Votre routeur Wi-Fi peut détecter une chute. Voici pourquoi c'est plus important que n'importe quelle montre connectée.

Ma mère m'appelle tous les dimanches. Il y a quelques mois, elle a mentionné — presque en passant — que ma grand-mère avait arrêté de porter son pendentif d'alerte médicale. « Ça la fait se sentir vieille », a dit ma mère, avec la lassitude particulière de quelqu'un qui a eu cette dispute de nombreuses fois.

Ma grand-mère a 83 ans. Elle vit seule. Le pendentif était censé être son filet de sécurité — appuyer sur un bouton, obtenir de l'aide. Mais il traîne maintenant dans un tiroir, à côté d'un câble de charge qu'elle n'arrive pas vraiment à manier et d'un guide de démarrage rapide que personne n'a lu. L'appareil d'urgence personnel le plus avancé du marché, et il ne sert fonctionnellement que de presse-papiers.

Cette conversation a cristallisé quelque chose autour de quoi je tournais depuis un moment chez Veriprajna. Nous étions plongés dans la recherche sur l'information d'état de canal (Channel State Information) — la couche de données complexe cachée dans chaque signal Wi-Fi — et je revenais sans cesse à la même question dérangeante : et si tout le secteur de la surveillance de santé par objets connectés résolvait le mauvais problème ?

Pas un problème de capteur. Pas un problème de batterie. Un problème d'ordre humain.

L'appareil que ma grand-mère a refusé de porter dispose d'excellents algorithmes de détection de chute. Il a une autonomie de 48 heures. Il est étanche IP68. Et rien de tout cela n'a d'importance, car cela exige qu'une femme de 83 ans atteinte d'arthrite coopère activement avec un appareil technologique chaque jour, sans exception. Les recherches confirment ce que ma grand-mère a démontré par pure obstination : environ 30 % des utilisateurs abandonnent leurs trackers de santé dans les six mois. Parmi les utilisateurs de pendentifs de téléassistance en particulier, seuls 14 % atteignent une observance réelle de 24 heures sur 24.

Le moniteur de santé le plus efficace n'est pas celui qui a les meilleurs capteurs. C'est celui qui ne nécessite absolument aucune interaction. Et il se trouve peut-être déjà dans votre salon, clignotant discrètement à côté du modem.

Le paradoxe de la douche

Voici une statistique qui devrait interpeller quiconque travaille dans la technologie de la santé : la salle de bain est la pièce la plus dangereuse de la maison pour les personnes âgées, et c'est la pièce où les objets connectés sont le plus souvent retirés.

J'ai commencé à appeler cela « le paradoxe de la douche » lorsque nous cartographiions les modes de défaillance des systèmes de surveillance actifs. Bien que les montres connectées modernes affichent des indices de résistance à l'eau IP67 ou IP68, les personnes âgées les retirent systématiquement avant de se laver. Toute une vie d'expérience avec des appareils électroniques incapables de survivre à une éclaboussure. La peur d'endommager un objet coûteux. L'inconfort d'un bracelet mouillé contre une peau fragile. Les raisons sont banales et parfaitement rationnelles.

L'utilisateur n'est donc pas surveillé exactement pendant la fenêtre où une chute est la plus probable. Carrelage glissant, arêtes dures en porcelaine, buée réduisant la visibilité — et l'appareil reste posé sur le lavabo, parfaitement chargé, parfaitement inutile.

Lorsque j'ai présenté ce problème à un investisseur au tout début, il a haussé les épaules et a dit : « Alors fabriquez un pendentif étanche qu'ils ne peuvent pas enlever. » Je me souviens d'être resté assis dans cette réunion en pensant : vous voulez menotter une personne de 83 ans à un capteur. Ce n'est pas une solution. C'est une contrainte.

La question n'est pas de savoir comment faire porter des moniteurs aux gens. C'est comment rendre la surveillance invisible.

Et si vos murs pouvaient écouter votre respiration ?

Pas avec des microphones. Avec des ondes radio.

Chaque routeur Wi-Fi de votre maison émet en permanence des signaux radiofréquence qui rebondissent sur les murs, les meubles et — surtout — les personnes. Ces signaux transportent ce que l'on appelle l'information d'état de canal, ou CSI. Contrairement à l'indicateur grossier de force du signal affiché par votre téléphone (ces fameuses barres), le CSI décrit la façon dont le signal sans fil se propage à travers des dizaines, voire des centaines de sous-porteuses de fréquence individuelles. Il capture l'amplitude et la phase de chacune d'elles. Il s'agit essentiellement d'une empreinte électromagnétique haute résolution de l'environnement physique.

Lorsqu'une personne se déplace dans cet environnement, elle perturbe cette empreinte. Traversez une pièce, et le décalage Doppler dans le signal réfléchi crée un motif de vitesse distinct. Balancez les bras en marchant, et le CSI capture l'interaction complexe des membres se rapprochant et s'éloignant du récepteur.

Mais voici ce qui m'a réellement stupéfié la première fois que j'ai vu les données : vous n'êtes pas obligé de marcher. Il suffit de respirer.

À 5 GHz, un signal Wi-Fi a une longueur d'onde d'environ 6 centimètres. La paroi thoracique humaine se déplace d'environ 4 à 12 millimètres pendant une respiration normale. C'est une infime fraction de la longueur d'onde — mais cela suffit. À mesure que la poitrine se dilate et se contracte, elle fait basculer le signal réfléchi entre interférence constructive et destructive, créant une oscillation rythmique dans les données de phase du CSI. Nous pouvons reconstituer la courbe respiratoire à partir de cette oscillation avec une précision comparable à celle des ceintures respiratoires de qualité médicale — des évaluations expérimentales montrent des erreurs d'estimation de la fréquence respiratoire inférieures à 3,2 respirations par minute, et les modèles d'apprentissage profond atteignent des coefficients de corrélation supérieurs à 0,92 avec des ceintures thoraciques de référence.

Je me souviens de la nuit où notre équipe a extrait pour la première fois un signal respiratoire net à partir d'un routeur Wi-Fi grand public. Il était tard — bien après minuit — et l'un de mes ingénieurs était allongé sur un canapé dans notre espace de test depuis vingt minutes pendant que nous ajustions le pipeline de prétraitement. Lorsque la courbe est apparue à l'écran, lisse et rythmée, suivant parfaitement sa respiration, la pièce est devenue silencieuse. Puis quelqu'un a dit : « Il est vraiment en train de dormir. » Et nous pouvions le voir. Pas avec une caméra. Pas avec une ceinture thoracique. À travers un mur, via des ondes radio, depuis un routeur à 30 $.

C'est à ce moment-là que j'ai su que nous ne travaillions pas sur une amélioration incrémentale. Nous travaillions sur un paradigme entièrement différent.

Pourquoi ne pas simplement utiliser GPT pour ça ?

On me pose constamment cette question. Généralement de la part de personnes qui ont passé les deux dernières années à observer les grands modèles de langage accomplir des exploits toujours plus impressionnants, et qui en ont raisonnablement conclu que « l'IA » signifie « lancer le problème dans un transformeur entraîné sur du texte internet ».

Les données CSI ne sont pas du texte. Elles n'ont même rien à voir avec du texte. Elles sont continues, à valeurs complexes, de haute dimension, et régies par les équations de Maxwell, pas par la grammaire. Un LLM ne peut pas « lire » une forme d'onde à 5 GHz, pas plus qu'il ne peut goûter un citron. Les architectures sont fondamentalement inadaptées l'une à l'autre.

C'est pourquoi cela m'agace de voir des entreprises commercialiser une surveillance de santé « propulsée par l'IA » qui se résume à une simple surcouche API autour d'un modèle généraliste. Chez Veriprajna, nous construisons des réseaux de neurones profonds sur mesure, conçus spécifiquement pour le traitement de signaux temporels. Cette distinction compte — c'est la différence entre un système qui fonctionne lors d'une démo et un système qui fonctionne à 3 heures du matin quand la grand-mère de quelqu'un tombe dans la salle de bain.

Notre architecture fait appel à trois types de réseaux de neurones travaillant de concert, chacun traitant un aspect différent du signal :

Les réseaux de neurones convolutifs (CNN) traitent la matrice de données CSI — les sous-porteuses représentées en fonction du temps — comme une sorte d'image. Le CNN apprend les corrélations spatiales entre les fréquences, identifiant la « forme » spectrale d'une chute par rapport à celle d'un ventilateur de plafond en rotation. Les réseaux de mémoire à long et court terme (LSTM) ajoutent un contexte temporel. Une chute n'est pas un instant unique ; c'est une séquence — se tenir debout, perdre l'équilibre, accélérer vers le sol, impact, immobilité. Le LSTM se souvient de ce qui a précédé, ce qui permet de distinguer une personne qui chute d'une personne qui se laisse simplement tomber sur un canapé. Et les transformeurs à double branche traitent simultanément les données d'amplitude et de phase via des voies distinctes, en les fusionnant grâce à un mécanisme d'attention qui priorise dynamiquement le flux le plus informatif à chaque instant. Pendant le sommeil, le modèle s'appuie sur les données de phase, où réside le signal respiratoire. Pendant l'activité, il bascule vers l'amplitude.

J'ai décrit l'architecture technique complète — le pipeline de prétraitement, l'approche d'adaptation de domaine, la physique des zones de Fresnel — dans notre article de recherche détaillé. En résumé : ce n'est pas un problème que l'on peut résoudre avec un modèle pré-entraîné et un hackathon de week-end. Le seul traitement du signal exige un déroulement de phase, un filtrage de Hampel et une analyse en composantes principales avant même qu'un réseau de neurones ne voie les données.

Un LLM ne peut pas « lire » une forme d'onde à 5 GHz. La chose la plus dangereuse dans l'IA de santé, ce ne sont pas les mauvais algorithmes — c'est le bon marketing appliqué à une technologie superficielle.

Comment la détection Wi-Fi repère-t-elle réellement une chute ?

Une chute possède une signature cinématique étonnamment distinctive dans le domaine des radiofréquences. Différentes activités produisent des motifs Doppler différents — le décalage de fréquence qui se produit lorsqu'un signal rebondit sur un objet en mouvement.

La marche génère un motif complexe et oscillant, les bras et les jambes se balançant en direction et à l'opposé du récepteur. S'asseoir produit une brève vitesse descendante contrôlée. Mais une chute ? Une chute présente une séquence bien précise : mouvement irrégulier (perte d'équilibre), accélération rapide vers le sol (la gravité fait son œuvre), un pic d'énergie brutal (impact), puis — c'est essentiel — une immobilité quasi totale.

C'est cette immobilité qui compte le plus. Nous l'appelons la « longue attente au sol », et elle est souvent plus dangereuse que la chute elle-même. Une personne âgée allongée au sol pendant des heures, incapable de se relever, s'expose à une rhabdomyolyse, une déshydratation, des lésions de pression. La chute casse la hanche ; la longue attente au sol peut tuer.

Notre système ne se contente pas de détecter l'événement de chute — avec une sensibilité de détection de chute supérieure à 97 % — il continue de surveiller ensuite. Si le CSI montre une absence de motricité globale mais la présence continue de micro-mouvements (la respiration) au niveau du sol, le système confirme une « chute avec incapacité à se relever » et déclenche une alerte. Ce contexte post-chute est quelque chose que les accéléromètres des objets connectés ne peuvent fondamentalement pas fournir. Un objet connecté peut vous dire qu'il a subi une décélération soudaine. Il ne peut pas vous dire que la personne est maintenant allongée sur le sol de la salle de bain, respirant mais immobile, depuis quarante minutes.

Il y a une autre dimension qui m'enthousiasme encore davantage : la détection pré-chute. En surveillant en continu la démarche — vitesse de marche, régularité de la foulée — sur plusieurs semaines, le système peut repérer la détérioration subtile de la mobilité qui précède généralement une chute. Un ralentissement progressif de la vitesse de marche est un facteur prédictif du risque de chute cliniquement validé. Cela signifie que nous pouvons orienter quelqu'un vers une kinésithérapie préventive avant l'accident, et non pas seulement réagir après coup.

La pièce qui voit sans yeux

J'ai eu un débat avec un collègue au sujet de la confidentialité qui a duré, par intermittence, environ trois semaines.

Sa position : tout système qui surveille des personnes chez elles relève de la surveillance, un point c'est tout. Ma position : cela dépend entièrement de ce que le système peut voir.

Une caméra dans une chambre enregistre le corps d'une personne, son visage, ses moments intimes. Si le flux est piraté, les dégâts sont catastrophiques et irréversibles. Les données CSI — la matière première de la détection Wi-Fi — sont constituées de nombres complexes représentant les caractéristiques de propagation du signal. Si vous interceptiez ce flux de données, vous verriez des matrices de valeurs d'amplitude et de phase. Vous ne verriez pas de visage. Vous ne verriez pas de corps. Vous ne pourriez reconstituer aucune image, même en essayant. Le système est visuellement aveugle par conception.

La détection Wi-Fi ne regarde pas les gens. Elle ressent la perturbation qu'ils créent dans le champ électromagnétique. La distinction n'est pas sémantique — c'est la différence entre la surveillance et la conscience.

Cela compte énormément pour le problème de la salle de bain. Les caméras sont — à juste titre — interdites dans les salles de bains et les chambres dans la plupart des établissements de soins. Mais les signaux Wi-Fi traversent les murs, les portes et les rideaux de douche. Ils fonctionnent à travers la buée. Ils fonctionnent dans l'obscurité totale. La pièce la plus dangereuse de la maison devient surveillable sans qu'un seul objectif ne soit pointé sur qui que ce soit.

Pour les clients d'entreprise — maisons de retraite, résidences pour personnes âgées, programmes d'hospitalisation à domicile — les implications réglementaires sont considérables. Selon le RGPD, le CSI est classé comme donnée biométrique car il peut théoriquement identifier des individus par leur démarche. Selon la loi HIPAA, les données de santé issues de la surveillance constituent des informations de santé protégées. Nous traitons cela via un traitement strict en périphérie (edge) : les données CSI brutes sont traitées localement sur le routeur ou la passerelle, le signal biométrique à large bande ne quitte jamais l'appareil, et seuls des événements abstraits sont transmis au cloud. Un paquet JSON du type {"event": "Fall", "location": "Bathroom", "confidence": 0.98} ne contient aucune donnée biométrique et ne peut pas être décodé pour identifier la physiologie de qui que ce soit.

J'explore l'architecture complète de confidentialité et le cadre de conformité dans la version interactive de notre livre blanc.

Qu'en est-il des différentes pièces et des différentes maisons ?

C'est l'objection que je prends le plus au sérieux, car pendant des années, elle a été un véritable frein à la recherche sur la détection Wi-Fi.

Un modèle entraîné sur des données CSI collectées dans le laboratoire A échouerait de façon spectaculaire une fois déployé dans l'appartement B. Dimensions de pièce différentes, mobilier différent, matériaux muraux différents — l'environnement multitrajet change tout. Le modèle n'apprenait pas « à quoi ressemble une chute ». Il apprenait « à quoi ressemble une chute dans cette pièce précise, avec ce canapé précis, dans ce coin précis ». Surajusté aux réflexions d'un seul espace.

Mon équipe a traversé une période véritablement pénible en découvrant cela par elle-même. Nous avions de superbes chiffres de précision dans notre environnement de test — plus de 98 % pour la détection de chute — puis nous avons déplacé le dispositif vers un autre étage du même bâtiment, et nous avons vu les chiffres s'effondrer. Je me souviens d'avoir fixé la matrice de confusion, pensant que nous avions mal câblé quelque chose. Ce n'était pas le cas. Le modèle avait simplement mémorisé la pièce.

La solution est venue d'une approche d'entraînement adversarial appelée réseaux de neurones adversariaux de domaine (Domain Adversarial Neural Networks). L'idée est élégante en principe et exaspérante à mettre en œuvre : on entraîne le réseau avec deux objectifs concurrents simultanément. Une tête tente de classer correctement l'activité — chute, marche ou position assise. L'autre tête tente d'identifier de quel environnement proviennent les données. On force ensuite l'extracteur de caractéristiques à tromper le classificateur d'environnement. Le réseau est ainsi contraint d'apprendre des caractéristiques invariantes par rapport à la pièce — l'« idéal platonicien » d'une signature de chute qui a la même apparence, qu'elle se produise dans un studio ou dans un couloir de maison de retraite.

Lorsque nous avons enfin réussi à faire fonctionner cela — après des semaines de réglage d'hyperparamètres et plus d'un débat nocturne sur les couches d'inversion de gradient — la précision inter-environnements s'est stabilisée. Pas parfaite. Mais déployable. « Entraîner une fois, déployer partout » est passé du rêve à la réalité de l'ingénierie.

La mise à niveau sans nouveau matériel

Pour les exploitants à qui je parle — les responsables de résidences pour personnes âgées, les actuaires d'assurance qui modélisent le risque de chute, les directeurs de programmes d'hospitalisation à domicile — l'argument de vente ne porte pas vraiment sur l'IA. Il porte sur l'économie.

Ces établissements disposent déjà de réseaux Wi-Fi d'entreprise. Ils ont déjà des routeurs dans les couloirs et des points d'accès dans les espaces communs. La capacité de détection réside dans les signaux que ces appareils émettent déjà. Avec la bonne puce — la série Networking Pro de Qualcomm et son NPU Hexagon intégré, les plateformes Wi-Fi 7 et Wi-Fi 8 de Broadcom avec leur moteur de télémétrie BroadStream, ou même des microcontrôleurs ESP32 à 5 $ déployés comme nœuds de détection dédiés — la mise à niveau est avant tout logicielle.

Aucun objet connecté à acheter, perdre, recharger ou remplacer. Aucune caméra à installer, entretenir ou défendre lors d'un procès pour atteinte à la vie privée. Une mise à jour du micrologiciel active la détection de chute dans 100 pièces simultanément.

L'IEEE est en train de formaliser cela avec 802.11bf, la norme de détection WLAN dont la ratification est attendue fin 2024/2025. Une fois en vigueur, chaque nouveau routeur Wi-Fi prendra nativement en charge l'extraction CSI et les requêtes de détection. Le routeur devient un radar standardisé. L'infrastructure est déjà là. Nous ne faisions simplement pas encore usage de cette capacité.

Les gens me demandent parfois si la détection Wi-Fi passive remplacera totalement les objets connectés portables. Je ne le pense pas — pas pour les populations actives et mobiles qui profitent du suivi de la fréquence cardiaque pendant l'exercice ou du suivi GPS lors d'activités de plein air. Les objets connectés portables ont une vraie utilité pour les « jeunes seniors », cette tranche des 65-75 ans à l'aise avec le numérique et physiquement active. Mais pour la personne de 85 ans atteinte de démence qui ne se souvient pas de recharger son pendentif ? Pour le patient en convalescence post-chirurgicale à domicile qui a besoin d'une surveillance respiratoire continue ? Pour le gestionnaire d'établissement qui essaie d'assurer une couverture de sécurité 24 heures sur 24 et 7 jours sur 7 sans caméra dans chaque pièce ? La réponse n'est pas un meilleur objet connecté. C'est l'absence totale d'objet connecté.

D'autres me demandent au sujet des animaux de compagnie — un chien va-t-il déclencher de fausses alertes ? La signature Doppler d'un terrier de 15 livres et celle d'un humain de 80 ans sont radicalement différentes, tant en termes de profil de vitesse que de section transversale du corps. Le réseau de neurones apprend rapidement cette distinction. Les chats sont plus délicats, mais le contexte temporel fourni par le LSTM — la séquence du mouvement, et non une simple image isolée — traite la plupart des cas limites.

L'air est déjà saturé d'informations

Je pense souvent à ma grand-mère lorsque je travaille sur cette technologie. Elle n'est pas un cas d'usage ni un personnage type dans une présentation aux investisseurs. C'est une personne qui veut vivre chez elle, avec ses propres habitudes, sans un médaillon en plastique autour du cou diffusant sa fragilité à chaque visiteur.

L'air de son appartement est déjà saturé de signaux Wi-Fi. Ils traversent ses murs, se réfléchissent sur ses meubles, ondulent à chaque respiration qu'elle prend. En ce moment même, toutes ces informations se dissipent sans être utilisées — un bruit électromagnétique, invisible et ignoré.

Nous disposons de la physique pour le lire. Nous disposons de l'IA pour l'interpréter. Nous disposons du matériel déjà installé dans des millions de foyers. La seule chose qui se dresse entre là où nous en sommes et là où nous devons aller, c'est la volonté de cesser de penser la surveillance de la santé comme quelque chose que l'on attache à une personne, et de commencer à la penser comme quelque chose que l'on tisse dans l'espace qui l'entoure.

L'avenir de la surveillance de la santé ne réside pas dans de meilleurs gadgets. Il réside dans le fait de rendre le bâtiment lui-même conscient — et de rendre cette conscience invisible.

L'époque où l'on demandait aux personnes vulnérables de gérer elles-mêmes leur propre technologie de surveillance touche à sa fin. Non pas parce que la technologie a échoué, mais parce que l'hypothèse sous-jacente — selon laquelle l'observance est un problème d'utilisateur plutôt qu'un défaut de conception — a toujours été fausse. La réponse n'a jamais été un meilleur bouton à presser. C'était d'éliminer le besoin même d'appuyer sur quoi que ce soit.