term-Memory-(LSTM-) Netz. LSTM ist ein Typ von Recurrent Neural Network (RNN), ausgelegt, langfristige Abhängigkeiten zu merken. Es unterhält eine „Gedächtniszelle“, die Kontext aus vorherigen Zeitschritten trägt. Dies erlaubt dem Modell, die Sequenz zu verstehen: „Die Person ging (Geschwindigkeit X), dann beschleunigte abwärts (Geschwindigkeit Y) und ist nun stationär (Geschwindigkeit 0) auf dem Boden.“ Dieser temporale Kontext erlaubt dem System, einen Sturz von einer kontrollierten Aktion wie Hinsetzen zu unterscheiden. ¹⁵

3.3.3 Dual-Branch-Transformer und Aufmerksamkeitsmechanismen

Die Frontier unserer Forschung liegt in Transformer-Architekturen. Anders als RNNs, die Daten sequenziell verarbeiten, verarbeiten Transformer die gesamte Sequenz auf einmal mittels „Self-Attention“- Mechanismen. Dies erlaubt dem Modell, die Wichtigkeit unterschiedlicher Teile des Signals zu gewichten.

Veriprajna schlägt eine Dual-Branch-Architektur vor:

●​ Zweig A (Amplitude): Verarbeitet die Magnitudenänderungen, um grobmotorische Bewegungen zu erkennen (Gehen, Stürzen).

●​ Zweig B (Phase): Verarbeitet Phasenverschiebungen, um Mikrobewegungen zu erkennen (Atmung, Herz- frequenzvariabilität).

Diese beiden Zweige werden über eine Attention-Schicht fusioniert. Der Aufmerksamkeitsmechanismus priorisiert dynamisch den relevantesten Strom basierend auf dem Kontext. Wenn die Person beispielsweise schläft, lernt das Modell, mehr Aufmerksamkeit auf den Phasen-Zweig zu legen (wo das Atemsignal am stärksten ist) und den Amplituden-Zweig zu ignorieren. Umgekehrt erhält der Amplituden-Zweig, wenn die Person geht, höheres Gewicht. Diese multimodale Fusion steigert die Robustheit des Systems signifikant. ¹⁷

3.4 Die Umgebungsabhängigkeit lösen: Domänenadaptation

Eine historische Kritik der Wi-Fi-Sensing-Forschung war ihre mangelnde Generalisierbarkeit. Ein Modell, das auf in „Labor A“ erhobenen Daten trainiert wurde, versagt oft beim Einsatz in „Wohnung B“, weil die Mehrwegeumgebung (Raumgröße, Möblierung) anders ist. Das Modell überanpasst sich an die spezifischen Reflexionen des Trainingsraums.

Veriprajna adressiert dies mit Domain Adversarial Neural Networks (DANNs) . Diese Technik trainiert das Netz mit zwei konkurrierenden Zielen:

1.​ Aktivitätsklassifikator: Den Fehler bei der Vorhersage der Aktivität minimieren (z. B. „Sturz“ vs. „Gehen“).

2.​ Domänendiskriminator: Den Fehler bei der Vorhersage der Umgebung maximieren (z. B. „Labor“ vs. „Zuhause“).

Indem der Feature Extractor gezwungen wird, den Domain Discriminator zu verwirren, wird das Netz genötigt, Merkmale zu lernen, die gegenüber der Umgebung invariant sind—das „platonische Ideal“ einer Sturz- signatur, die gleich aussieht, unabhängig davon, ob sie in einer Einzimmerwohnung oder einem Pflegeheimflur geschieht. Dies ermöglicht ein „einmal trainieren, überall einsetzen“-Modell, das für Enterprise-Skalierbarkeit wesentlich ist. ¹⁹

Teil IV: Klinische Anwendungen und Use Cases

4.1 Atemüberwachung: Das Vitalzeichen der Zukunft

Die Atemfrequenz (Respiratory Rate, RR) wird oft das „vergessene Vitalzeichen“ genannt, doch sie ist ein führender Indikator für klinische Verschlechterung bei Erkrankungen wie chronisch obstruktiver Lungenerkrankung (COPD), kongestiver Herzinsuffizienz (CHF) und Pneumonie. Traditionelles Monitoring erfordert das Tragen eines Brustgurts oder einer Kanüle, was für den Langzeitgebrauch unbequem ist.

Mittels der in Abschnitt 2.2 beschriebenen Phasendifferenzanalyse liefert Wi-Fi-Sensing kontinuierliches, berührungsloses Atemmonitoring.

●​ Genauigkeit: Experimentelle Evaluationen mit Beamforming Feedback Matrices (BFMs) haben Schätzfehler der Atemfrequenz von unter 3.2 Atemzügen/Minute gezeigt. ⁵ Fortgeschrittenere Deep-Learning-Modelle erreichen Korrelationskoeffizienten über 0.92 mit Referenz-Atemgurten. ²¹

●​ Schlafapnoe-Detektion: Das System ist besonders revolutionär für die Erkennung obstruktiver Schlafapnoe (OSA). Durch die Überwachung des Aussetzens der Atembewegung während des Schlafs kann das System potenzielle Apnoe-Ereignisse (AHI-Index) markieren, ohne eine umständliche Polysomnographie (PSG) in einem Schlaflabor. Dies ermöglicht ein longitudinales Screening der älteren Population und identifiziert undiagnostizierte Schlafstörungen, die zum kardiovaskulären Risiko beitragen. ²²

4.2 Sturzerkennung: Das „Long Lie“ und Kontextbewusstsein

Stürze sind die führende Ursache tödlicher Verletzungen unter älteren Erwachsenen. Der unmittelbare Aufprall ist jedoch oft weniger gefährlich als das „Long Lie“—stundenlang auf dem Boden zu bleiben, unfähig aufzustehen, was zu Rhabdomyolyse, Dehydratation und Druckgeschwüren führt.

Veriprajnas Wi-Fi-Sensing-Lösung bietet ein umfassendes Sturzmanagementsystem:

1.​ Prä-Sturz-Ganganalyse: Durch die kontinuierliche Überwachung von Gehgeschwindigkeit und Schritt- konsistenz (Ganggeschwindigkeit) über Wochen kann das System die subtile Verschlechterung der Mobilität erkennen, die einem Sturz oft vorausgeht. Eine schrittweise Verlangsamung der Gehgeschwindigkeit ist ein klinisch validierter Prädiktor des Sturzrisikos und erlaubt präventive Intervention (z. B. Physio- therapie), bevor ein Unfall eintritt. ²

2.​ Echtzeit-Detektion: Mittels der zuvor beschriebenen Doppler-Signaturen erkennt das System das Sturzereignis mit hoher Sensitivität (>97%). ²³

3.​ Post-Sturz-Kontext: Entscheidend überwacht das System die Person nach dem Sturz weiter. Wenn die CSI einen Mangel an grobmotorischer Bewegung, aber die Präsenz von Mikrobewegung (Atmung) auf Bodenniveau anzeigt, bestätigt das System einen „Sturz mit Unfähigkeit zur Erholung“ und eskaliert den Alarm. Dieses Kontextbewusstsein reduziert Fehlalarme signifikant im Vergleich zu Wearable-Beschleunigungssensoren, die das Fallenlassen des Geräts auf den Boden als Sturz registrieren könnten. ²⁴

4.3 Schlafqualität und Hygieneanalyse

Schlafqualität ist ein massiver Gesundheitsdeterminante bei älteren Menschen. Gegenwärtige Consumer-Schlaf- tracker (Smartwatches) schätzen Schlafstadien anhand von Handgelenkbewegung (Aktigraphie) und optischer Herzfrequenz. Wi-Fi-Sensing bietet „Ganzkörper-Aktigraphie“.

Durch die Analyse von Intensität und Periodizität der Körperbewegungen im Bett kann das System Schlafstadien klassifizieren:

●​ Wachheit: Hohe Amplitude, irreguläre Bewegungen.

●​ Leichtschlaf: Reduzierte Bewegung, regelmäßige Atmung.

●​ Tief-/REM-Schlaf: Atonischer (paralysierter) Körperzustand mit hochrhythmischen Atem- signaturen.

Das System erzeugt „Schlafhygiene“-Berichte mit Sleep Onset Latency (Zeit bis zum Einschlafen), Wake After Sleep Onset (WASO) und Gesamtschlafdauer. Entscheidend kann es auch Bettaustritte tracken und Pflegekräfte alarmieren, wenn eine Demenzpatientin oder ein Demenzpatient nachts aus dem Bett wandert und nicht innerhalb eines sicheren Fensters zurückkehrt. ³

Teil V: Das Privatsphäre-Paradoxon – Sensing ohne Überwachung

5.1 Die Debatte „Kamera vs. Sensor“

Visuelle Privatsphäre ist ein vorrangiges Anliegen älterer Menschen. Während Kameras für das Monitoring effektiv sind, werden sie in privaten Räumen wie Schlaf- und Badezimmern weitgehend abgelehnt. Das Gefühl, „beobachtet“ zu werden, das Risiko, Nacktheit aufzunehmen, und das Potenzial, dass Video-Feeds gehackt werden, erzeugen immense Resistenz gegen kamerabasierte AAL-Lösungen.

Wi-Fi-Sensing löst dieses Privatsphäre-Paradoxon. Es ist visuell blind . Die erhobenen Daten—CSI- Matrizen—bestehen aus komplexen Zahlen, die Signalausbreitung repräsentieren. Es ist unmöglich für einen Menschen, ein CSI-Paket anzusehen und ein Gesicht oder einen Körper zu „sehen“. Selbst wenn ein böswilliger Akteur den Rohdatenstrom abfinge, würde er kein Bild oder Video erhalten, sondern einen Strom unverständlicher Signalverzerrungen. Dies macht Wi-Fi-Sensing einzigartig geeignet für die Badezimmer- überwachung—den gefährlichsten Raum im Haus, in dem Kameras strikt verboten sind. ³

5.2 DSGVO- und HIPAA-Compliance

Für Enterprise-Kunden ist regulatorische Compliance nicht verhandelbar. Wi-Fi-Sensing-Daten, speziell CSI, werden als biometrische Daten unter der Datenschutz-Grundverordnung (DSGVO) (Artikel 9) klassifiziert, weil sie potenziell zur Identifikation von Personen anhand ihres Gangs oder ihrer Körperform genutzt werden können (biometrische Identifikation). ²⁸ Ebenso gilt unter dem Health Insurance Portability and Accountability Act (HIPAA), dass aus dem Zuhause abgeleitete Gesundheitsdaten Protected Health Information (PHI) sind.

Veriprajnas Architektur sichert Compliance durch eine strikte Edge-Processing-Strategie:

1.​ Datenminimierung: Rohe CSI-Daten werden lokal auf dem Wi-Fi-Access-Point oder einem lokalen Edge-Gateway (mittels der NPU) verarbeitet. Das rohe, hochbandbreitige biometrische Signal wird niemals in die Cloud übertragen. Es wird unmittelbar nach der Inferenz verworfen.

2.​ Abstrahierte Einsichten: Nur das Inferenz-Ereignis wird übertragen. Die Cloud empfängt ein JSON- Paket: {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. Diese Textzeichenkette enthält keine biometrischen Daten und kann nicht reverse-engineered werden, um die Physiologie der Nutzerin oder des Nutzers zu identifizieren.

3.​ Anonymisierung: In Standardkonfigurationen trackt das System „Anwesenheit“ und „Bewegung“ ohne Verknüpfung mit einer spezifischen Identität. Es erkennt, dass eine Person stürzte, nicht wer stürzte, sofern nicht speziell für Mehrpersonen-Tracking mit Nutzereinwilligung konfiguriert.

4.​ Sicherheit: Alle Datenübertragung ist über TLS 1.3/WPA3 verschlüsselt, und die lokalen Edge- Geräte sind mit 802.1X-Authentifizierung gesichert, um unautorisierten Zugriff zu verhindern. ³⁰

5.3 Das Gästeproblem und soziale Akzeptanz

Ein zentraler Reibungspunkt bei Kameras ist die Überwachung von Besucherinnen und Besuchern. Wenn Familienmitglieder oder Pflegekräfte zu Besuch kommen, werden sie ebenfalls aufgezeichnet, was Einwilligungsfragen aufwirft. Wi-Fi-Sensing ist inhärent weniger invasiv. Während es die Anwesenheit anderer Menschen erkennt, zeichnet es weder Gesichter noch Gespräche auf. Diese „weiche Überwachung“ ist in halbprivaten Räumen weit sozial akzeptabler wie Gemeinschaftsbereichen betreuter Wohnformen oder Wohngemeinschaften und reduziert die rechtliche Komplexität, von jeder Besucherin und jedem Besucher eine Einwilligung einzuholen. ³³

Teil VI: Infrastruktur und das Hardware-Ökosystem

6.1 Die Kommodifizierung von Sensing-Hardware

Ein strategischer Vorteil des Wi-Fi-Sensing ist, dass es bestehende Infrastruktur nutzt. Es erfordert kein Löcherbohren, um proprietäre Sensoren an jeder Wand zu installieren. Der Übergang von Wi-Fi von einem reinen Kommunikationsstandard zu einem Sensing-Standard wird in IEEE 802.11bf (WLAN Sensing) formalisiert, dessen vollständige Ratifizierung Ende 2024/2025 erwartet wird. Dieser Standard wird sicherstellen, dass künftige Wi-Fi-Chipsätze nativ CSI-Extraktion und Sensing-Requests unterstützen und jeden Router in ein standardisiertes Radar verwandeln. ³⁵

6.2 Zentrale Silicon-Enabler

Veriprajnas Software-Stack ist hardwareagnostisch, aber für die führenden Chipsätze optimiert, die Zugriff auf CSI-Daten bieten:

●​ Qualcomm: Qualcomms „Networking Pro Series“ und „FastConnect“-Plattformen (Wi-Fi 7) sind kritische Enabler. Entscheidend integriert Qualcomm die Hexagon NPU (Neural Processing Unit) in ihre SoCs. Dies erlaubt Veriprajna, die Deep-Learning-Modelle (Transformer/CNNs) direkt auf dem Router oder Gateway mit hoher Energieeffizienz laufen zu lassen, und ermöglicht die oben beschriebene Edge-Processing-Strategie. Der Qualcomm AI Stack und AI Hub liefern die Toolchains, um PyTorch-Modelle in quantisierte Binaries zu konvertieren, die auf dem Hexagon DSP laufen und Echtzeitleistung ohne Cloud-Latenz sichern. ³⁶

●​ Broadcom: Mit ihrem neu angekündigten Wi-Fi-8-Ökosystem und Wi-Fi-7-Chips (BCM6726, BCM4390) hat Broadcom die „BroadStream“-Wireless-Telemetrie-Engine eingeführt. Dieser Hardware-Block ist speziell ausgelegt, die Erfassung und Verarbeitung von Sensing-Daten zu entlasten und die hochfrequenten, latenzarmen CSI-Ströme zu liefern, die für KI- Training und Inferenz erforderlich sind. ⁴⁰

●​ Espressif (ESP32): Für kostengünstige, verteilte Sensing-Knoten (z. B. ein dichtes Mesh in einer großen Einrichtung) ist der ESP32-Mikrocontroller ein Game-Changer. Das ESP-CSI Toolkit erlaubt Entwicklerinnen und Entwicklern, CSI-Daten aus diesen preiswerten (5-Dollar-)Chips zu extrahieren. Obwohl weniger leistungsfähig als ein Router, kann ein ESP32 als dedizierter Sensing-Empfänger dienen und Daten an ein zentrales Gateway speisen. Dies ermöglicht kosteneffektives Skalieren des Sensing-Gewebes. ⁴³

6.3 Die kommerzielle Software-Landschaft

Veriprajna agiert als spezialisierter Integrator und KI-Entwickler auf fundierenden Sensing- plattformen:

●​ Cognitive Systems (Aura WiFi Motion): Liefert eine reife, weit eingesetzte API für Motion-Overlay. Ihr Stack übernimmt die niedrigere CSI-Extraktion und grundlegende Bewegungs- klassifikation, sodass Veriprajna sich auf die höhere medizinische Interpretation konzentrieren kann. ²⁶

●​ Origin Wireless (AI Sensing): Pioniere der „Time Reversal Machine“-Technologie für Mehrwegeanalyse. Ihre „TruPresence“- und Sturzerkennungs-Engines sind Branchen- benchmarks für Genauigkeit. Origins Software läuft vollständig am Edge und fügt sich perfekt in unsere Privacy-First-Architektur ein. ³⁵

Teil VII: Strategische Implementierung für das Enterprise

7.1 Das „Zero-Hardware“-Retrofit

Für Pflegeheime, betreute Wohneinrichtungen und Hospital-at-Home-Anbieter ist der primäre Wert von Wi-Fi-Sensing das „Zero-Hardware-Retrofit“. Diese Einrichtungen besitzen bereits Enterprise-Grade-Wi-Fi-Netze für Konnektivität. Durch den Einsatz von Veriprajnas Software- Stack (oder ein Firmware-Update auf eine sensing-fähige Version) verwandelt die Einrichtung ihr bestehendes Kommunikationsnetz in ein Sicherheitsnetz.

●​ CapEx-Einsparungen: Eliminiert die Notwendigkeit, Tausende Wearables zu kaufen oder Kameras in jedem Raum zu installieren.

●​ Wartung: Keine Batterien in Anhängern zu wechseln. Keine verlorenen Geräte zu ersetzen.

●​ Skalierbarkeit: Ein Software-Update kann Sturzerkennung in 100 Räumen instantan aktivieren.

7.2 Deployment-Methodik

Die Implementierung von Wi-Fi-Sensing erfordert einen strukturierten Ansatz, um Abdeckung und Genauigkeit zu sichern:

1.​ Site Survey: Die Wi-Fi-Dichte bewerten. Sensing erfordert eine gewisse Signaldichte. Ein einzelner Router kann eine kleine Wohnung abdecken, aber ein Mesh-Netzwerk (Pods in unterschiedlichen Räumen) ist ideal für „Whole Home“-Abdeckung, um sicherzustellen, dass genug Sensing-Links Badezimmer und Schlafzimmer kreuzen. ⁴⁹

2.​ Hardware-Audit: Prüfen, ob bestehende Access Points kompatible Chipsätze nutzen (Qualcomm/Broadcom), die CSI-Extraktion unterstützen.

3.​ Edge-Gateway-Setup: Feststellen, ob die APs ausreichend Compute (NPU/CPU) für On-Device-Inferenz. Falls nicht, kann ein lokaler Edge-Server (z. B. ein kleiner Industrie-PC, der die KI- modelle ausführt) Daten von leichtgewichtigen APs aggregieren.

4.​ Kalibrierung: Die DANN-(Domain-Adversarial-)Modelle für eine kurze „Burn-in“-Phase laufen lassen (z. B. 24 Stunden), um sich an die spezifische Möblierung und die Baumaterialien des Gebäudes anzupassen und eine Baseline für die statische Umgebung zu etablieren.

7.3 ROI und Wertrealisierung

●​ Reduzierte Krankenhaus-Wiederaufnahmen: Durch frühe Erkennung von Gangänderungen kann präventive Physio- therapie verabreicht werden und der Sturz verhindert werden, der zu einer Hüftfraktur und kostspieliger Hospitalisierung führt.

●​ Personaleffizienz: „Nachtrunden“ können datengesteuert sein. Statt jede Bewohnerin und jeden Bewohner zu wecken, um nach ihnen zu sehen (was den Schlaf stört), kann das Personal das zentrale Dashboard auf Schlaf- störungen oder Bettaustritte überwachen und nur jenen beistehen, die Bedarf haben.

●​ Versicherungsprämien: Einrichtungen mit kontinuierlichem, nicht-invasivem Monitoring können für reduzierte Haftpflichtprämien qualifizieren, wegen des geringeren Risikos unentdeckter Unfälle und der Fähigkeit, datengestützte Nachweise der Versorgung zu liefern.

Fazit: Die Unausweichlichkeit von Ambient Intelligence

Die Ära der „Gadgets“ in der Altenpflege neigt sich dem Ende zu. Die Reibung der Compliance, die Demütigung des Wearable-Stigmas und die funktionalen Grenzen batteriebetriebener Geräte machen sie zu einer Übergangstechnologie. Die Zukunft des Gesundheitsmonitorings besteht nicht darin, Sensoren an Menschen zu schnallen; sie besteht darin, Sensoren um sie herum zu bauen.

Passives Wi-Fi-Sensing repräsentiert die Konvergenz von fortgeschrittener Physik, ubiquitärer Infrastruktur und Deep AI. Es respektiert die Unantastbarkeit des Zuhauses, indem es unsichtbar bleibt, und liefert doch klinisch-gradige Wachsamkeit. Es löst das „Duschparadoxon“, eliminiert Ladeermüdung und bewahrt die Privatsphäre der Nutzerin oder des Nutzers. Für Veriprajna ist dies nicht bloß eine technische Evolution; es ist ein moralischer Imperativ, der alternden Bevölkerung Würde und Sicherheit durch Intelligenz zu geben, die gespürt, aber nicht gesehen wird.

Die Luft um uns ist voller Information. Es ist Zeit, dass wir ihr zuhören.

Tabelle 1: Vergleichende Analyse von Monitoring-Technologien

Merkmal	Wearables (Aktives Monitoring)	Kameras (Visuelles Monitoring)	Passives Wi-Fi- Sensing (Veriprajna)
Nutzer-Compliance	Hohe Reibung: Erfordert Tragen, Laden und manuelle Alarme.	Null Aufwand: Passiv.	Null Aufwand: Passiv.
Privatsphäre-Impact	Niedrig: Nur Daten (Beschleunigung/HF).	Schwerwiegend: Visuelle Aufzeichnung intimer Räume.	Niedrig: Abstrakte CSI- Signale; keine visuellen Identifikatoren.
Badezimmersicherheit	Kritisches Versagen: Oft abgelegt zum Duschen/Baden.	Inakzeptabel: Privatsphärebedenken verbieten den Einsatz.	Ausgezeichnet: Funktioniert in NLOS; durchdringt Dampf/Vorhänge.
Wartung	Hoch: Batterie-	Mittel: Linsen-	Niedrig: Software-

Col1	ersatz, verlorene Geräte- verwaltung.	reinigung, Strom- versorgung.	updates; nutzt bestehendes Wi-Fi.
Tote Winkel	Keine (wenn getragen).	Hoch: Blockiert durch Möbel, Wände, Dunkelheit.	Minimal: Signale durchdringen Wände und Möbel.
Datenreichtum	Beschleunigung, Herz- frequenz.	Gang, Pose, Kontext.	Atmung, Gang, Schlafstadien, Stürze.
Eignung für Demenz	Schlecht: Nutzerinnen und Nutzer vergessen zu tragen oder entfernen Geräte aktiv.	Mittel.	Hoch: Kann nicht entfernt oder vergessen werden.

Tabelle 2: Regulatorischer und technischer Rahmen

Anforderung	Standard / Regulierung	Implikation für Wi-Fi- Sensing
Datenprivatsphäre	DSGVO (Artikel 9)	CSI sind biometrische Daten. Erfordert ausdrückliche Einwilligung und rigorosen Daten- schutz (Edge AI).
Gesundheitsdaten	HIPAA	In-Home-Gesundheitsmonitoring erzeugt PHI. Daten müssen in Transit und im Ruhezustand verschlüsselt sein.
Hardware-Std.	IEEE 802.11bf	Künftiger „WLAN Sensing“- Standard wird die CSI-Extraktion über Vendoren standardisieren.
KI-Verarbeitung	Edge AI (NPU)	Verarbeitung muss on-device geschehen (Qualcomm Hexagon/Broadcom), um

Tabelle 3: Veriprajna Deep-AI-Stack vs. generische Ansätze

Schicht	Generischer / Wettbewerber- Ansatz	Veriprajna Deep AI Ansatz
Eingabedaten	RSSI (Signalstärke) oder Rohe CSI	Sanitisierte CSI (Phasen- Entfaltung, PCA- Entrauschung, Hampel- Filterung)
Merkmalsextraktion	Statistische Merkmale (Mittelwert, Varianz)	CNNs (Convolutional Neural Networks) für räumliche/spektrale Merkmale
Temporale Logik	Schwellwertbasiert (Wenn Signal fällt > X)	LSTM / GRU (Recurrent Neural Networks) für Sequenzkontext
Fusion	Einzelstrom	Dual-Branch-Transformer (Amplitude + Phase) mit Aufmerksamkeitsmechanismus
Generalisierung	Standortspezifische Kalibrierung erforderlich	Domain Adversarial Neural Networks (DANN) für Umgebungs- unabhängigkeit

Quellen: ¹

Literaturverzeichnis

1. Beyond Technical Motives: Perceived User Behavior in Abandoning Wearable Health & Wellness Trackers - arXiv, abgerufen am 12. Dezember 2025, https://arxiv.org/pdf/1904.07986

2. Fall Detection Using Wi-Fi Sensing, abgerufen am 12. Dezember 2025, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, abgerufen am 12. Dezember 2025, https://aerial.ai/resources-blog/wifi-sensing-for-senior-independence

4. Beyond the Box: Unpacking the Usage Patterns of Health Monitoring Devices Among American Retirees - Skywork.ai, abgerufen am 12. Dezember 2025, https://skywork.ai/skypage/en/Beyond-the-Box-Unpacking-the-Usage-Paterns-otf-Health-Monitoring-Devices-Among-American-Retirees/1951152759911845888

5. Respiratory Rate Estimation Based on WiFi Frame Capture - arXiv, abgerufen am 12. Dezember 2025, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, abgerufen am 12. Dezember 2025, https://en.wikipedia.org/wiki/Channel_state_information

7. Understanding CSI | Hands-on Wireless Sensing with Wi-Fi: A Tutorial, abgerufen am 12. Dezember 2025, https://tns.thss.tsinghua.edu.cn/wst/docs/pre/

8. Device-Free WiFi Human Sensing: From Pattern-Based to Model-Based Approaches, abgerufen am 12. Dezember 2025, https://ceca.pku.edu.cn/media/lw/de4947b5f57dd4fd5e3ac649f34ed557.pdf

9. Human Respiration Detection with Commodity WiFi Devices: Do User Location and Body Orientation Matter?, abgerufen am 12. Dezember 2025, http://www-public.tem-tsp.eu/~zhang_da/pub/Daqing%202016%20UbiComp%20respiration.pdf

10. CSI-F: A Human Motion Recognition Method Based on Channel-State-Information Signal Feature Fusion - MDPI, abgerufen am 12. Dezember 2025, https://www.mdpi.com/1424-8220/24/3/862

11. Full Respiration Rate Monitoring Exploiting Doppler Information with Commodity Wi-Fi Devices - ResearchGate, abgerufen am 12. Dezember 2025, https://www.researchgate.net/publication/351682808_Full_Respiration_Rate_Monitoring_Exploiting_Doppler_Information_with_Commodity_Wi-Fi_Devices

12. How Wi-Fi Sensing Helps Monitor Loved Ones at Home - Electronic Caregiver, abgerufen am 12. Dezember 2025, https://electroniccaregiver.com/how-wi-fi-sensing-helps-monitor-loved-ones-at-home/

13. Collaborative Fall Detection and Response using Wi-Fi Sensing and Mobile Companion Robot - arXiv, abgerufen am 12. Dezember 2025, https://arxiv.org/html/2407.12537v1

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, abgerufen am 12. Dezember 2025, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

15. Deep-Learning-Based Wi-Fi Indoor Positioning System Using Continuous CSI of Trajectories - PubMed Central, abgerufen am 12. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8434353/

16. Enhanced Wi-Fi Sensing: Leveraging Phase and Amplitude of CSI for Superior Accuracy, abgerufen am 12. Dezember 2025, https://www.preprints.org/manuscript/202412.2585

17. Enhanced Human Activity Recognition Using Wi-Fi Sensing ..., abgerufen am 12. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11859840/

18. Transformer-Based Person Identification via Wi-Fi CSI Amplitude and Phase Perturbations, abgerufen am 12. Dezember 2025, https://arxiv.org/html/2507.12854v1

19. A Survey on Wi-Fi Sensing Generalizability: Taxonomy, Techniques, Datasets, and Future Research Prospects - arXiv, abgerufen am 12. Dezember 2025, https://arxiv.org/html/2503.08008v2

20. Channel State Information (CSI) based sensing method work flow. ResearchGate, abgerufen am 12. Dezember 2025, https://www.researchgate.net/figure/Channel-State-Information-CSI-based-sensing-method-work-flow_fig3_334626596

21. Noncontact Breathing Pattern Monitoring Using a 120 GHz Dual Radar System with Motion Interference Suppression - MDPI, abgerufen am 12. Dezember 2025, https://www.mdpi.com/2079-6374/15/8/486

22. Doppler radar remote sensing of respiratory function - PMC - NIH, abgerufen am 12. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10172641/

23. Wearable Fall Detection System with Real-Time Localization and Notification Capabilities, abgerufen am 12. Dezember 2025, https://www.mdpi.com/1424-8220/25/12/3632

24. [Literature Review] Real-Time Fall Detection Using Smartphone Accelerometers and WiFi Channel State Information, abgerufen am 12. Dezember 2025, https://www.themoonlight.io/en/review/real-time-fall-detection-using-smartphone-accelerometers-and-wifi-channel-state-information

25. WiFi-based indoor passive fall detection for medical Internet of Things ResearchGate, abgerufen am 12. Dezember 2025, https://www.researchgate.net/publication/372813063_WiFi-based_indoor_passive_fall_detection_for_medical_Internet_of_Things

26. WiFi Motion - Cognitive Systems, abgerufen am 12. Dezember 2025, https://www.cognitivesystems.com/wifi-motion/

27. WiFi Can See You Now: Carnegie Mellon's “DensePose from WiFi” and the Privacy Paradox, abgerufen am 12. Dezember 2025, https://medium.com/@ajayverma23/wifi-can-see-you-now-carnegie-mellons-densepose-from-wifi-and-the-privacy-paradox-b0c61a850849

28. Biometric Data GDPR: Compliance Tips for Businesses, abgerufen am 12. Dezember 2025, https://www.gdprregister.eu/gdpr/biometric-data-gdpr/

29. Biometric recognition | ICO, abgerufen am 12. Dezember 2025, https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/lawful-basis/biometric-data-guidance-biometric-recognition/biometric-recognition/

30. Making Wi-Fi HIPAA compliant, abgerufen am 12. Dezember 2025, https://hipaatimes.com/making-wi-fi-hipaa-compliant

31. HIPAA-Compliant Wi-Fi with 802.1X and RADIUS Security - SecureW2, abgerufen am 12. Dezember 2025, https://www.securew2.com/blog/hipaa-compliant-wireless-802-1x

32. HIPAA Compliance for Guest WiFi: Essential Guidelines - Beambox, abgerufen am 12. Dezember 2025, https://beambox.com/townsquare/how-to-provide-hipaa-compliant-guest-wifi

33. Occupancy Sensors vs Wi-Fi and Badge Data: Accuracy, Privacy - Occuspace, abgerufen am 12. Dezember 2025, https://www.occuspace.com/blog/occupancy-sensors-vs-wi-fi-and-badge-data-accuracy-privacy

34. Surveillance Risks in Wi-Fi Sensing, abgerufen am 12. Dezember 2025, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, abgerufen am 12. Dezember 2025, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, abgerufen am 12. Dezember 2025, https://www.qualcomm.com/wi-fi

37. How to build model assets for Snapdragon NPU devices - ONNX Runtime, abgerufen am 12. Dezember 2025, https://onnxruntime.ai/docs/genai/howto/build-models-for-snapdragon.html

38. NPU AI Engine - Qualcomm, abgerufen am 12. Dezember 2025, https://www.qualcomm.com/processors/ai-engine

39. Unlocking on-device generative AI with an NPU and heterogeneous computing | Qualcomm, abgerufen am 12. Dezember 2025, https://www.qualcomm.com/content/dam/qcomm-martech/dm-assets/documents/Unlocking-on-device-generative-AI-with-an-NPU-and-heterogeneous-computing.pdf

40. Broadcom Introduces Industry's First Wi-Fi 8 Silicon Ecosystem Powering the AI Era, abgerufen am 12. Dezember 2025, https://investors.broadcom.com/news-releases/news-release-details/broadcom-introduces-industrys-first-wi-fi-8-silicon-ecosystem

41. Word on the Street: Media roundup for Wi-Fi 7 - Broadcom Inc., abgerufen am 12. Dezember 2025, https://www.broadcom.com/blog/media-roundup-for-wi-fi-7

42. Accessing the IoT ecosystem - Broadcom Inc., abgerufen am 12. Dezember 2025, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, abgerufen am 12. Dezember 2025, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, abgerufen am 12. Dezember 2025, https://docs.espressif.com/projects/esp-techpedia/en/latest/esp-friends/solution-introduction/esp-csi/esp-csi-solution.html

45. esp_csi_rs - Rust - Docs.rs, abgerufen am 12. Dezember 2025, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, abgerufen am 12. Dezember 2025, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, abgerufen am 12. Dezember 2025, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, abgerufen am 12. Dezember 2025, https://iconoutlook.com/origin-wireless/

49. Qualcomm® Wi-Fi Ranging: Delivering ranging and location technologies of tomorrow today., abgerufen am 12. Dezember 2025, https://www.qualcomm.com/content/dam/qcomm-martech/dm-assets/documents/qualcomm-wi-fi-ranging-white-paper.pdf

50. The Use of Wearable Activity Trackers Among Older Adults: Focus Group Study of Tracker Perceptions, Motivators, and Barriers in the Maintenance Stage of Behavior Change - PMC - NIH, abgerufen am 12. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC6473213/

51. Wi-Fi 8 | Edge AI | Broadband - Broadcom Inc., abgerufen am 12. Dezember 2025, https://www.broadcom.com/solutions/wireless-mobile-communications/wifi8

52. Wi-Fi 7 Chips & Tech | Next-Generation WiFi - Qualcomm, abgerufen am 12. Dezember 2025, https://www.qualcomm.com/wi-fi/wi-fi-7

53. Monitoring Respiratory Motion With Wi-Fi CSI: Characterizing Performance and the BreatheSmart Algorithm - PMC - PubMed Central, abgerufen am 12. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9830631/