Tu Router Wi-Fi Puede Detectar una Caída: Por Qué Importa Más Que Cualquier Smartwatch

Mi madre me llama todos los domingos. Hace unos meses mencionó —casi de pasada— que mi abuela había dejado de usar su colgante de alerta médica. "La hace sentir vieja", dijo mi madre, con el cansancio particular de alguien que ha tenido esta discusión muchas veces.

Mi abuela tiene 83 años. Vive sola. El colgante debía ser su red de seguridad: pulsar un botón, recibir ayuda. Pero ahora está en un cajón, junto a un cable de carga que apenas puede manejar y una guía de inicio rápido que nadie leyó. El dispositivo de emergencia personal más avanzado del mercado, y funcionalmente es un pisapapeles.

Esa conversación cristalizó algo que llevaba tiempo rondándome en Veriprajna. Habíamos estado inmersos en la investigación sobre la Información de Estado del Canal (Channel State Information) —la compleja capa de datos oculta dentro de cada señal Wi-Fi— y seguía volviendo a la misma pregunta incómoda: ¿y si toda la industria de la monitorización de salud mediante dispositivos vestibles está resolviendo el problema equivocado?

No es un problema de sensores. No es un problema de batería. Un problema humano.

El dispositivo que mi abuela se negó a usar tiene excelentes algoritmos de detección de caídas. Tiene una batería de 48 horas. Es resistente al agua con certificación IP68. Y nada de eso importa, porque requiere que una mujer de 83 años con artritis coopere activamente con una pieza de tecnología todos los días. La investigación respalda lo que mi abuela demostró con pura terquedad: aproximadamente el 30% de los usuarios abandona sus rastreadores de salud en un plazo de seis meses. Entre los usuarios de colgantes de respuesta a emergencias personales en particular, solo el 14% logra una adherencia real de 24 horas.

El monitor de salud más eficaz no es el que tiene los mejores sensores. Es el que no requiere ninguna interacción. Y puede que ya esté en su sala de estar, parpadeando en silencio junto al módem.

La Paradoja de la Ducha

Aquí hay una estadística que debería inquietar a cualquiera en el sector de la tecnología sanitaria: el baño es la habitación más peligrosa de la casa para las personas mayores, y es la habitación donde es más probable que se quiten los dispositivos vestibles.

Empecé a llamar a esto "la Paradoja de la Ducha" cuando estábamos catalogando los modos de fallo de los sistemas de monitorización activa. A pesar de que los smartwatches modernos tienen certificaciones de resistencia al agua IP67 o IP68, los adultos mayores habitualmente se los quitan antes de bañarse. Toda una vida de experiencia con dispositivos electrónicos que no sobrevivían ni una salpicadura. Miedo a dañar algo costoso. La incomodidad de una correa mojada contra la piel frágil. Las razones son mundanas y completamente racionales.

Así que el usuario queda sin monitorización precisamente durante la ventana en la que una caída es más probable. Azulejos resbaladizos, bordes duros de porcelana, vapor que reduce la visibilidad… y el dispositivo está sobre el tocador, perfectamente cargado, perfectamente inútil.

Cuando presenté este problema a un inversor en las primeras etapas, se encogió de hombros y dijo: "Entonces hagan un colgante resistente al agua que no se puedan quitar". Recuerdo estar sentado en esa reunión pensando: quieres esposar a una mujer de 83 años a un sensor. Eso no es una solución. Eso es una sujeción.

La pregunta no es cómo hacer que la gente use monitores. Es cómo hacer que la monitorización sea invisible.

¿Y Si Sus Paredes Pudieran Escuchar Su Respiración?

No con micrófonos. Con ondas de radio.

Cada router Wi-Fi de su hogar transmite constantemente señales de radiofrecuencia que rebotan en las paredes, los muebles y —de forma crucial— en las personas. Estas señales portan algo llamado Información de Estado del Canal, o CSI. A diferencia del tosco indicador de intensidad de señal que muestra su teléfono (esas conocidas barras), la CSI describe cómo se propaga la señal inalámbrica a través de decenas o cientos de subportadoras de frecuencia individuales. Captura la amplitud y la fase de cada una. Es, en esencia, una huella electromagnética de alta resolución del entorno físico.

Cuando una persona se mueve por ese entorno, altera la huella. Camine por una habitación, y el desplazamiento Doppler en la señal reflejada crea un patrón de velocidad distintivo. Mueva los brazos mientras camina, y la CSI capta la compleja interacción de las extremidades acercándose y alejándose del receptor.

Pero esto es lo que realmente me dejó atónito la primera vez que vi los datos: no hace falta caminar. Solo hay que respirar.

A 5 GHz, una señal Wi-Fi tiene una longitud de onda de unos 6 centímetros. La pared torácica humana se desplaza aproximadamente entre 4 y 12 milímetros durante la respiración normal. Eso es una fracción pequeña de la longitud de onda, pero es suficiente. A medida que el pecho se expande y se contrae, desplaza la señal reflejada entre interferencia constructiva y destructiva, creando una oscilación rítmica en los datos de fase de la CSI. Podemos reconstruir la forma de onda respiratoria a partir de esta oscilación con una precisión comparable a la de las bandas respiratorias de grado médico: las evaluaciones experimentales muestran errores de estimación de la frecuencia respiratoria inferiores a 3,2 respiraciones por minuto, y los modelos de aprendizaje profundo alcanzan coeficientes de correlación superiores a 0,92 frente a bandas torácicas de referencia.

Recuerdo la noche en que nuestro equipo extrajo por primera vez una señal respiratoria limpia de un router Wi-Fi comercial corriente. Era tarde —mucho después de la medianoche— y uno de mis ingenieros llevaba veinte minutos tumbado en un sofá de nuestro espacio de pruebas mientras ajustábamos la canalización de preprocesamiento. Cuando la forma de onda apareció en la pantalla, suave y rítmica, siguiendo perfectamente su respiración, la sala se quedó en silencio. Entonces alguien dijo: "En realidad está dormido". Y podíamos verlo. No con una cámara. No con una banda torácica. A través de una pared, mediante ondas de radio, desde un router de 30 dólares.

Ese fue el momento en que supe que no estábamos trabajando en una mejora incremental. Estábamos trabajando en un paradigma completamente distinto.

¿Por Qué No Se Puede Simplemente Usar GPT para Esto?

Me hacen esta pregunta constantemente. Normalmente personas que han pasado los últimos dos años viendo a los grandes modelos de lenguaje hacer cosas cada vez más impresionantes y han concluido, razonablemente, que "IA" significa "lanzárselo a un transformer entrenado con texto de internet".

Los datos CSI no son texto. Ni siquiera se acercan a ser texto. Son continuos, de valores complejos, de alta dimensionalidad y están gobernados por las ecuaciones de Maxwell, no por la gramática. Un LLM no puede "leer" una forma de onda de 5 GHz, como tampoco puede saborear un limón. Las arquitecturas son fundamentalmente incompatibles.

Por eso me frustra ver a empresas comercializando monitorización de salud "impulsada por IA" que en realidad no es más que un envoltorio de API alrededor de un modelo de propósito general. En Veriprajna construimos redes neuronales profundas a medida, diseñadas específicamente para el procesamiento de señales temporales. La distinción importa: es la diferencia entre un sistema que funciona en una demostración y uno que funciona a las 3 de la madrugada cuando la abuela de alguien se cae en el baño.

Nuestra arquitectura utiliza tres tipos de redes neuronales de forma conjunta, cada una encargada de un aspecto distinto de la señal:

Las redes neuronales convolucionales tratan la matriz de datos CSI —subportadoras representadas frente al tiempo— como una especie de imagen. La CNN aprende correlaciones espaciales entre frecuencias, identificando la "forma" espectral de una caída frente a la forma de un ventilador de techo girando. Las redes de memoria a corto y largo plazo (LSTM) añaden contexto temporal. Una caída no es un solo instante; es una secuencia: estar de pie, perder el equilibrio, acelerar hacia abajo, el impacto, la quietud. La LSTM recuerda lo que ocurrió antes, que es cómo distinguimos a alguien que se cae de alguien que se deja caer en un sofá. Y los Transformers de Doble Rama procesan simultáneamente los datos de amplitud y fase a través de vías separadas, fusionándolos con un mecanismo de atención que prioriza dinámicamente el flujo más informativo en cada momento. Durante el sueño, el modelo se apoya en los datos de fase, donde reside la señal respiratoria. Durante la actividad, se desplaza hacia la amplitud.

Escribí sobre la arquitectura técnica completa —la canalización de preprocesamiento, el enfoque de adaptación de dominio, la física de las zonas de Fresnel— en nuestro informe de investigación detallado. La versión corta: este no es un problema que se resuelva con un modelo preentrenado y un hackathon de fin de semana. Solo el procesamiento de la señal requiere desenvolvimiento de fase, filtrado de Hampel y análisis de componentes principales antes de que una red neuronal siquiera vea los datos.

Un LLM no puede "leer" una forma de onda de 5 GHz. Lo más peligroso en la IA de salud no son los malos algoritmos: es el buen marketing sobre tecnología superficial.

¿Cómo Detecta Realmente una Caída la Detección por Wi-Fi?

Una caída tiene una firma cinemática que resulta sorprendentemente distintiva en el dominio de la radiofrecuencia. Actividades distintas producen patrones Doppler distintos: el desplazamiento de frecuencia que se produce cuando una señal rebota en un objeto en movimiento.

Caminar genera un patrón complejo y oscilante a medida que los brazos y las piernas se acercan y se alejan del receptor. Sentarse produce una velocidad descendente breve y controlada. ¿Pero una caída? Una caída muestra una secuencia específica: movimiento irregular (pérdida del equilibrio), aceleración rápida hacia el suelo (la gravedad haciendo su trabajo), un pico de energía brusco (el impacto) y luego —de forma crucial— una quietud casi total.

Esa quietud es lo que más importa. La llamamos "permanencia prolongada en el suelo" (Long Lie), y a menudo es más peligrosa que la propia caída. Una persona mayor tendida en el suelo durante horas, incapaz de levantarse, se enfrenta a rabdomiólisis, deshidratación, lesiones por presión. La caída rompe la cadera; la permanencia prolongada puede matar.

Nuestro sistema no solo detecta el evento de la caída —detecta caídas con una sensibilidad superior al 97%—, sino que continúa monitorizando después. Si la CSI muestra una ausencia de movimiento motor grueso pero la presencia continuada de micromovimiento (la respiración) a nivel del suelo, el sistema confirma una "caída con incapacidad de recuperación" y escala la alerta. Este contexto posterior a la caída es algo que los acelerómetros de los dispositivos vestibles no pueden proporcionar en absoluto. Un dispositivo vestible puede indicarle que experimentó una desaceleración repentina. No puede decirle que la persona lleva los últimos cuarenta minutos tendida en el suelo del baño, respirando pero sin moverse.

Hay otra capa que me entusiasma todavía más: la detección previa a la caída. Al monitorizar continuamente la marcha —la velocidad al caminar, la consistencia de la zancada— durante semanas, el sistema puede identificar el sutil deterioro de la movilidad que típicamente precede a una caída. Una ralentización gradual de la velocidad al caminar es un predictor de riesgo de caída clínicamente validado. Esto significa que podemos señalar a alguien para fisioterapia preventiva antes del accidente, no solo responder después de que ocurra.

La Habitación Que Ve Sin Ojos

Tuve una discusión con un colega sobre privacidad que duró, de forma intermitente, unas tres semanas.

Su postura: cualquier sistema que monitorice a las personas en sus hogares es vigilancia, punto. Mi postura: depende enteramente de qué puede ver el sistema.

Una cámara en un dormitorio graba el cuerpo de una persona, su rostro, sus momentos íntimos. Si la transmisión es hackeada, el daño es catastrófico e irreversible. Los datos CSI —la materia prima de la detección por Wi-Fi— consisten en números complejos que representan características de propagación de la señal. Si interceptara el flujo de datos, vería matrices de valores de amplitud y fase. No vería un rostro. No vería un cuerpo. No podría reconstruir una imagen ni aunque lo intentara. El sistema es visualmente ciego por diseño.

La detección por Wi-Fi no observa a las personas. Percibe la perturbación que crean en el campo electromagnético. La distinción no es semántica: es la diferencia entre vigilancia y conciencia.

Esto importa enormemente para el problema del baño. Las cámaras están —con razón— prohibidas en baños y dormitorios en la mayoría de los centros de atención. Pero las señales Wi-Fi penetran paredes, puertas y cortinas de ducha. Funcionan a través del vapor. Funcionan en total oscuridad. La habitación más peligrosa de la casa se vuelve monitorizable sin una sola lente apuntando a nadie.

Para clientes empresariales —residencias de ancianos, centros de vida asistida, programas de hospitalización domiciliaria— las implicaciones regulatorias son importantes. Bajo el RGPD, la CSI se clasifica como dato biométrico porque teóricamente puede identificar a individuos por su patrón de marcha. Bajo la HIPAA, los datos de salud derivados de la monitorización son Información de Salud Protegida. Gestionamos esto mediante un procesamiento estricto en el borde (edge): los datos CSI en bruto se procesan localmente en el router o la pasarela, la señal biométrica de alto ancho de banda nunca sale del dispositivo, y solo se transmiten a la nube eventos abstraídos. Un paquete JSON que dice {"event": "Fall", "location": "Bathroom", "confidence": 0.98} no contiene ningún dato biométrico y no puede aplicarse ingeniería inversa para identificar la fisiología de nadie.

Exploro la arquitectura de privacidad completa y el marco de cumplimiento normativo en la versión interactiva de nuestro whitepaper.

¿Qué Ocurre con Habitaciones y Hogares Diferentes?

Esta es la objeción que me tomo más en serio, porque durante años fue un obstáculo legítimo y letal para la investigación en detección por Wi-Fi.

Un modelo entrenado con datos CSI recopilados en el Laboratorio A fracasaría estrepitosamente al desplegarse en el Apartamento B. Dimensiones de habitación diferentes, muebles diferentes, materiales de pared diferentes: el entorno de trayectos múltiples lo cambia todo. El modelo no estaba aprendiendo "cómo se ve una caída". Estaba aprendiendo "cómo se ve una caída en esta habitación específica, con este sofá específico, en esta esquina específica". Sobreajustado a los reflejos de un solo espacio.

Mi equipo pasó por un periodo genuinamente doloroso descubriendo esto de primera mano. Teníamos unas cifras de precisión magníficas en nuestro entorno de pruebas —más del 98% en detección de caídas— y luego trasladamos la instalación a otro piso del mismo edificio y vimos cómo las cifras se desplomaban. Recuerdo mirar fijamente la matriz de confusión, pensando que habíamos conectado algo mal. No era así. El modelo simplemente había memorizado la habitación.

La solución vino de un enfoque de entrenamiento adversarial llamado Redes Neuronales Adversariales de Dominio. La idea es elegante en principio y exasperante de implementar: se entrena la red con dos objetivos que compiten simultáneamente. Una cabeza intenta clasificar correctamente la actividad —caída frente a caminar frente a sentarse—. La otra cabeza intenta identificar de qué entorno provienen los datos. Luego se obliga al extractor de características a confundir al clasificador de entorno. La red se ve obligada a aprender características invariantes respecto a la habitación: el "ideal platónico" de una firma de caída que se ve igual tanto si ocurre en un estudio como en el pasillo de una residencia de ancianos.

Cuando finalmente logramos que esto funcionara —tras semanas de ajuste de hiperparámetros y más de un debate nocturno sobre las capas de inversión de gradiente— la precisión entre entornos se estabilizó. No es perfecta. Pero es desplegable. "Entrenar una vez, desplegar en todas partes" pasó de ser una aspiración a una realidad de ingeniería.

La Modernización sin Hardware Adicional

Para los operadores con los que hablo —las personas que dirigen centros de vida asistida, los actuarios de seguros que modelan el riesgo de caídas, los directores de programas de hospitalización domiciliaria— el argumento no gira realmente en torno a la IA. Gira en torno a la economía.

Estos centros ya cuentan con redes Wi-Fi empresariales. Ya tienen routers en los pasillos y puntos de acceso en las áreas comunes. La capacidad de detección reside en las señales que esos dispositivos ya están transmitiendo. Con el chipset adecuado —la serie Networking Pro de Qualcomm con su NPU Hexagon integrada, las plataformas Wi-Fi 7 y Wi-Fi 8 de Broadcom con el motor de telemetría BroadStream, o incluso microcontroladores ESP32 de 5 dólares desplegados como nodos de detección dedicados— la actualización es principalmente de software.

Ningún dispositivo vestible que comprar, perder, cargar o reemplazar. Ninguna cámara que instalar, mantener o defender en una demanda por privacidad. Una actualización de firmware habilita la detección de caídas en 100 habitaciones simultáneamente.

El IEEE está formalizando esto con 802.11bf, el estándar de Detección WLAN cuya ratificación se espera para finales de 2024/2025. Cuando llegue, todo router Wi-Fi nuevo admitirá de forma nativa la extracción de CSI y las solicitudes de detección. El router se convierte en un radar estandarizado. La infraestructura ya está ahí. Simplemente no la hemos estado utilizando.

A veces me preguntan si la detección pasiva por Wi-Fi reemplazará por completo a los dispositivos vestibles. Creo que no, al menos no para las poblaciones activas y móviles que se benefician de la monitorización de la frecuencia cardiaca durante el ejercicio o del rastreo GPS durante actividades al aire libre. Los dispositivos vestibles cumplen un propósito real para los "jóvenes mayores", el grupo demográfico de 65 a 75 años, digitalmente alfabetizado y físicamente activo. ¿Pero para la persona de 85 años con demencia que no recuerda cargar un colgante? ¿Para el paciente posquirúrgico que se recupera en casa y necesita monitorización respiratoria continua? ¿Para el operador de un centro que intenta ofrecer cobertura de seguridad 24/7 sin una cámara en cada habitación? La respuesta no es un mejor dispositivo vestible. Es ningún dispositivo vestible en absoluto.

Otros preguntan por las mascotas: ¿activará un perro falsas alarmas? La firma Doppler de un terrier de 7 kilos y la de un ser humano de 80 años son dramáticamente diferentes, tanto en el perfil de velocidad como en la sección transversal del cuerpo. La red neuronal aprende esta distinción rápidamente. Los gatos son más complicados, pero el contexto temporal de la LSTM —la secuencia del movimiento, no solo un único fotograma— resuelve la mayoría de los casos límite.

El Aire Ya Está Lleno de Información

Pienso a menudo en mi abuela cuando trabajo en esta tecnología. Ella no es un caso de uso ni un personaje en una presentación para inversores. Es una persona que quiere vivir en su propia casa, con sus propias rutinas, sin un medallón de plástico colgado del cuello anunciando su fragilidad a cada visitante.

El aire de su apartamento ya está saturado de señales Wi-Fi. Atraviesan sus paredes, se reflejan en sus muebles, se ondulan con cada respiración que toma. Ahora mismo, toda esa información se disipa sin utilizarse: ruido electromagnético, invisible e ignorado.

Tenemos la física para leerla. Tenemos la IA para interpretarla. Tenemos el hardware ya instalado en millones de hogares. Lo único que se interpone entre dónde estamos y dónde necesitamos estar es la disposición a dejar de pensar en la monitorización de salud como algo que se ata a una persona, y empezar a pensar en ella como algo que se entreteje en el espacio que la rodea.

El futuro de la monitorización de salud no consiste en mejores dispositivos. Consiste en hacer que el propio edificio sea consciente, y en hacer que esa conciencia sea invisible.

La era de pedirles a las personas vulnerables que gestionen su propia tecnología de vigilancia está llegando a su fin. No porque la tecnología haya fallado, sino porque la suposición que había detrás de ella —que el cumplimiento es un problema del usuario y no un fallo de diseño— siempre fue errónea. La respuesta nunca fue un mejor botón que pulsar. Fue eliminar la necesidad de pulsar nada en absoluto.