El guardián invisible: Superando los wearables con detección pasiva por Wi-Fi e IA profunda

Resumen ejecutivo

El panorama mundial de la atención sanitaria navega actualmente un profundo cambio demográfico, caracterizado por un envejecimiento poblacional acelerado y una contracción simultánea de la fuerza laboral de cuidadores disponible. Esta divergencia ha catalizado una búsqueda desesperada de multiplicadores de fuerza tecnológicos: soluciones que puedan extender el alcance de clínicos y tutores hasta el hogar. Durante la última década, la respuesta principal del sector ha sido la «monitorización activa»: el despliegue de dispositivos wearables, botones de pánico y relojes inteligentes diseñados para rastrear signos vitales y detectar emergencias. Sin embargo, un análisis riguroso de datos longitudinales revela un fallo crítico en este enfoque: depende de la adherencia de la población menos capaz de proporcionarla. El monitor de salud más eficaz no es el que tiene los sensores más avanzados ni la mayor autonomía de batería; es el que no exige interacción alguna.

Este documento técnico, elaborado por la consultora especializada en IA Veriprajna, sirve como plano arquitectónico definitivo para la próxima generación de Vida Asistida Ambiental (AAL). Argumentamos que el sector debe pivotar de la monitorización activa centrada en el dispositivo a la detección pasiva por Wi-Fi, un paradigma que reutiliza las omnipresentes señales de radiofrecuencia (RF) de nuestros entornos como un tejido de detección sofisticado e invisible. Al analizar la Información de Estado del Canal (CSI) —los datos complejos de capa física inherentes al Wi-Fi moderno— podemos detectar caídas, monitorizar la respiración y analizar patrones de sueño con precisión de grado clínico, todo sin un solo dispositivo wearable.

Sin embargo, la transición a la detección por Wi-Fi no es una mera actualización de hardware; es un desafío de procesamiento de señales del más alto orden. Exige ir más allá de métodos estadísticos simplistas y adoptar la IA profunda. Este informe detalla por qué los envoltorios genéricos de Modelos de Lenguaje Grandes (LLM) son insuficientes para esta tarea y por qué Veriprajna aboga por arquitecturas de aprendizaje profundo a medida —en concreto, redes neuronales convolucionales (CNN), redes de memoria a corto y largo plazo (LSTM) y Transformers— para decodificar el lenguaje sutil de las ondas de radio. Presentamos un análisis integral de la física de la CSI, los modos de fallo de los wearables activos, las arquitecturas de redes neuronales profundas necesarias para la interpretación de señales y las vías regulatorias para desplegar biometría invisible en un contexto empresarial.

Parte I: La crisis de adherencia en la salud con

wearables

1.1 La falacia de la cooperación activa

El modelo predominante de Monitorización Remota de Pacientes (RPM) y de la tecnología de «envejecimiento en el hogar» se fundamenta en el concepto de cooperación activa. Este modelo asume que el usuario —a menudo una persona mayor que puede padecer deterioro cognitivo, artritis o deterioro sensorial— actuará como administrador responsable del sistema de su propia tecnología de salud. Se espera que recuerde ponerse un dispositivo cada mañana, asegure que esté cargado a diario e interactúe con su interfaz durante las emergencias. Aunque este modelo funciona razonablemente bien para los «jóvenes-viejos» (edades 65-75) que son alfabetizados digitalmente y activos, falla de forma catastrófica en la población de «viejos-viejos» (85+) donde los riesgos de caídas y emergencias médicas son más altos.

La investigación sobre los ciclos de adopción de los monitores de salud wearables revela una realidad cruda y preocupante: los dispositivos son abandonados con frecuencia por quienes más los necesitan. Estudios que analizan el comportamiento de los usuarios indican que aproximadamente el 30 % de los usuarios interrumpe el uso de sus rastreadores en los seis meses posteriores a la adquisición. ¹ Esta tasa de abandono no es un mero reflejo de la insatisfacción del consumidor; representa un agujero enorme en la red de seguridad. Cuando un dispositivo permanece en un cajón, el sistema de monitorización no está simplemente degradado: es inexistente. La dependencia de que el usuario sea un participante activo en su propia vigilancia crea una «brecha de adherencia», un abismo peligroso entre la seguridad teórica que ofrece la tecnología y la realidad práctica de su no uso en la vida cotidiana.

1.1.1 La «paradoja de la ducha» y la vulnerabilidad de la higiene

Las limitaciones funcionales de los wearables se sienten con más agudeza durante las Actividades de la Vida Diaria (AVD) que implican agua o desvestirse. El baño es estadísticamente la habitación más peligrosa del hogar para las personas mayores, con superficies resbaladizas y accesorios duros que crean una alta probabilidad de caídas con lesiones. Y, sin embargo, este es precisamente el entorno donde los wearables están más a menudo ausentes. Denominamos esto la «paradoja de la ducha».

Pese a las clasificaciones de resistencia al agua IP67 o IP68 de los dispositivos modernos, muchos adultos mayores se quitan habitualmente el reloj o el colgante antes de bañarse. Este comportamiento nace de una vida de experiencia con electrónica no impermeable, del miedo a dañar un dispositivo caro o de la simple incomodidad física que provocan las correas mojadas sobre una piel frágil. ² En consecuencia, el usuario queda sin monitorizar exactamente en la ventana temporal en la que una caída es más probable. Si una caída ocurre en la ducha mientras el dispositivo está en el tocador del baño, el sistema ha fallado por completo. La naturaleza «activa» del dispositivo —que exige que el usuario decida mantenerlo puesto— se convierte en el único punto de fallo.

1.1.2 Fatiga de carga y fricción cognitiva

Más allá del baño, el requisito de carga regular constituye una barrera significativa para la protección continua. Para una persona de 80 años, las habilidades motoras finas necesarias para conectar un cargador magnético propietario o enchufar un cable micro-USB pueden resultar exigentes. Esta «fatiga de carga» genera periodos en los que el dispositivo se deja en una mesita de noche para cargar y luego se olvida por la mañana.

Los datos de usuarios de Sistemas de Respuesta a Emergencias Personales (PERS) pintan un panorama preocupante de adherencia. Un estudio halló que el 24 % de los usuarios nunca se puso el colgante y que solo el 14 % logró una adherencia verdadera de 24 horas. ³ La carga cognitiva de gestionar la autonomía de la batería del dispositivo compite con otros estresores diarios y, en poblaciones con Deterioro Cognitivo Leve (DCL) o demencia en fase temprana, el dispositivo simplemente se olvida. El resultado es un paciente «monitorizado» que, en realidad, está completamente desprotegido durante amplios tramos del día.

1.2 Barreras psicológicas: el estigma de la fragilidad

La adopción de tecnología no es un cálculo puramente funcional; es profundamente emocional. Muchos wearables dispositivos, en particular los ubicuos colgantes «SOS», están diseñados con una estética claramente médica. Señalan al mundo —y al propio usuario— que son frágiles, vulnerables y necesitan ayuda. Esta estigmatización es un potente motor de rechazo.

Las metasíntesis cualitativas de las experiencias de los usuarios revelan que los adultos mayores a menudo ven estos dispositivos como algo que los «marca» como viejos. ⁴ El deseo de mantener una fachada de independencia y vitalidad lleva a muchos mayores a ocultar los dispositivos bajo la ropa (reduciendo su eficacia) o a negarse a llevarlos en entornos públicos o sociales. El dispositivo se convierte en un símbolo de autonomía perdida en lugar de una herramienta para preservarla.

Además, el «miedo a las falsas alarmas» crea una estructura de incentivos perversa. Los usuarios a menudo temen desencadenar accidentalmente una sirena o convocar a los servicios de emergencia por un no-evento, lo cual puede ser embarazoso y costoso. Esta ansiedad lleva a algunos usuarios a dejar el dispositivo atrás para evitar el riesgo de un falso positivo o, peor aún, a dudar en pulsar el botón durante una emergencia genuina, preguntándose si su situación es «lo bastante grave» para justificar la molestia. Esta fricción psicológica hace que el mecanismo de disparo activo sea poco fiable.

1.3 Las implicaciones económicas de la gestión de dispositivos

Para las partes interesadas empresariales —aseguradoras, Organizaciones de Atención Responsable (ACO) y operadores de residencias asistidas— la dependencia de los wearables representa una ineficiencia económica significativa. El despliegue de una flota de wearables implica un Gasto de Capital (CapEx) sustancial en hardware propenso a pérdida, rotura y obsolescencia.

El Gasto Operativo (OpEx) es igualmente punitivo. Gestionar una flota de miles de dispositivos implica retos logísticos: sustituir baterías, gestionar devoluciones de unidades rotas y prestar soporte técnico a usuarios no técnicos que pueden tener dificultades para emparejar el dispositivo con un smartphone o una red Wi-Fi. La «rotación» de dispositivos perdidos erosiona el Retorno de la Inversión (ROI) del programa de monitorización. De forma más crítica, la «falsa seguridad» que ofrece un wearable que no se lleva puesto crea una responsabilidad masiva. Si una instalación afirma proporcionar monitorización 24/7 pero un residente se cae mientras su dispositivo está cargando, la instalación puede enfrentar repercusiones legales y reputacionales por el fallo de la red de seguridad. El sector requiere un cambio estructural de la monitorización «centrada en el dispositivo» a la monitorización «centrada en el espacio»: una solución que está empotrada en la infraestructura del propio edificio, no exige esfuerzo alguno del residente y es imposible de perder u olvidar.

Parte II: La física de la detección invisible

2.1 De RSSI a la Información de Estado del Canal (CSI)

Para apreciar el enfoque de Veriprajna, es esencial distinguir entre las formas primitivas de detección por Wi-Fi que existen desde hace años y el análisis profundo de señales que defendemos. Los primeros intentos de aprovechar el Wi-Fi para la detección de presencia se basaban en la Indicación de Intensidad de Señal Recibida (RSSI). La RSSI es una métrica gruesa disponible en casi todas las pilas inalámbricas; representa la potencia total de la señal recibida, típicamente promediada sobre todo el paquete y el ancho de banda de frecuencia.

Aunque la RSSI disminuye cuando un objeto bloquea el camino entre transmisor y receptor (sombreado), es una métrica fundamentalmente inestable y de baja resolución. Es altamente susceptible al desvanecimiento por trayectos múltiples —donde las señales rebotan en las paredes e interfieren de forma constructiva o destructiva— y al ruido ambiental. Un cambio de humedad, el movimiento de una mascota o incluso el funcionamiento de un horno de microondas puede causar fluctuaciones de RSSI que imitan la presencia humana. De forma crucial, la RSSI carece de la sensibilidad para detectar movimientos de grano fino; puede decirle si una persona está en la habitación, pero no puede decirle si está respirando. ⁵

La verdadera Inteligencia Ambiental requiere acceso a la capa física (PHY) de la transmisión inalámbrica, en concreto la Información de Estado del Canal (CSI). Los estándares Wi-Fi modernos (802.11n, 802.11ac, 802.11ax y el próximo 802.11be) utilizan Multiplexación por División de Frecuencia Ortogonal (OFDM). En OFDM, el canal inalámbrico (p. ej., un canal de 20 MHz o 40 MHz) se divide en docenas o cientos de subportadoras. La CSI describe la propagación de la señal del transmisor al receptor para cada subportadora individual.

Matemáticamente, si $X$ es el vector de señal transmitida y $Y$ es el vector de señal recibida, la relación se modela como:

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

Donde $N$ es el vector de ruido y $H$ es la matriz de Información de Estado del Canal. A diferencia de la RSSI, que es un valor escalar, $H$ es una matriz compleja que contiene dos componentes distintos para cada subportadora:

1.​ Amplitud ($|H|$): La atenuación de la intensidad de la señal a esa frecuencia específica.

2.​ Fase ($\angle H$): El retardo o el desfase de la señal a esa frecuencia específica.

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

Esta matriz proporciona una «imagen» de alta resolución del entorno inalámbrico. Como distintas subportadoras tienen distintas longitudes de onda, interactúan de forma distinta con los objetos de la habitación. La CSI captura la dispersión, la reflexión y la difracción causadas por el cuerpo humano con un detalle granular que la RSSI simplemente no puede ver. ⁶

2.2 El modelo de zona de Fresnel y la detección de micromovimiento

El marco teórico que nos permite extraer el movimiento humano de estos datos electromagnéticos es el modelo de zona de Fresnel. Las zonas de Fresnel son una serie de elipsoides prolados concéntricos con el transmisor (Tx) y el receptor (Rx) actuando como los focos.

Cuando una onda de radio viaja de Tx a Rx, no sigue una única línea recta. Se propaga a través del volumen de espacio definido por estas zonas de Fresnel. Si un objeto dinámico (un humano) existe dentro de estas zonas, refleja una porción de la señal. La señal recibida en el Rx es una superposición de la trayectoria directa en línea de vista (LoS) y la trayectoria dinámica reflejada en el cuerpo humano.

La longitud de trayectoria de la señal reflejada cambia a medida que la persona se mueve. Este cambio de longitud, $d(t)$, introduce un desfase en el componente dinámico de la CSI. La relación está gobernada por la longitud de onda ($\lambda$) de la señal:

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

Para una señal Wi-Fi estándar de 5 GHz, la longitud de onda $\lambda$ es de aproximadamente 6 centímetros. Esto significa que un movimiento de apenas 3 centímetros (media longitud de onda) basta para desplazar la señal de interferencia constructiva (pico) a interferencia destructiva (nulo). Esta sensibilidad extrema es la clave de la detección de la respiración. Durante la respiración, la pared torácica humana se desplaza aproximadamente de 4 a 12 milímetros. Aunque este movimiento es invisible a simple vista desde la distancia, en el ámbito del Wi-Fi de 5 GHz o 6 GHz representa una fracción significativa de una longitud de onda. A medida que el pecho se expande y se contrae, atraviesa las zonas de Fresnel, provocando una oscilación rítmica y periódica en la fase y la amplitud de los datos CSI. Al analizar estas sutiles ondulaciones en el flujo de CSI, los algoritmos de Veriprajna pueden reconstruir la forma de onda de la respiración con una precisión comparable a la de las bandas respiratorias de grado médico. ⁸

2.3 Firmas Doppler y análisis cinemático

Para macromovimientos como caminar o caer, vamos más allá de los simples desfases hacia los Desplazamientos de Frecuencia Doppler. El efecto Doppler establece que una onda reflejada en un objeto en movimiento sufrirá un cambio de frecuencia proporcional a la velocidad del objeto.

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

Donde $v$ es la velocidad de la parte del cuerpo y $\theta$ es el ángulo de movimiento relativo a la dirección de propagación de la onda. Distintas actividades humanas generan «firmas Doppler» únicas.

●​ Caminar: El balanceo de brazos y piernas crea un patrón complejo de desplazamientos Doppler positivos y negativos, a medida que los miembros se mueven hacia y desde el receptor.

●​ Caer: Una caída se caracteriza por una secuencia cinemática específica: una pérdida de equilibrio (precaída), un descenso rápido y acelerado debido a la gravedad (la caída) y un impacto súbito seguido de inmovilidad.

Al aplicar Transformadas de Fourier de Tiempo Corto (STFT) o Transformadas Discretas de Wavelet (DWT) a los datos de series temporales de CSI, podemos generar un espectrograma —una representación visual de la velocidad a lo largo del tiempo. Una caída aparece como una oleada distinta de alta energía en el espectrograma, que se acelera hacia abajo, seguida de un cese abrupto de energía (la «larga permanencia en el suelo»). Esto permite al sistema distinguir una caída peligrosa de una acción controlada como sentarse o tumbarse en una cama. ¹⁰

2.4 Detección a través de paredes y capacidades NLOS

Una de las ventajas más profundas de la detección por Wi-Fi frente a sistemas ópticos (basados en cámaras) o infrarrojos (LIDAR) es su capacidad de operar en condiciones de no línea de vista (NLOS). Las señales Wi-Fi a 2,4 GHz y 5 GHz tienen excelentes propiedades de penetración para materiales de construcción estándar como el pladur, la madera y el vidrio.

En un entorno doméstico típico, la señal Wi-Fi rebota en paredes, suelos, techos y mobiliario, creando un entorno de «trayectos múltiples». Incluso si el punto de acceso está en el pasillo y el usuario está en el dormitorio detrás de una puerta cerrada, la señal penetra la habitación, se refleja en el usuario y penetra de vuelta hasta el receptor. El usuario no necesita ser «visto» por el router en un sentido visual. La distorsión que crean en el campo electromagnético se propaga a través de los obstáculos. Esta ubicuidad basada en la física garantiza que los «puntos ciegos» —que plagan los sistemas de cámaras (p. ej., detrás de una cortina de ducha o un tabique)— queden virtualmente eliminados. Un único enlace de detección por Wi-Fi puede monitorizar de forma efectiva una habitación entera o incluso habitaciones adyacentes, proporcionando un nivel de cobertura que exigiría una constelación de cámaras para replicar. ¹²

Parte III: De la señal al conocimiento – La arquitectura de IA profunda

3.1 Más allá de los «envoltorios LLM»: la necesidad de IA de procesamiento de señales

En el mercado tecnológico contemporáneo, el término «IA» se ha vuelto casi sinónimo de Modelos de Lenguaje Grandes (LLM) como GPT. Aunque los LLM son transformadores para texto y código, son fundamentalmente inadecuados para la tarea de interpretar datos crudos de radiofrecuencia. Los datos CSI son continuos, de valor complejo, de alta dimensión y están gobernados por las leyes de la física, no por las reglas de la gramática.

Veriprajna se distingue como proveedor de soluciones de IA profunda. No nos limitamos a envolver una API alrededor de un modelo de texto preentrenado. Ingeniamos redes neuronales profundas a medida diseñadas específicamente para el procesamiento temporal de señales. Un LLM no puede «leer» una forma de onda de 5 GHz; se requieren arquitecturas que comprendan el tiempo, la frecuencia y la correlación espacial. Nuestro enfoque utiliza una pila sofisticada de redes neuronales convolucionales (CNN), redes neuronales recurrentes (RNN) y Transformers para extraer conocimientos clínicos del ruido de RF.

3.2 El flujo de preprocesamiento: limpiar el éter

Los datos CSI crudos extraídos de chipsets Wi-Fi de consumo son inherentemente ruidosos. Están corrompidos por imperfecciones de hardware como el Desplazamiento de Frecuencia de Portadora (CFO), el Desplazamiento de Frecuencia de Muestreo (SFO) y la pérdida aleatoria de paquetes. Alimentar estos datos crudos directamente a una red neuronal conduciría a un rendimiento deficiente. Por ello, Veriprajna emplea un flujo de preprocesamiento riguroso e informado por la física:

1.​ Saneamiento de fase: Los datos de fase crudos de un chip Wi-Fi están «envueltos» dentro del rango de $[-\pi, \pi]$. Empleamos algoritmos de transformación lineal para «desenvolver» la fase, reconstruyendo el cambio de fase continuo causado por el movimiento. Además, aplicamos ajuste lineal para eliminar la pendiente de fase introducida por relojes no sincronizados entre el transmisor y el receptor. ¹¹

2.​ Eliminación de valores atípicos: Utilizamos filtros de Hampel y filtrado de mediana para eliminar el ruido impulsivo causado por interferencia eléctrica súbita o fallos de hardware.

3.​ Reducción de dimensionalidad: Un flujo típico de CSI podría contener datos de 3 antenas $\times$ 56 subportadoras = 168 flujos de datos. No todos ellos transportan información útil; algunos pueden estar en un «desvanecimiento profundo» (interferencia destructiva) y contener sobre todo ruido. Empleamos el Análisis de Componentes Principales (PCA) para extraer los componentes principales que explican la máxima varianza de la señal. El primer componente principal suele corresponder al movimiento dominante en la habitación (p. ej., la respiración), mientras que los componentes subsiguientes capturan ruido. ⁵

3.3 Modelos de aprendizaje profundo para el análisis de CSI

Una vez saneados los datos, se alimentan a los modelos propietarios de aprendizaje profundo de Veriprajna. Abogamos por una arquitectura híbrida que aprovecha las fortalezas de distintos tipos de redes neuronales.

3.3.1 Redes neuronales convolucionales (CNN) para características espaciales

Tratamos la matriz de datos CSI (Subportadoras $\times$ Tiempo) como una pseudoimagen. Así como una CNN puede identificar los bordes de un gato en una fotografía, puede identificar los «bordes» de un evento de movimiento en el espectro de RF. Una CNN-2D o CNN-1D desliza un kernel a través de la dimensión de subportadoras. Esto permite al modelo aprender correlaciones espaciales —por ejemplo, darse cuenta de que un evento de caída causa una caída simultánea de amplitud en un cúmulo específico de subportadoras. Esta extracción de características espaciales es crucial para distinguir el movimiento humano del ruido de fondo, como un ventilador en rotación, que tiene una firma espectral distinta. ¹⁵

3.3.2 Memoria a corto y largo plazo (LSTM) para contexto temporal

Las actividades humanas son inherentemente secuencias temporales. Una «caída» no es un único punto en el tiempo; es una secuencia de eventos: de pie $\rightarrow$ pérdida de equilibrio $\rightarrow$ descenso $\rightarrow$ impacto $\rightarrow$ inmóvil. Una CNN sola podría clasificar el fotograma de «impacto» como una caída, pero también podría clasificar un salto en la cama como una caída.

Para resolverlo, alimentamos la salida de la CNN a una red de memoria a corto y largo plazo (LSTM). LSTM es un tipo de red neuronal recurrente (RNN) diseñada para recordar dependencias a largo plazo. Mantiene una «célula de memoria» que transporta contexto de pasos temporales previos. Esto permite al modelo comprender la secuencia: «El usuario caminaba (velocidad X), luego se aceleró hacia abajo (velocidad Y) y ahora está estacionario (velocidad 0) en el suelo». Este contexto temporal es lo que permite al sistema diferenciar una caída de una acción controlada como sentarse. ¹⁵

3.3.3 Transformers de doble rama y mecanismos de atención

La frontera de nuestra investigación reside en las arquitecturas Transformer. A diferencia de las RNN, que procesan los datos de forma secuencial, los Transformers procesan toda la secuencia de una vez usando mecanismos de «autoatención». Esto permite al modelo ponderar la importancia de distintas partes de la señal.

Veriprajna propone una arquitectura de doble rama:

●​ Rama A (Amplitud): Procesa los cambios de magnitud para detectar movimientos motores gruesos (caminar, caer).

●​ Rama B (Fase): Procesa desfases para detectar micromovimientos (respiración, variabilidad de la frecuencia cardíaca).

Estas dos ramas se fusionan mediante una capa de atención. El mecanismo de atención prioriza de forma dinámica el flujo más relevante según el contexto. Por ejemplo, si el usuario está durmiendo, el modelo aprende a prestar más atención a la rama de Fase (donde la señal de respiración es más fuerte) e ignorar la rama de Amplitud. Por el contrario, si el usuario está caminando, a la rama de Amplitud se le da mayor peso. Esta fusión multimodal potencia de forma significativa la robustez del sistema. ¹⁷

3.4 Resolver la dependencia del entorno: adaptación de dominio

Una crítica histórica de la investigación en detección por Wi-Fi ha sido su falta de generalizabilidad. Un modelo entrenado con datos recogidos en el «Laboratorio A» a menudo falla cuando se despliega en el «Apartamento B» porque el entorno de trayectos múltiples (tamaño de la habitación, disposición del mobiliario) es distinto. El modelo sobreajusta a las reflexiones específicas de la habitación de entrenamiento.

Veriprajna aborda esto con redes neuronales adversarias de dominio (DANN). Esta técnica implica entrenar la red con dos objetivos en competencia:

1.​ Clasificador de actividad: Minimizar el error al predecir la actividad (p. ej., «Caída» vs. «Caminar»).

2.​ Discriminador de dominio: Maximizar el error al predecir el entorno (p. ej., «Laboratorio» vs. «Hogar»).

Al forzar al Extractor de Características a confundir al Discriminador de Dominio, la red se ve compelida a aprender características que son invariantes al entorno: el «ideal platónico» de una firma de caída que se ve igual con independencia de si ocurre en un estudio o en un pasillo de residencia. Esto habilita un modelo de «entrenar una vez, desplegar en todas partes» esencial para la escalabilidad empresarial. ¹⁹

Parte IV: Aplicaciones clínicas y casos de uso

4.1 Monitorización respiratoria: el signo vital del futuro

La frecuencia respiratoria (FR) a menudo se llama el «signo vital olvidado», y sin embargo es un indicador líder de deterioro clínico en afecciones como la Enfermedad Pulmonar Obstructiva Crónica (EPOC), la Insuficiencia Cardíaca Congestiva (ICC) y la neumonía. La monitorización tradicional exige llevar una banda torácica o una cánula, lo cual es incómodo para el uso a largo plazo.

Usando el análisis de diferencia de fase descrito en la Sección 2.2, la detección por Wi-Fi proporciona monitorización respiratoria continua y sin contacto.

●​ Precisión: Evaluaciones experimentales usando Matrices de Retroalimentación de Conformado de Haz (BFM) han demostrado errores de estimación de la frecuencia respiratoria inferiores a 3,2 respiraciones/minuto. ⁵ Modelos más avanzados de aprendizaje profundo alcanzan coeficientes de correlación superiores a 0,92 con bandas respiratorias de referencia. ²¹

●​ Detección de apnea del sueño: El sistema es particularmente revolucionario para detectar la Apnea Obstructiva del Sueño (AOS). Al monitorizar el cese del movimiento respiratorio durante el sueño, el sistema puede señalar posibles eventos de apnea (índice AHI) sin necesidad de un estudio engorroso de Polisomnografía (PSG) en un laboratorio del sueño. Esto permite el cribado longitudinal de la población mayor, identificando trastornos del sueño no diagnosticados que contribuyen al riesgo cardiovascular. ²²

4.2 Detección de caídas: la «larga permanencia en el suelo» y la conciencia de contexto

Las caídas son la causa principal de lesión mortal entre los adultos mayores. Sin embargo, el impacto inmediato a menudo es menos peligroso que la «larga permanencia en el suelo» —permanecer en el suelo durante horas sin poder levantarse, lo que conduce a rabdomiólisis, deshidratación y úlceras por presión.

La solución de detección por Wi-Fi de Veriprajna ofrece un sistema integral de gestión de caídas:

1.​ Análisis de la marcha precaída: Al monitorizar de forma continua la velocidad al caminar y la consistencia de la zancada (velocidad de la marcha) a lo largo de semanas, el sistema puede detectar el deterioro sutil de la movilidad que a menudo precede a una caída. Un enlentecimiento gradual de la velocidad al caminar es un predictor clínicamente validado del riesgo de caída, que permite una intervención preventiva (p. ej., fisioterapia) antes de que ocurra un accidente. ²

2.​ Detección en tiempo real: Usando las firmas Doppler descritas antes, el sistema detecta el evento de caída con alta sensibilidad (>97 %). ²³

3.​ Contexto poscaída: De forma crucial, el sistema continúa monitorizando al sujeto después de la caída. Si la CSI indica falta de movimiento motor grueso pero presencia de micromovimiento (respiración) a nivel del suelo, el sistema confirma una «caída con incapacidad de recuperarse» y escala la alerta. Esta conciencia de contexto reduce de forma significativa las falsas alarmas en comparación con los acelerómetros wearables, que podrían registrar el hecho de dejar caer el dispositivo al suelo como una caída. ²⁴

4.3 Análisis de la calidad y la higiene del sueño

La calidad del sueño es un determinante masivo de la salud en las personas mayores. Los rastreadores de sueño de consumo actuales (relojes inteligentes) estiman las fases del sueño a partir del movimiento de la muñeca (actigrafía) y la frecuencia cardíaca óptica. La detección por Wi-Fi ofrece «actigrafía de cuerpo entero».

Al analizar la intensidad y la periodicidad de los movimientos corporales en la cama, el sistema puede clasificar las fases del sueño:

●​ Vigilia: Movimientos de alta amplitud e irregulares.

●​ Sueño ligero: Movimiento reducido, respiración regular.

●​ Sueño profundo/REM: Estado corporal atónico (paralizado) con firmas de respiración altamente rítmicas.

El sistema genera informes de «higiene del sueño» que detallan la latencia de inicio del sueño (tiempo hasta dormirse), el Despertar Tras el Inicio del Sueño (WASO) y la Duración Total del Sueño. De forma crucial, también puede rastrear salidas de la cama, alertando a los cuidadores si un paciente con demencia deambula fuera de la cama por la noche y no regresa dentro de una ventana segura. ³

Parte V: La paradoja de la privacidad – Detectar sin vigilancia

5.1 El debate «cámara vs. sensor»

La privacidad visual es una preocupación primordial para las personas mayores. Aunque las cámaras son eficaces para la monitorización, se rechazan de forma amplia en espacios privados como dormitorios y baños. La sensación de ser «observado», el riesgo de capturar desnudez y el potencial de que las transmisiones de vídeo sean pirateadas crean una resistencia inmensa a las soluciones AAL basadas en cámaras.

La detección por Wi-Fi resuelve esta paradoja de la privacidad. Es visualmente ciega. Los datos recogidos —matrices CSI— consisten en números complejos que representan la propagación de la señal. Es imposible que un humano mire un paquete CSI y «vea» la cara o el cuerpo de una persona. Incluso si un actor malicioso interceptara el flujo de datos crudos, no recuperaría una imagen ni un vídeo, sino un flujo de distorsiones de señal ininteligibles. Esto hace que la detección por Wi-Fi sea única y adecuada para la monitorización del baño —la habitación más peligrosa de la casa, donde las cámaras están estrictamente prohibidas. ³

5.2 Cumplimiento del RGPD y de la HIPAA

Para los clientes empresariales, el cumplimiento regulatorio es innegociable. Los datos de detección por Wi-Fi, en concreto la CSI, se clasifican como datos biométricos bajo el Reglamento General de Protección de Datos (RGPD) (Artículo 9) porque potencialmente pueden usarse para identificar a individuos a partir de su marcha o forma corporal (identificación biométrica). ²⁸ De forma similar, bajo la Ley de Portabilidad y Responsabilidad de Seguros de Salud (HIPAA), los datos de salud derivados del hogar son Información de Salud Protegida (PHI).

La arquitectura de Veriprajna garantiza el cumplimiento mediante una estrategia estricta de procesamiento en el borde:

1.​ Minimización de datos: Los datos CSI crudos se procesan localmente en el punto de acceso Wi-Fi o en una pasarela de borde local (usando la NPU). La señal biométrica cruda de alto ancho de banda nunca se transmite a la nube. Se descarta inmediatamente después de la inferencia.

2.​ Conocimientos abstraídos: Solo se transmite el evento de inferencia. La nube recibe un paquete JSON: {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. Esta cadena de texto no contiene datos biométricos y no puede ingeniarse de forma inversa para identificar la fisiología del usuario.

3.​ Anonimización: En configuraciones estándar, el sistema rastrea «presencia» y «movimiento» sin vincularlo a una identidad específica. Detecta que una persona se cayó, no quién se cayó, a menos que esté configurado específicamente para el rastreo de varias personas con el consentimiento del usuario.

4.​ Seguridad: Toda la transmisión de datos se cifra mediante TLS 1.3/WPA3, y los dispositivos de borde locales se aseguran con autenticación 802.1X para impedir el acceso no autorizado. ³⁰

5.3 El problema del visitante y la aceptabilidad social

Un punto de fricción mayor para las cámaras es la monitorización de visitantes. Cuando miembros de la familia o cuidadores visitan, también quedan grabados, lo que plantea cuestiones de consentimiento. La detección por Wi-Fi es inherentemente menos intrusiva. Aunque detecta la presencia de otras personas, no graba sus caras ni conversaciones. Esta «vigilancia suave» es mucho más aceptable socialmente en espacios semiprivados como zonas comunes de residencias asistidas o apartamentos compartidos, lo que reduce la complejidad legal de obtener el consentimiento de cada visitante. ³³

Parte VI: Infraestructura y el ecosistema de hardware

6.1 La mercantilización del hardware de detección

Una ventaja estratégica de la detección por Wi-Fi es que utiliza la infraestructura existente. No exige perforar agujeros para instalar sensores propietarios en cada pared. La transición del Wi-Fi de un estándar de comunicación pura a un estándar de detección se está formalizando en IEEE 802.11bf (detección WLAN), que se espera quede plenamente ratificado a finales de 2024/2025. Este estándar garantizará que los futuros chipsets Wi-Fi soporten de forma nativa la extracción de CSI y las solicitudes de detección, convirtiendo cada router en un radar estandarizado. ³⁵

6.2 Habilitadores clave de silicio

La pila de software de Veriprajna es agnóstica al hardware, pero está optimizada para los chipsets líderes que proporcionan acceso a los datos CSI:

●​ Qualcomm: Las plataformas «Networking Pro Series» y «FastConnect» de Qualcomm (Wi-Fi 7) son habilitadores críticos. De forma crucial, Qualcomm integra la NPU Hexagon (Unidad de Procesamiento Neuronal) en sus SoC. Esto permite a Veriprajna ejecutar los modelos de aprendizaje profundo (Transformers/CNN) directamente en el router o la pasarela con alta eficiencia energética, habilitando la estrategia de procesamiento en el borde descrita arriba. La Qualcomm AI Stack y el AI Hub proporcionan las cadenas de herramientas para convertir modelos PyTorch en binarios cuantizados que se ejecutan en el DSP Hexagon, garantizando rendimiento en tiempo real sin latencia de la nube. ³⁶

●​ Broadcom: Con su ecosistema Wi-Fi 8 recién anunciado y los chips Wi-Fi 7 (BCM6726, BCM4390), Broadcom ha introducido el motor de telemetría inalámbrica «BroadStream». Este bloque de hardware está diseñado específicamente para descargar la recogida y el procesamiento de datos de detección, proporcionando los flujos CSI de alta frecuencia y baja latencia requeridos para el entrenamiento y la inferencia de IA. ⁴⁰

●​ Espressif (ESP32): Para nodos de detección distribuidos de bajo coste (p. ej., crear una malla densa en una instalación grande), el microcontrolador ESP32 cambia las reglas del juego. El ESP-CSI Toolkit permite a los desarrolladores extraer datos CSI de estos chips económicos (5 $). Aunque es menos potente que un router, un ESP32 puede actuar como receptor de detección dedicado, alimentando datos a una pasarela central. Esto habilita el escalado rentable del tejido de detección. ⁴³

6.3 El panorama del software comercial

Veriprajna actúa como el integrador especializado y el desarrollador de IA sobre plataformas de detección fundacionales:

●​ Cognitive Systems (Aura WiFi Motion): Proporciona una API madura y ampliamente desplegada para la superposición de movimiento. Su pila gestiona la extracción de CSI de nivel inferior y la clasificación básica de movimiento, lo que permite a Veriprajna centrarse en la interpretación médica de nivel superior. ²⁶

●​ Origin Wireless (AI Sensing): Pioneros en la tecnología de «máquina de inversión temporal» para el análisis de trayectos múltiples. Sus motores «TruPresence» y de detección de caídas son referentes del sector en precisión. El software de Origin se ejecuta enteramente en el borde, alineándose a la perfección con nuestra arquitectura que prioriza la privacidad. ³⁵

Parte VII: Implementación estratégica para la empresa

7.1 La reequipación «sin hardware»

Para residencias de mayores, instalaciones de vida asistida y proveedores de hospital en el hogar, la propuesta de valor principal de la detección por Wi-Fi es la reequipación «sin hardware». Estas instalaciones ya poseen redes Wi-Fi de grado empresarial para conectividad. Al desplegar la pila de software de Veriprajna (o actualizar el firmware a una versión habilitada para detección), la instalación transforma su red de comunicación existente en una red de seguridad.

●​ Ahorro de CapEx: Elimina la necesidad de comprar miles de wearables o instalar cámaras en cada habitación.

●​ Mantenimiento: Sin baterías que cambiar en los colgantes. Sin dispositivos perdidos que reemplazar.

●​ Escalabilidad: Una actualización de software puede habilitar la detección de caídas en 100 habitaciones al instante.

7.2 Metodología de despliegue

Implementar la detección por Wi-Fi exige un enfoque estructurado para garantizar cobertura y precisión:

1.​ Estudio del emplazamiento: Evalúe la densidad del Wi-Fi. La detección exige cierta densidad de señales. Un solo router puede cubrir un apartamento pequeño, pero una red en malla (nodos en distintas habitaciones) es ideal para una cobertura de «hogar completo» a fin de garantizar que haya suficientes enlaces de detección cruzando el baño y el dormitorio. ⁴⁹

2.​ Auditoría de hardware: Verifique si los puntos de acceso existentes utilizan chipsets compatibles (Qualcomm/Broadcom) que soporten la extracción de CSI.

3.​ Configuración de la pasarela de borde: Determine si los AP tienen cómputo suficiente (NPU/CPU) para la inferencia en el dispositivo. Si no, un servidor de borde local (p. ej., un PC industrial pequeño que ejecute los modelos de IA) puede agregar datos de AP ligeros.

4.​ Calibración: Ejecute los modelos DANN (adversarios de dominio) durante un breve periodo de «rodaje» (p. ej., 24 horas) para adaptarse a la disposición específica del mobiliario y a los materiales estructurales del edificio, estableciendo una línea de base para el entorno estático.

7.3 ROI y materialización del valor

●​ Reducción de reingresos hospitalarios: Al detectar cambios en la marcha de forma temprana, se puede administrar fisioterapia preventiva, evitando la caída que conduce a una fractura de cadera y a una hospitalización costosa.

●​ Eficiencia del personal: Las «rondas nocturnas» pueden estar impulsadas por datos. En lugar de despertar a cada residente para comprobar cómo está (alterando el sueño), el personal puede monitorizar el panel central en busca de alteraciones del sueño o salidas de la cama, atendiendo solo a quienes lo necesitan.

●​ Primas de seguro: Las instalaciones equipadas con monitorización continua no invasiva pueden calificar para primas reducidas de seguro de responsabilidad civil debido al menor riesgo de accidentes no descubiertos y a la capacidad de aportar evidencia de la atención impulsada por datos.

Conclusión: La inevitabilidad de la inteligencia ambiental

La era de los «gadgets» en el cuidado de las personas mayores toca a su fin. La fricción de la adherencia, la indignidad del estigma wearable y las limitaciones funcionales de los dispositivos alimentados por batería los convierten en una tecnología transitoria. El futuro de la monitorización de la salud no consiste en atar sensores sobre las personas; consiste en construir sensores alrededor de ellas.

La detección pasiva por Wi-Fi representa la convergencia de física avanzada, infraestructura ubicua e IA profunda. Respeta la sacralidad del hogar al permanecer invisible y, sin embargo, proporciona vigilancia de grado clínico. Resuelve la «paradoja de la ducha», elimina la fatiga de carga y preserva la privacidad del usuario. Para Veriprajna, esto no es solo una evolución técnica; es un imperativo moral de proporcionar dignidad y seguridad a la población que envejece mediante una inteligencia que se siente, pero no se ve.

El aire que nos rodea está lleno de información. Es hora de que la escuchemos.

Tabla 1: Análisis comparativo de las tecnologías de monitorización

Característica	Wearables (monitorización activa)	Cámaras (monitorización visual)	Detección pasiva por Wi-Fi (Veriprajna)
Adherencia del usuario	Alta fricción: Exige llevarlo puesto, cargarlo y alertas manuales.	Cero esfuerzo: Pasivo.	Cero esfuerzo: Pasivo.
Impacto en la privacidad	Bajo: solo datos (aceleración/FC).	Severo: Grabación visual de espacios íntimos.	Bajo: Señales CSI abstractas; sin identificadores visuales.
Seguridad en el baño	Fallo crítico: A menudo se retira para ducharse/bañarse.	Inaceptable: Las preocupaciones de privacidad prohíben su uso.	Excelente: Funciona en NLOS; penetra vapor/cortinas.
Mantenimiento	Alto: Batería	Medio: Lente	Bajo: Software

Col1	reemplazo, dispositivo perdido gestión.	limpieza, suministro eléctrico.	actualizaciones; aprovecha el Wi-Fi existente.
Puntos ciegos	Ninguno (si se lleva puesto).	Alto: Bloqueado por mobiliario, paredes, oscuridad.	Mínimo: Las señales penetran paredes y mobiliario.
Riqueza de datos	Aceleración, frecuencia cardíaca.	Marcha, pose, contexto.	Respiración, marcha, fases del sueño, caídas.
Idoneidad para demencia	Pobre: Los usuarios olvidan llevarlos o los retiran de forma activa.	Media.	Alta: No puede retirarse ni olvidarse.

Tabla 2: Marco regulatorio y técnico

Requisito	Estándar / regulación	Implicación para la detección por Wi-Fi
Privacidad de los datos	RGPD (Artículo 9)	La CSI es dato biométrico. Exige consentimiento explícito y protección rigurosa de datos (IA de borde).
Datos de salud	HIPAA	La monitorización de salud en el hogar crea PHI. Los datos deben cifrarse en tránsito y en reposo.
Estándar de hardware	IEEE 802.11bf	El futuro estándar de «detección WLAN» estandarizará la extracción de CSI entre proveedores.
Procesamiento de IA	IA de borde (NPU)	El procesamiento debe ocurrir en el dispositivo (Qualcomm Hexagon/Broadcom) para

Tabla 3: Pila de IA profunda de Veriprajna vs. enfoques genéricos

Capa	Enfoque genérico / de competidor	Enfoque de IA profunda de Veriprajna
Datos de entrada	RSSI (intensidad de señal) o CSI cruda	CSI saneada (desenvolvimiento de fase, denoising PCA, filtrado de Hampel)
Extracción de características	Características estadísticas (media, varianza)	CNN (redes neuronales convolucionales) para características espaciales/espectrales
Lógica temporal	Basada en umbral (si la señal cae > X)	LSTM / GRU (redes neuronales recurrentes) para contexto de secuencia
Fusión	Flujo único	Transformer de doble rama (Amplitud + Fase) con mecanismo de atención
Generalización	Calibración específica del emplazamiento requerida	Redes neuronales adversarias de dominio (DANN) para independencia del entorno

Citas: ¹

Obras citadas

1. Beyond Technical Motives: Perceived User Behavior in Abandoning Wearable Health & Wellness Trackers - arXiv, consultado el 12 de diciembre de 2025, https://arxiv.org/pdf/1904.07986

2. Fall Detection Using Wi-Fi Sensing, consultado el 12 de diciembre de 2025, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, consultado el 12 de diciembre de 2025, https://en.wikipedia.org/wiki/Channel_state_information

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

8. Device-Free WiFi Human Sensing: From Pattern-Based to Model-Based Approaches, consultado el 12 de diciembre de 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?, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://www.mdpi.com/1424-8220/24/3/862

11. Full Respiration Rate Monitoring Exploiting Doppler Information with Commodity Wi-Fi Devices - ResearchGate, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://arxiv.org/html/2407.12537v1

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, consultado el 12 de diciembre de 2025, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

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

16. Enhanced Wi-Fi Sensing: Leveraging Phase and Amplitude of CSI for Superior Accuracy, consultado el 12 de diciembre de 2025, https://www.preprints.org/manuscript/202412.2585

17. Enhanced Human Activity Recognition Using Wi-Fi Sensing ..., consultado el 12 de diciembre de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11859840/

18. Transformer-Based Person Identification via Wi-Fi CSI Amplitude and Phase Perturbations, consultado el 12 de diciembre de 2025, https://arxiv.org/html/2507.12854v1

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

20. Channel State Information (CSI) based sensing method work flow. ResearchGate, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://www.mdpi.com/2079-6374/15/8/486

22. Doppler radar remote sensing of respiratory function - PMC - NIH, consultado el 12 de diciembre de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10172641/

23. Wearable Fall Detection System with Real-Time Localization and Notification Capabilities, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://www.researchgate.net/publication/372813063_WiFi-based_indoor_passive_fall_detection_for_medical_Internet_of_Things

26. WiFi Motion - Cognitive Systems, consultado el 12 de diciembre de 2025, https://www.cognitivesystems.com/wifi-motion/

27. WiFi Can See You Now: Carnegie Mellon's “DensePose from WiFi” and the Privacy Paradox, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://www.gdprregister.eu/gdpr/biometric-data-gdpr/

29. Biometric recognition | ICO, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://hipaatimes.com/making-wi-fi-hipaa-compliant

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

32. HIPAA Compliance for Guest WiFi: Essential Guidelines - Beambox, consultado el 12 de diciembre de 2025, https://beambox.com/townsquare/how-to-provide-hipaa-compliant-guest-wifi

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

34. Surveillance Risks in Wi-Fi Sensing, consultado el 12 de diciembre de 2025, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, consultado el 12 de diciembre de 2025, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, consultado el 12 de diciembre de 2025, https://www.qualcomm.com/wi-fi

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

38. NPU AI Engine - Qualcomm, consultado el 12 de diciembre de 2025, https://www.qualcomm.com/processors/ai-engine

39. Unlocking on-device generative AI with an NPU and heterogeneous computing | Qualcomm, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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., consultado el 12 de diciembre de 2025, https://www.broadcom.com/blog/media-roundup-for-wi-fi-7

42. Accessing the IoT ecosystem - Broadcom Inc., consultado el 12 de diciembre de 2025, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, consultado el 12 de diciembre de 2025, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, consultado el 12 de diciembre de 2025, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, consultado el 12 de diciembre de 2025, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, consultado el 12 de diciembre de 2025, https://iconoutlook.com/origin-wireless/

49. Qualcomm® Wi-Fi Ranging: Delivering ranging and location technologies of tomorrow today., consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC6473213/

51. Wi-Fi 8 | Edge AI | Broadband - Broadcom Inc., consultado el 12 de diciembre de 2025, https://www.broadcom.com/solutions/wireless-mobile-communications/wifi8

52. Wi-Fi 7 Chips & Tech | Next-Generation WiFi - Qualcomm, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9830631/