Wearables überwinden mit passivem Wi-Fi Sensing und Deep AI
Der wirksamste Gesundheitsmonitor ist nicht der mit den modernsten Sensoren oder der längsten Akkulaufzeit; es ist der, der keinerlei Interaktion erfordert.
Die passive Wi-Fi-Sensing-Lösung von Veriprajna erkennt Stürze, überwacht die Atmung und analysiert Schlafmuster mit Genauigkeit auf klinischem Niveau – ganz ohne ein einziges Wearable. Durch die Analyse der Channel State Information (CSI) der vorhandenen Wi-Fi-Infrastruktur haben wir die Compliance-Krise gelöst, die die Altenpflege plagt.
Veriprajna arbeitet mit Pflegeheimen, Einrichtungen für betreutes Wohnen, „Hospital at Home“-Anbietern und Versicherungen zusammen, um unsichtbare Sicherheitsnetze zu installieren, die Würde respektieren und zugleich Wachsamkeit auf klinischem Niveau bieten.
Verwandeln Sie Ihr bestehendes Wi-Fi-Netzwerk in ein umfassendes Sicherheitssystem. Kein Hardware-Aufbau, keine zu wartenden Akkus, keine verlorenen Geräte. Überwachen Sie 100+ Bewohner per Software-Update.
Ermöglichen Sie echtes „Hospital at Home“ mit kontinuierlicher Atmungsüberwachung, Ganganalyse zur Sturzprävention und Schlafqualitäts-Tracking – alles HIPAA-konform mit Edge-AI-Verarbeitung.
Gewinnen Sie objektive Längsschnittdaten zu Patientenaktivität, Mobilitätsverlust und Sturzrisiko. Datengetriebene Interventionen senken Schadenfälle und verbessern zugleich die Ergebnisse für die Gruppe der Hochbetagten („old-old“, 85+).
Das vorherrschende Modell des Remote Patient Monitoring setzt aktive Mitwirkung gerade der Personengruppe voraus, die dazu am wenigsten in der Lage ist.
Das Badezimmer ist der gefährlichste Raum für ältere Menschen – und genau dort werden Wearables abgelegt. Trotz IP67/IP68-Zertifizierung nehmen Nutzer die Geräte gewohnheitsmäßig vor dem Baden ab – so entsteht eine Überwachungslücke genau im Moment des höchsten Risikos.
Für Menschen mit Arthritis oder Mild Cognitive Impairment ist das tägliche Aufladen eine Last. Studien zeigen, dass 24% der PERS-Nutzer ihren Notrufanhänger nie trugen und nur 14% echte 24-Stunden-Adhärenz erreichten.
Medizinische Notrufanhänger „markieren“ ihre Nutzer als alt und gebrechlich. Viele Senioren verstecken die Geräte unter der Kleidung oder weigern sich, sie in der Öffentlichkeit zu tragen, und untergraben damit das gesamte Überwachungssystem. Die Angst vor Fehlalarmen hemmt die Nutzung des SOS-Knopfs.
„Dass der Nutzer zum aktiven Teilnehmer seiner eigenen Überwachung gemacht wird, erzeugt eine Compliance-Lücke— einen gefährlichen Abgrund zwischen der theoretischen Sicherheit, die die Technologie bietet, und der praktischen Realität ihrer Nichtnutzung im Alltag.“
— Veriprajna Whitepaper: Der unsichtbare Wächter, 2024
Warum passives Sensing traditionelle Ansätze übertrifft
| Merkmal | Wearables (Aktives Monitoring) |
Kameras (Visuelles Monitoring) |
Passives Wi-Fi Sensing (Veriprajna) |
|---|---|---|---|
| Nutzer-Compliance | ❌ Hohe Reibung: Erfordert Tragen, Laden, manuelle Alarme | ✓ Null Aufwand: Passiv | ✓ Null Aufwand: Passiv |
| Auswirkung auf die Privatsphäre | ✓ Gering: Nur Daten (Beschleunigung/Herzfrequenz) | ❌ Schwerwiegend: Visuelle Aufzeichnung intimer Räume | ✓ Gering: Abstrakte CSI-Signale; keine visuellen Identifizierungsmerkmale |
| Badezimmer-Sicherheit | ❌ Kritisches Versagen: Wird zum Duschen/Baden oft abgelegt | ❌ Inakzeptabel: Datenschutzbedenken schließen die Nutzung aus | ✓ Ausgezeichnet: Funktioniert bei NLOS; durchdringt Dampf/Vorhänge |
| Wartung | ❌ Hoch: Batteriewechsel, Management verlorener Geräte | Mittel: Linsenreinigung, Stromversorgung | ✓ Gering: Software-Updates; nutzt vorhandenes Wi-Fi |
| Tote Winkel | Keine (wenn getragen) | ❌ Hoch: Blockiert durch Möbel, Wände, Dunkelheit | ✓ Minimal: Signale durchdringen Wände und Möbel |
| Datenreichtum | Beschleunigung, Herzfrequenz | Gang, Pose, Kontext | ✓ Atmung, Gang, Schlafphasen, Stürze |
| Eignung bei Demenz | ❌ Schlecht: Nutzer vergessen das Tragen oder legen Geräte aktiv ab | Mittel | ✓ Hoch: Kann nicht abgelegt oder vergessen werden |
Wahre Ambient Intelligence erfordert Zugriff auf die Channel State Information (CSI) — das hochauflösende „Bild“ der Funkumgebung, das RSSI nicht liefern kann.
Frühes Wi-Fi Sensing stützte sich auf die Received Signal Strength Indication (RSSI) — einen groben Messwert, der Anwesenheit erkennen, aber für feine Bewegungen wie Atmung die nötige Empfindlichkeit vermissen lässt.
Modernes Wi-Fi (802.11n/ac/ax) nutzt OFDM und teilt Kanäle in Dutzende Unterträger. CSI erfasst, wie jeder Unterträger mit Objekten interagiert, und liefert granulare Details, die RSSI nicht sehen kann.
Funkwellen breiten sich zwischen Sender und Empfänger in konzentrischen Ellipsoiden (Fresnel-Zonen) aus. Menschliche Bewegung innerhalb dieser Zonen verursacht Phasenverschiebungen, die im CSI erkennbar sind.
Atmungserkennung: Eine Thoraxbewegung von 4-12mm genügt, um rhythmische CSI-Oszillationen zu erzeugen — vergleichbar mit Atemgurten medizinischer Qualität.
Unterschiedliche menschliche Aktivitäten erzeugen eindeutige Doppler-Frequenzverschiebungen. Ein Sturz ist gekennzeichnet durch schnelle Beschleunigung (Schwerkraft), gefolgt von plötzlicher Reglosigkeit (das „Long Lie“).
Wi-Fi-Signale bei 2,4/5 GHz durchdringen Trockenbauwände, Holz und Glas. Selbst wenn der Access Point im Flur steht und der Nutzer hinter einer geschlossenen Tür ist, reflektieren die Signale am Nutzer und kehren zum Empfänger zurück.
Diese physikalisch begründete Allgegenwart beseitigt die „toten Winkel“, unter denen Kamerasysteme leiden. Eine einzige Wi-Fi-Verbindung kann einen ganzen Raum oder angrenzende Räume überwachen — eine Abdeckung, die mehrere Kameras erfordern würde.
Sehen Sie, wie Channel State Information menschliche Bewegung erfasst, die herkömmliches RSSI nicht erkennt. Wechseln Sie zwischen den Modi Atmungserkennung und Sturzerkennung.
CSI-Daten gehorchen den Gesetzen der Physik, nicht der Grammatik. Veriprajna entwickelt maßgeschneiderte tiefe neuronale Netze für zeitliche Signalverarbeitung — keine generischen Sprachmodelle.
Phasenentfaltung, Hampel-Filterung, PCA-Dimensionsreduktion. Hardware-Artefakte (CFO/SFO) entfernen und Hauptkomponenten extrahieren.
Die CSI-Matrix wird als Pseudo-Bild behandelt. 2D-Faltungen lernen räumliche Korrelationen über Unterträger hinweg — und trennen menschliche Bewegung von rotierenden Ventilatoren.
Stürze sind Sequenzen: Stehen → Gleichgewicht verlieren → Absinken → Aufprall → Liegenbleiben. LSTM behält Gedächtnis, um Kontext zu verstehen — nicht isolierte Einzelbilder.
Zweig A (Amplitude): Makro-Bewegungen. Zweig B (Phase): Mikro-Bewegungen. Der Attention-Mechanismus priorisiert den relevanten Stream dynamisch.
Warum Domain Adversarial Neural Networks (DANN)?
Ein in „Labor A“ trainiertes Modell scheitert oft in „Wohnung B“ — wegen unterschiedlicher Raumlayouts. DANN zwingt das Netzwerk, umgebungsunabhängige Merkmale zu lernen — das „platonische Ideal“ einer Sturzsignatur, die im Einzimmerapartment genauso aussieht wie im Pflegeheimflur. Einmal trainieren, überall einsetzen.
Von der Atmungsüberwachung über die Sturzerkennung bis zur Schlafanalyse — Genauigkeit auf klinischem Niveau ganz ohne ein einziges Wearable.
Die Atemfrequenz (RR) ist das „vergessene Vitalzeichen“ — dennoch ein führender Indikator für Verschlechterung bei COPD, CHF und Pneumonie. Eine Thoraxbewegung von 4-12mm erzeugt rhythmische CSI-Phasenschwingungen.
Schlafapnoe-Erkennung ohne umständliche PSG-Laboruntersuchungen
Stürze sind die häufigste Ursache tödlicher Verletzungen im Alter. Das „Long Lie“ (stundenlanges Liegen am Boden) verursacht Rhabdomyolyse und Druckgeschwüre. Veriprajna erkennt die gesamte Sequenz.
„Whole Body Actigraphy“ analysiert Bewegungsintensität und Periodizität, um Schlafphasen zu klassifizieren. Bettausstiege werden erfasst, um Weglaufverhalten bei Demenz zu erkennen.
Einschlafdauer, WASO, Gesamtdauer — alles ohne Armband-Aktigraphie
Visuelle Privatsphäre ist für ältere Menschen von höchster Bedeutung. Wi-Fi Sensing entscheidet die Debatte „Kamera vs. Sensor“ — es ist visuell blind.
CSI-Matrizen bestehen aus komplexen Zahlen, die die Signalausbreitung darstellen. Es ist unmöglich für einen Menschen, in CSI-Paketen das Gesicht oder den Körper einer Person zu „sehen“. Selbst abgefangen sind die Daten unverständliche Signalverzerrungen — keine Bilder, kein Video.
CSI ist biometrische Daten im Sinne von Artikel 9 DSGVO. Veriprajna gewährleistet Konformität durch strikte Edge-AI-Verarbeitung:
„Das macht Wi-Fi Sensing einzigartig geeignet für die Badezimmer-Überwachung— den gefährlichsten Raum im Haus, in dem Kameras strengstens verboten sind.“
IEEE 802.11bf (WLAN Sensing) wird die CSI-Extraktion bis 2024/2025 standardisieren und jeden Router zum Radar machen.
Wi-Fi-7-Chipsätze mit integriertem Hexagon NPU ermöglichen Deep-Learning-Inferenz direkt auf dem Gerät. Veriprajna konvertiert PyTorch-Modelle in quantisierte Binärdateien für Echtzeit-Edge-Verarbeitung.
BroadStream eine drahtlose Telemetrie-Engine, speziell entwickelt für das Offloading von Sensing-Daten. Hochfrequente, latenzarme CSI-Streams für KI-Training/-Inferenz.
Günstige ($5) Mikrocontroller mit ESP-CSI Toolkit ermöglichen ein dichtes Sensing-Mesh in großen Einrichtungen. Der ESP32 dient als dedizierter Empfänger, der das zentrale Gateway speist.
Bietet grundlegende CSI-Extraktion und eine einfache API zur Bewegungsklassifikation. Veriprajna setzt für die Interpretation auf medizinischem Niveau darauf auf.
Time Reversal Machine Technologie für Mehrwegeanalyse. TruPresence- und Sturzerkennungs-Engines laufen vollständig am Edge — im Einklang mit der Privacy-first-Architektur.
Das „Zero-Hardware-Retrofit“ verwandelt bestehende Wi-Fi-Netzwerke in umfassende Sicherheitssysteme.
Modernes Wi-Fi nutzt OFDM und teilt Kanäle in Dutzende Unterträger, die jeweils als komplexe Amplituden- und Phasendaten in der Channel State Information (CSI) erfasst werden. Menschliche Bewegung innerhalb der Fresnel-Zonen zwischen Sender und Empfänger verursacht Phasenverschiebungen, die im CSI erkennbar sind. Ein Sturz erzeugt einen charakteristischen energiereichen Doppler-Schub, gefolgt von plötzlichem Ende — unterscheidbar vom Sitzen durch Analyse des Geschwindigkeitsprofils. Bei 5 GHz beträgt die Wellenlänge etwa 6cm; eine 3cm-Bewegung erzeugt eine volle Phasenverschiebung.
Ja. Die Thoraxbewegung von 4-12mm während der Atmung erzeugt rhythmische CSI-Phasenschwingungen, vergleichbar mit Atemgurten medizinischer Qualität — mit einem Fehler von unter 3,2 Atemzügen pro Minute und einer Korrelation von über 0,92 gegenüber Referenzgurten. Für die Schlafanalyse führt das System eine Whole-Body-Aktigraphie durch: Bewegungsintensität und Periodizität werden analysiert, um Wachzustand, leichten Schlaf sowie Tief-/REM-Schlaf zu klassifizieren, und Einschlafdauer, Aufwachen nach dem Einschlafen (WASO) und Gesamtdauer werden erfasst.
Ein in einem Raum trainiertes Modell scheitert oft in einem anderen — wegen unterschiedlicher Layouts und Materialien. Domain Adversarial Neural Networks (DANN) zwingen das Netzwerk, umgebungsunabhängige Merkmale zu lernen, indem sie einen Gegenspieler hinzufügen, der versucht zu identifizieren, welche Umgebung die Daten erzeugt hat. Gelingt es dem Gegenspieler, wird das Hauptnetzwerk bestraft und gezwungen, die universelle Sturzsignatur zu lernen, die im Einzimmerapartment genauso aussieht wie im Pflegeheimflur. So wird „Einmal trainieren, überall einsetzen“ ermöglicht.
Das Passive Wi-Fi Sensing von Veriprajna ist nicht bloß eine Verbesserung gegenüber Wearables — es schafft die Compliance-Bürde fundamental ab.
Vereinbaren Sie eine Beratung, um das Deployment für Ihre Einrichtung zu modellieren, unsere Deep-AI-Architektur kennenzulernen und den Weg zu hardwarefreier Ambient Intelligence zu verstehen.
Vollständiger technischer Bericht: CSI-Physik, Fresnel-Zonen-Mathematik, CNN/LSTM/Transformer-Architekturen, DANN-Domänenadaption, DSGVO/HIPAA-Konformität, Analyse des Hardware-Ökosystems, 53 akademische Quellenzitate.