Le gardien invisible : dépasser les wearables grâce à la détection Wi-Fi passive et à l'IA profonde

Résumé exécutif

Le paysage mondial des soins de santé traverse actuellement une profonde mutation démographique, caractérisée par un vieillissement rapide de la population et une contraction simultanée de la main-d'œuvre disponible chez les soignants. Cette divergence a catalysé une quête désespérée de force technologique multiplicateurs—des solutions capables d'étendre la portée des cliniciens et des aidants jusque dans le domicile. Depuis une décennie, la réponse principale du secteur a été la « surveillance active » : le déploiement de dispositifs portables, de boutons d'alerte et de montres connectées conçus pour suivre les signes vitaux et détecter les urgences. Toutefois, une analyse rigoureuse des données longitudinales révèle un défaut critique de cette approche : elle repose sur l'observance de la population même la moins capable de la fournir. Le moniteur de santé le plus efficace n'est pas celui qui dispose des capteurs les plus avancés ou de la plus longue autonomie ; c'est celui qui n'exige aucune interaction.

Ce livre blanc, rédigé par le cabinet de conseil en IA spécialisé Veriprajna, constitue un plan d'architecture définitif pour la prochaine génération de vie assistée ambiante (AAL). Nous soutenons que le secteur doit basculer de la surveillance active centrée sur l'appareil vers la détection Wi-Fi passive, un paradigme qui réaffecte les signaux radiofréquence (RF) omniprésents de nos environnements en un tissu de détection sophistiqué et invisible. En analysant les informations d'état du canal (CSI)—les données complexes de la couche physique inhérentes au Wi-Fi moderne—nous pouvons détecter les chutes, surveiller la respiration et analyser les habitudes de sommeil avec une précision de niveau clinique, le tout sans un seul dispositif portable.

Toutefois, la transition vers la détection Wi-Fi n'est pas un simple surclassement matériel ; c'est un défi de traitement du signal du plus haut niveau. Elle exige de dépasser les méthodes statistiques simplistes et d'embrasser l'IA profonde . Ce rapport détaille pourquoi les grands modèles de langage génériques (LLM) enveloppes sont insuffisantes pour cette tâche et pourquoi Veriprajna plaide pour des architectures d'apprentissage profond sur mesure—en particulier les réseaux de neurones convolutifs (CNN), les réseaux à mémoire à court et long terme (LSTM) et les Transformers—pour décoder le langage subtil des ondes radio. Nous présentons une analyse complète de la physique de la CSI, des modes de défaillance des wearables actifs, des architectures de réseaux de neurones profonds requises pour l'interprétation du signal, et des voies réglementaires pour déployer des biométries invisibles dans un contexte d'entreprise.

Partie I : La crise d'observance dans la santé portable

Technologie

1.1 L'illusion de la coopération active

Le modèle dominant de la télésurveillance des patients (RPM) et des technologies du « vieillir chez soi » est fondamentalement fondé sur le concept de coopération active. Ce modèle suppose que l'utilisateur—souvent une personne âgée potentiellement atteinte de déclin cognitif, d'arthrite ou d'une déficience sensorielle—agira comme l'administrateur système responsable de sa propre technologie de santé. On attend d'elle qu'elle se souvienne de porter un appareil chaque matin, qu'elle s'assure qu'il est chargé quotidiennement, et qu'elle interagisse avec son interface en cas d'urgence. Si ce modèle fonctionne raisonnablement bien pour les « jeunes-vieux » (65-75 ans) numériquement alphabétisés et actifs, il échoue de façon catastrophique pour la population des « vieux-vieux » (85 ans et plus), là où les risques de chutes et d'urgences médicales sont les plus élevés.

La recherche sur les cycles d'adoption des moniteurs de santé portables révèle une réalité crue et inquiétante : les appareils sont fréquemment abandonnés par ceux qui en ont le plus besoin. Des études analysant le comportement des utilisateurs indiquent qu'environ 30 % des utilisateurs cessent d'utiliser leurs traceurs dans les six mois suivant l'acquisition. ¹ Ce taux d'attrition n'est pas seulement le reflet d'une insatisfaction des consommateurs ; il représente un trou béant dans le filet de sécurité. Lorsqu'un appareil reste dans un tiroir, le système de surveillance n'est pas seulement dégradé—il n'existe plus. Le fait de s'appuyer sur l'utilisateur pour qu'il soit un participant actif de sa propre surveillance crée un « écart d'observance », un gouffre périlleux entre la sécurité théorique offerte par la technologie et la réalité pratique de sa non-utilisation au quotidien.

1.1.1 Le « paradoxe de la douche » et la vulnérabilité de l'hygiène

Les limites fonctionnelles des wearables se font le plus durement sentir pendant les activités de la vie quotidienne (AVQ) qui impliquent l'eau ou le déshabillage. La salle de bain est statistiquement la pièce la plus dangereuse du domicile pour les personnes âgées, avec des surfaces glissantes et des sanitaires durs créant une forte probabilité de chutes traumatiques. Or, c'est précisément l'environnement où les wearables sont le plus souvent absents. Nous appelons cela le « paradoxe de la douche ».

Malgré les indices d'étanchéité IP67 ou IP68 des appareils modernes, de nombreuses personnes âgées retirent habituellement leur montre ou leur pendentif avant de se baigner. Ce comportement vient d'une vie entière d'expérience avec des électroniques non étanches, d'une crainte d'endommager un appareil coûteux, ou d'un simple inconfort physique causé par des bracelets mouillés contre une peau fragile. ² En conséquence, l'utilisateur n'est pas surveillé pendant la fenêtre temporelle exacte où une chute est la plus susceptible de se produire. Si une chute survient sous la douche alors que l'appareil est sur le meuble-lavabo, le système a échoué complètement. La nature « active » de l'appareil—exigeant que l'utilisateur décide de le garder—devient le point unique de défaillance.

1.1.2 Fatigue de recharge et friction cognitive

Au-delà de la salle de bain, l'exigence d'une recharge régulière constitue un obstacle majeur à une protection continue. Pour une personne de 80 ans, la motricité fine requise pour connecter un chargeur magnétique propriétaire ou brancher un câble micro-USB peut être exigeante. Cette « fatigue de recharge » entraîne des périodes où l'appareil est laissé sur une table de chevet pour charger, puis oublié le matin.

Les données des utilisateurs de systèmes personnels d'alerte d'urgence (PERS) dressent un tableau préoccupant de l'observance. Une étude a montré que 24 % des utilisateurs ne portaient jamais leur pendentif, et que seulement 14 % atteignaient une véritable observance 24 heures sur 24. ³ La charge cognitive de la gestion de l'autonomie de l'appareil concourt avec d'autres facteurs de stress quotidiens, et dans les populations atteintes de trouble cognitif léger (MCI) ou de démence à un stade précoce, l'appareil est simplement oublié. Le résultat est un patient « surveillé » qui est, en réalité, entièrement sans protection pendant de larges pans de la journée.

1.2 Barrières psychologiques : le stigmate de la fragilité

L'adoption technologique n'est pas un simple calcul fonctionnel ; elle est profondément émotionnelle. De nombreux dispositifs, en particulier les pendentifs « SOS » omniprésents, sont conçus avec une esthétique distinctement médicale. Ils signalent au monde—et à l'utilisateur lui-même—qu'ils sont fragiles, vulnérables et ont besoin d'aide. Cette stigmatisation est un puissant moteur de rejet.

Des méta-synthèses qualitatives des expériences utilisateurs révèlent que les personnes âgées voient souvent ces appareils comme les « marquant » comme vieux. ⁴ Le désir de maintenir une façade d'indépendance et de vitalité conduit de nombreux aînés à cacher les appareils sous les vêtements (réduisant leur efficacité) ou à refuser de les porter en public ou en société. L'appareil devient un symbole d'autonomie perdue plutôt qu'un outil pour la préserver.

De plus, la « peur des fausses alarmes » crée une structure d'incitation perverse. Les utilisateurs sont souvent terrifiés à l'idée de déclencher accidentellement une sirène ou d'appeler les services d'urgence pour un non-événement, ce qui peut être embarrassant et coûteux. Cette anxiété pousse certains utilisateurs à laisser l'appareil de côté pour éviter le risque d'un faux positif, ou pire, à hésiter à appuyer sur le bouton lors d'une urgence réelle, se demandant si leur situation est « assez grave » pour justifier le dérangement. Cette friction psychologique rend le mécanisme de déclenchement actif peu fiable.

1.3 Les implications économiques de la gestion des appareils

Pour les parties prenantes d'entreprise—assureurs, organisations de soins responsables (ACO), et exploitants de résidences assistées—la dépendance aux wearables représente une inefficacité économique significative. Le déploiement d'une flotte de wearables implique des dépenses d'investissement (CapEx) substantielles en matériel sujet à la perte, à la casse et à l'obsolescence.

Les dépenses d'exploitation (OpEx) sont tout aussi pénalisantes. Gérer une flotte de milliers d'appareils implique des défis logistiques : remplacer les batteries, traiter les retours d'unités cassées, et fournir un support technique à des utilisateurs non techniques qui peuvent peiner à apparier l'appareil avec un smartphone ou un réseau Wi-Fi. Le « turnover » des appareils perdus érode le retour sur investissement (ROI) du programme de surveillance. Plus critique encore, la « fausse sécurité » procurée par un wearable qui n'est pas porté crée une responsabilité massive. Si un établissement prétend fournir une surveillance 24 h/24 et 7 j/7 mais qu'un résident chute pendant que son appareil charge, l'établissement peut encourir des répercussions juridiques et réputationnelles pour l'échec du filet de sécurité. Le secteur a besoin d'un basculement structurel de la surveillance « centrée sur l'appareil » vers une surveillance « centrée sur l'espace »—une solution qui est intégrée dans l'infrastructure du bâtiment lui-même, n'exige aucun effort du résident, et qu'il est impossible de perdre ou d'oublier.

Partie II : La physique de la détection invisible

2.1 Du RSSI aux informations d'état du canal (CSI)

Pour apprécier l'approche Veriprajna, il est essentiel de distinguer les formes primitives de détection Wi-Fi qui existent depuis des années et l'analyse profonde du signal que nous défendons. Les premières tentatives d'exploiter le Wi-Fi pour la détection de présence s'appuyaient sur l'indication de puissance du signal reçu (RSSI). Le RSSI est une métrique grossière disponible dans presque toutes les piles sans fil ; il représente la puissance totale du signal reçu, généralement moyennée sur l'ensemble du paquet et de la bande de fréquence.

Si le RSSI diminue lorsqu'un objet bloque le trajet entre émetteur et récepteur (ombrage), c'est une métrique fondamentalement instable et à faible résolution. Il est hautement susceptible au fading par trajets multiples—où les signaux rebondissent sur les murs et interfèrent de manière constructive ou destructive—et au bruit environnemental. Un changement d'humidité, le mouvement d'un animal, ou même le fonctionnement d'un four à micro-ondes peut provoquer des fluctuations de RSSI qui imitent une présence humaine. Surtout, le RSSI n'a pas la sensibilité pour détecter des mouvements fins ; il peut indiquer si une personne est dans la pièce, mais il ne peut pas indiquer si elle respire. ⁵

Une véritable intelligence ambiante exige l'accès à la couche physique (PHY) de la transmission sans fil, spécifiquement les informations d'état du canal (CSI) . Les normes Wi-Fi modernes (802.11n, 802.11ac, 802.11ax et la à venir 802.11be) utilisent le multiplexage par répartition orthogonale de la fréquence (OFDM). En OFDM, le canal sans fil (par ex. un canal de 20 MHz ou 40 MHz) est divisé en des dizaines ou des centaines de sous-porteuses. La CSI décrit la propagation du signal de l'émetteur au récepteur pour chaque sous-porteuse individuelle .

Mathématiquement, si $X$ est le vecteur du signal émis et $Y$ est le vecteur du signal reçu, la relation est modélisée comme :

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

Où $N$ est le vecteur de bruit et $H$ est la matrice d'informations d'état du canal. Contrairement au RSSI, qui est une valeur scalaire, $H$ est une matrice complexe contenant deux composantes distinctes pour chaque sous-porteuse :

1.​ Amplitude ($|H|$) : L'atténuation de la puissance du signal à cette fréquence spécifique.

2.​ Phase ($\angle H$) : Le délai ou le déphasage du signal à cette fréquence spécifique.

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

Cette matrice fournit une « image » haute résolution de l'environnement sans fil. Parce que différentes sous-porteuses ont des longueurs d'onde différentes, elles interagissent autrement avec les objets de la pièce. La CSI capture la diffusion, la réflexion et la diffraction causées par le corps humain avec un détail granulaire que le RSSI ne peut tout simplement pas voir. ⁶

2.2 Le modèle des zones de Fresnel et la détection des micro-mouvements

Le cadre théorique qui permet d'extraire le mouvement humain de ces données électromagnétiques est le modèle des zones de Fresnel . Les zones de Fresnel sont une série d'ellipsoïdes allongés concentriques dont l'émetteur (Tx) et le récepteur (Rx) sont les foyers.

Lorsqu'une onde radio voyage de Tx vers Rx, elle ne suit pas une unique ligne droite. Elle se propage à travers le volume d'espace défini par ces zones de Fresnel. Si un objet dynamique (un humain) existe dans ces zones, il réfléchit une portion du signal. Le signal reçu au Rx est une superposition du trajet direct en ligne de vue (LoS) et du trajet dynamique réfléchi par le corps humain.

La longueur de trajet du signal réfléchi change à mesure que la personne se déplace. Ce changement de longueur de trajet, $d(t)$, introduit un déphasage dans la composante dynamique de la CSI. La relation est gouvernée par la longueur d'onde ($\lambda$) du signal :

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

Pour un signal Wi-Fi 5 GHz standard, la longueur d'onde $\lambda$ est d'environ 6 centimètres. Cela signifie qu'un mouvement de seulement 3 centimètres (une demi-longueur d'onde) suffit à faire passer le signal d'une interférence constructive (pic) à une interférence destructive (nul). Cette sensibilité extrême est la clé de la détection de la respiration . Pendant la respiration, la paroi thoracique humaine se déplace d'environ 4 à 12 millimètres. Si ce mouvement est invisible à l'œil nu à distance, dans le domaine du Wi-Fi 5 GHz ou 6 GHz, il représente une fraction significative d'une longueur d'onde. Lorsque la poitrine se dilate et se contracte, elle traverse les zones de Fresnel, provoquant une oscillation rythmique et périodique de la phase et de l'amplitude des données CSI. En analysant ces ondulations subtiles du flux CSI, les algorithmes de Veriprajna peuvent reconstruire la forme d'onde respiratoire avec une précision comparable aux ceintures respiratoires de grade médical. ⁸

2.3 Signatures Doppler et analyse cinématique

Pour les macro-mouvements comme la marche ou la chute, nous regardons au-delà des simples déphasages vers les décalages de fréquence Doppler. L'effet Doppler stipule qu'une onde réfléchie par un objet en mouvement subira un changement de fréquence proportionnel à la vitesse de l'objet.

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

Où $v$ est la vitesse de la partie du corps et $\theta$ est l'angle de mouvement par rapport à la direction de propagation de l'onde. Différentes activités humaines génèrent des « signatures Doppler » uniques.

●​ Marche : Le balancement des bras et des jambes crée un motif complexe de décalages Doppler positifs et négatifs, lorsque les membres se déplacent vers le récepteur et s'en éloignent.

●​ Chute : Une chute se caractérise par une séquence cinématique spécifique : une perte d'équilibre (pré-chute), une descente rapide et accélérée due à la gravité (la chute), et un impact soudain suivi d'une immobilité.

En appliquant des transformées de Fourier à court terme (STFT) ou des transformées en ondelettes discrètes (DWT) aux données CSI en série temporelle, nous pouvons générer un spectrogramme —une représentation visuelle de la vitesse dans le temps. Une chute apparaît comme une poussée d'énergie élevée distincte dans le spectrogramme, accélérant vers le bas, suivie d'une cessation abrupte d'énergie (le « Long Lie »). Cela permet au système de distinguer une chute dangereuse d'une action contrôlée comme s'asseoir ou s'allonger sur un lit. ¹⁰

2.4 Détection à travers les murs et capacités NLOS

L'un des avantages les plus profonds de la détection Wi-Fi par rapport aux systèmes optiques (caméras) ou infrarouges (LIDAR) est sa capacité à fonctionner en conditions de non-ligne de vue (NLOS) . Les signaux Wi-Fi à 2,4 GHz et 5 GHz ont d'excellentes propriétés de pénétration pour les matériaux de construction standard comme les cloisons sèches, le bois et le verre.

Dans un environnement domestique typique, le signal Wi-Fi rebondit sur les murs, les sols, les plafonds et les meubles, créant un environnement « multi-trajets ». Même si le point d'accès est dans le couloir et que l'utilisateur est dans la chambre derrière une porte fermée, le signal pénètre la pièce, se réfléchit sur l'utilisateur, et pénètre de nouveau jusqu'au récepteur. L'utilisateur n'a pas besoin d'être « vu » par le routeur au sens visuel. La distorsion qu'il crée dans le champ électromagnétique se propage à travers les obstacles. Cette ubiquité fondée sur la physique garantit que les « angles morts »—qui affligent les systèmes de caméras (par ex. derrière un rideau de douche ou une cloison)—sont virtuellement éliminés. Un seul lien de détection Wi-Fi peut efficacement surveiller une pièce entière, voire des pièces adjacentes, offrant un niveau de couverture qui nécessiterait une constellation de caméras pour être reproduit. ¹²

Partie III : Du signal à la compréhension – L'IA profonde Architecture

3.1 Au-delà des « enveloppes LLM » : la nécessité d'une IA de traitement du signal

Sur le marché technologique contemporain, le terme « IA » est devenu presque synonyme des grands modèles de langage (LLM) comme GPT. Si les LLM sont transformatifs pour le texte et le code, ils sont fondamentalement inadaptés à la tâche d'interpréter des données radiofréquence brutes. Les données CSI sont continues, à valeurs complexes, de haute dimension, et gouvernées par les lois de la physique, non par les règles de la grammaire.

Veriprajna se distingue comme fournisseur de solutions IA profonde . Nous n'enveloppons pas simplement une API autour d'un modèle de texte pré-entraîné. Nous concevons des réseaux de neurones profonds sur mesure, conçus spécifiquement pour le traitement de signaux temporels. Un LLM ne peut pas « lire » une forme d'onde 5 GHz ; il exige des architectures qui comprennent le temps, la fréquence et la corrélation spatiale. Notre approche utilise une pile sophistiquée de réseaux de neurones convolutifs (CNN), de réseaux de neurones récurrents (RNN) et de Transformers pour extraire des enseignements cliniques du bruit RF.

3.2 Le pipeline de prétraitement : nettoyer l'éther

Les données CSI brutes extraites de chipsets Wi-Fi grand public sont intrinsèquement bruitées. Elles sont corrompues par des imperfections matérielles telles que le décalage de fréquence porteuse (CFO), le décalage de fréquence d'échantillonnage (SFO) et la perte aléatoire de paquets. Injecter ces données brutes directement dans un réseau de neurones conduirait à de mauvaises performances. C'est pourquoi Veriprajna emploie un pipeline de prétraitement rigoureux, informé par la physique :

1.​ Assainissement de phase : Les données de phase brutes d'une puce Wi-Fi sont « enveloppées » dans la plage de $[-\pi, \pi]$. Nous employons des algorithmes de transformation linéaire pour « dérouler » la phase, reconstruisant le changement de phase continu causé par le mouvement. De plus, nous appliquons un ajustement linéaire pour retirer la pente de phase introduite par des horloges non synchronisées entre l'émetteur et le récepteur. ¹¹

2.​ Suppression des valeurs aberrantes : Nous utilisons des filtres de Hampel et un filtrage médian pour retirer le bruit impulsif causé par une interférence électrique soudaine ou des dysfonctionnements matériels.

3.​ Réduction de dimensionnalité : Un flux CSI typique peut contenir des données de 3 antennes $\times$ 56 sous-porteuses = 168 flux de données. Tous n'en transportent pas d'information utile ; certains peuvent être en « évanouissement profond » (interférence destructive) et contenir surtout du bruit. Nous employons l'analyse en composantes principales (PCA) pour extraire les composantes principales qui expliquent la variance maximale du signal. La première composante principale correspond typiquement au mouvement dominant dans la pièce (par ex. la respiration), tandis que les composantes suivantes capturent le bruit. ⁵

3.3 Modèles d'apprentissage profond pour l'analyse CSI

Une fois les données assainies, elles sont injectées dans les modèles d'apprentissage profond propriétaires de Veriprajna. Nous plaidons pour une architecture hybride qui tire parti des forces des différents types de réseaux de neurones.

3.3.1 Réseaux de neurones convolutifs (CNN) pour les caractéristiques spatiales

Nous traitons la matrice de données CSI (sous-porteuses $\times$ temps) comme une pseudo-image. Tout comme un CNN peut identifier les contours d'un chat sur une photographie, il peut identifier les « contours » d'un événement de mouvement dans le spectre RF. Un 2D-CNN ou 1D-CNN fait glisser un noyau le long de la dimension des sous-porteuses. Cela permet au modèle d'apprendre des corrélations spatiales—par exemple, de réaliser qu'un événement de chute provoque une chute d'amplitude simultanée sur un groupe spécifique de sous-porteuses. Cette extraction de caractéristiques spatiales est cruciale pour distinguer le mouvement humain du bruit de fond comme un ventilateur en rotation, qui a une signature spectrale différente. ¹⁵

3.3.2 Mémoire à court et long terme (LSTM) pour le contexte temporel

Les activités humaines sont intrinsèquement des séquences temporelles. Une « chute » n'est pas un point unique dans le temps ; c'est une séquence d'événements : debout $\rightarrow$ perte d'équilibre $\rightarrow$ descente $\rightarrow$ impact $\rightarrow$ allongé, immobile. Un CNN seul pourrait classer la trame d'« impact » comme une chute, mais il pourrait aussi classer un saut sur un lit comme une chute.

Pour résoudre cela, nous injectons la sortie du CNN dans un Long Short-Term Memory (LSTM) réseau. Le LSTM est un type de réseau de neurones récurrent (RNN) conçu pour mémoriser les dépendances à long terme. Il maintient une « cellule mémoire » qui transporte le contexte des pas de temps précédents. Cela permet au modèle de comprendre la séquence : « L'utilisateur marchait (vitesse X), puis a accéléré vers le bas (vitesse Y), et est maintenant immobile (vitesse 0) au sol. » Ce contexte temporel est ce qui permet au système de différencier une chute d'une action contrôlée comme s'asseoir. ¹⁵

3.3.3 Transformers à double branche et mécanismes d'attention

La frontière de notre recherche réside dans les architectures Transformer . Contrairement aux RNN qui traitent les données séquentiellement, les Transformers traitent l'ensemble de la séquence d'un coup en utilisant des mécanismes d'« auto-attention » . Cela permet au modèle de pondérer l'importance des différentes parties du signal.

Veriprajna propose une architecture à double branche :

●​ Branche A (amplitude) : Traite les changements de magnitude pour détecter les mouvements moteurs grossiers (marche, chute).

●​ Branche B (phase) : Traite les déphasages pour détecter les micro-mouvements (respiration, variabilité de la fréquence cardiaque).

Ces deux branches sont fusionnées via une couche d'attention . Le mécanisme d'attention priorise dynamiquement le flux le plus pertinent selon le contexte. Par exemple, si l'utilisateur dort, le modèle apprend à prêter davantage attention à la branche Phase (où le signal respiratoire est le plus fort) et à ignorer la branche Amplitude. Inversement, si l'utilisateur marche, la branche Amplitude reçoit un poids plus élevé. Cette fusion multimodale renforce significativement la robustesse du système. ¹⁷

3.4 Résoudre la dépendance à l'environnement : l'adaptation de domaine

Une critique historique de la recherche en détection Wi-Fi a été son manque de généralisabilité. Un modèle entraîné sur des données collectées dans le « Labo A » échoue souvent lorsqu'il est déployé dans l'« Appartement B » parce que l'environnement multi-trajets (taille de la pièce, agencement des meubles) est différent. Le modèle surapprend aux réflexions spécifiques de la pièce d'entraînement.

Veriprajna y répond avec les réseaux de neurones adverses de domaine (DANN) . Cette technique consiste à entraîner le réseau avec deux objectifs concurrents :

1.​ Classifieur d'activité : Minimiser l'erreur de prédiction de l'activité (par ex. « Chute » vs « Marche »).

2.​ Discriminateur de domaine : Maximiser l'erreur de prédiction de l'environnement (par ex. « Labo » vs « Domicile »).

En forçant l'extracteur de caractéristiques à tromper le discriminateur de domaine, le réseau est contraint d'apprendre des caractéristiques invariantes à l'environnement—l'« idéal platonicien » d'une signature de chute qui a le même aspect, qu'elle se produise dans un studio ou dans un couloir d'EHPAD. Cela permet un modèle « entraîner une fois, déployer partout » essentiel à la scalabilité d'entreprise. ¹⁹

Partie IV : Applications cliniques et cas d'usage

4.1 Surveillance respiratoire : le signe vital du futur

La fréquence respiratoire (RR) est souvent appelée le « signe vital oublié », or c'est un indicateur majeur de détérioration clinique dans des affections telles que la bronchopneumopathie chronique obstructive (BPCO), l'insuffisance cardiaque congestive (ICC) et la pneumonie. La surveillance traditionnelle exige de porter une sangle thoracique ou une canule, ce qui est inconfortable en usage de longue durée.

En utilisant l'analyse de différence de phase décrite à la section 2.2, la détection Wi-Fi fournit une surveillance respiratoire continue, sans contact.

●​ Précision : Des évaluations expérimentales utilisant des matrices de rétroaction de formation de faisceau (BFM) ont démontré des erreurs d'estimation de la fréquence respiratoire inférieures à 3,2 respirations/minute. ⁵ Des modèles d'apprentissage profond plus avancés atteignent des coefficients de corrélation dépassant 0,92 avec des ceintures respiratoires de référence. ²¹

●​ Détection de l'apnée du sommeil : Le système est particulièrement révolutionnaire pour détecter l'apnée obstructive du sommeil (AOS). En surveillant la cessation du mouvement respiratoire pendant le sommeil, le système peut signaler des événements d'apnée potentiels (indice IAH) sans recourir à une étude de polysomnographie (PSG) lourde en laboratoire du sommeil. Cela permet un dépistage longitudinal de la population âgée, identifiant des troubles du sommeil non diagnostiqués qui contribuent au risque cardiovasculaire. ²²

4.2 Détection des chutes : le « Long Lie » et la conscience du contexte

Les chutes sont la première cause de blessure mortelle chez les adultes âgés. Toutefois, l'impact immédiat est souvent moins dangereux que le « Long Lie » —rester au sol pendant des heures, incapable de se relever, ce qui entraîne rhabdomyolyse, déshydratation et escarres.

La solution de détection Wi-Fi de Veriprajna offre un système complet de gestion des chutes :

1.​ Analyse de la démarche pré-chute : En surveillant en continu la vitesse de marche et la cohérence de la foulée (vitesse de démarche) sur des semaines, le système peut détecter la détérioration subtile de la mobilité qui précède souvent une chute. Un ralentissement progressif de la vitesse de marche est un prédicteur cliniquement validé du risque de chute, permettant une intervention préventive (par ex. kinésithérapie) avant qu'un accident ne survienne. ²

2.​ Détection en temps réel : En utilisant les signatures Doppler décrites plus haut, le système détecte l'événement de chute avec une sensibilité élevée (>97 %). ²³

3.​ Contexte post-chute : De façon cruciale, le système continue de surveiller le sujet après la chute. Si la CSI indique une absence de mouvement moteur grossier mais la présence de micro-mouvement (respiration) au niveau du sol, le système confirme une « chute avec incapacité à se relever » et escalade l'alerte. Cette conscience du contexte réduit significativement les fausses alarmes par rapport aux accéléromètres portables, qui pourraient enregistrer la chute de l'appareil au sol comme une chute. ²⁴

4.3 Analyse de la qualité et de l'hygiène du sommeil

La qualité du sommeil est un déterminant massif de la santé chez les personnes âgées. Les traceurs de sommeil grand public actuels (montres connectées) estiment les stades de sommeil d'après le mouvement du poignet (actigraphie) et la fréquence cardiaque optique. La détection Wi-Fi offre une « actigraphie du corps entier ».

En analysant l'intensité et la périodicité des mouvements corporels au lit, le système peut classer les stades de sommeil :

●​ Éveil : Mouvements de haute amplitude, irréguliers.

●​ Sommeil léger : Mouvement réduit, respiration régulière.

●​ Sommeil profond/REM : État corporel atonique (paralysé) avec des signatures respiratoires hautement rythmiques.

Le système génère des rapports d'« hygiène du sommeil » détaillant la latence d'endormissement (temps pour s'endormir), l'éveil après l'endormissement (WASO) et la durée totale de sommeil. De façon cruciale, il peut aussi suivre les sorties de lit, alertant les soignants si un patient atteint de démence sort du lit la nuit et ne revient pas dans une fenêtre de sécurité. ³

Partie V : Le paradoxe de la vie privée – Détecter sans surveiller

5.1 Le débat « caméra vs capteur »

La vie privée visuelle est une préoccupation primordiale pour les personnes âgées. Si les caméras sont efficaces pour la surveillance, elles sont largement rejetées dans les espaces privés comme les chambres et les salles de bain. Le sentiment d'être « observé », le risque de capturer de la nudité, et le potentiel que les flux vidéo soient piratés créent une résistance immense aux solutions AAL fondées sur la caméra.

La détection Wi-Fi résout ce paradoxe de la vie privée. Elle est visuellement aveugle . Les données collectées—matrices CSI—consistent en nombres complexes représentant la propagation du signal. Il est impossible pour un humain de regarder un paquet CSI et de « voir » le visage ou le corps d'une personne. Même si un acteur malveillant interceptait le flux de données brutes, il n'obtiendrait pas une image ou une vidéo, mais un flux de distortions de signal inintelligibles. Cela rend la détection Wi-Fi uniqueement adaptée à la surveillance de la salle de bain—la pièce la plus dangereuse de la maison, où les caméras sont strictement interdites. ³

5.2 Conformité RGPD et HIPAA

Pour les clients d'entreprise, la conformité réglementaire n'est pas négociable. Les données de détection Wi-Fi, spécifiquement la CSI, sont classées comme données biométriques au titre du règlement général sur la protection des données (RGPD) (article 9) parce qu'elles peuvent potentiellement servir à identifier des individus d'après leur démarche ou la forme de leur corps (identification biométrique). ²⁸ De même, au titre du Health Insurance Portability and Accountability Act (HIPAA), les données de santé dérivées du domicile constituent des informations de santé protégées (PHI).

L'architecture de Veriprajna assure la conformité par une stratégie stricte de traitement en périphérie (edge) :

1.​ Minimisation des données : Les données CSI brutes sont traitées localement sur le point d'accès Wi-Fi ou une passerelle edge locale (en utilisant le NPU). Le signal biométrique brut, à haute bande passante, n'est jamais transmis au cloud. Il est jeté immédiatement après l'inférence.

2.​ Enseignements abstraits : Seul l'événement d'inférence est transmis. Le cloud reçoit un JSON paquet : {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. Cette chaîne de texte ne contient aucune donnée biométrique et ne peut pas être rétro-ingénierée pour identifier la physiologie de l'utilisateur.

3.​ Anonymisation : Dans les configurations standard, le système suit la « présence » et le « mouvement » sans les lier à une identité spécifique. Il détecte qu' une personne est tombée, non qui est tombé, sauf s'il est spécifiquement configuré pour le suivi multi-personnes avec le consentement de l'utilisateur.

4.​ Sécurité : Toute transmission de données est chiffrée via TLS 1.3/WPA3, et les dispositifs edge locaux sont sécurisés par authentification 802.1X pour empêcher l'accès non autorisé. ³⁰

5.3 Le problème des visiteurs et l'acceptabilité sociale

Un point de friction majeur pour les caméras est la surveillance des visiteurs. Lorsque des membres de la famille ou des soignants rendent visite, ils sont également enregistrés, soulevant des questions de consentement. La détection Wi-Fi est intrinsèquement moins intrusive. Si elle détecte la présence d'autres personnes, elle n'enregistre ni leurs visages ni leurs conversations. Cette « surveillance douce » est bien plus socialement acceptable dans les espaces semi-privés comme les espaces communs des résidences assistées ou les appartements partagés, réduisant la complexité juridique d' obtenir le consentement de chaque visiteur. ³³

Partie VI : Infrastructure et écosystème matériel

6.1 La commoditisation du matériel de détection

Un avantage stratégique de la détection Wi-Fi est qu'elle utilise l'infrastructure existante. Elle n'exige pas de percer des trous pour installer des capteurs propriétaires sur chaque mur. La transition du Wi-Fi d'une norme de communication pure vers une norme de détection est formalisée dans IEEE 802.11bf (WLAN Sensing), dont la ratification complète est attendue fin 2024/2025. Cette norme garantira que les futurs chipsets Wi-Fi prennent nativement en charge l'extraction CSI et les requêtes de détection, transformant chaque routeur en un radar standardisé. ³⁵

6.2 Principaux catalyseurs silicium

La pile logicielle de Veriprajna est indépendante du matériel mais optimisée pour les chipsets de premier plan qui fournissent l'accès aux données CSI :

●​ Qualcomm : Les plateformes « Networking Pro Series » et « FastConnect » de Qualcomm (Wi-Fi 7) sont des catalyseurs critiques. De façon cruciale, Qualcomm intègre le Hexagon NPU (unité de traitement neuronal) dans ses SoC. Cela permet à Veriprajna d'exécuter les modèles d'apprentissage profond (Transformers/CNN) directement sur le routeur ou la passerelle avec une haute efficacité énergétique, rendant possible la stratégie de traitement en périphérie décrite plus haut. Le Qualcomm AI Stack et AI Hub fournissent les chaînes d'outils pour convertir les modèles PyTorch en binaires quantifiés qui s'exécutent sur le DSP Hexagon, garantissant des performances en temps réel sans latence cloud. ³⁶

●​ Broadcom : Avec son écosystème Wi-Fi 8 nouvellement annoncé et ses puces Wi-Fi 7 (BCM6726, BCM4390), Broadcom a introduit le moteur de télémétrie sans fil « BroadStream ». Ce bloc matériel est conçu spécifiquement pour décharger la collecte et le traitement des données de détection, fournissant les flux CSI haute fréquence et faible latence requis pour l'entraînement et l'inférence de l'IA. ⁴⁰

●​ Espressif (ESP32) : Pour des nœuds de détection distribués à bas coût (par ex. créer un maillage dense dans un grand établissement), le microcontrôleur ESP32 change la donne. Le ESP-CSI Toolkit permet aux développeurs d'extraire des données CSI de ces puces peu coûteuses ($5). Bien que moins puissant qu'un routeur, un ESP32 peut agir comme récepteur de détection dédié, alimentant les données vers une passerelle centrale. Cela permet une mise à l'échelle économique du tissu de détection. ⁴³

6.3 Le paysage logiciel commercial

Veriprajna agit comme intégrateur spécialisé et développeur d'IA au-dessus des plateformes de détection fondatrices :

●​ Cognitive Systems (Aura WiFi Motion) : Fournit une API mature, largement déployée, pour la couche de mouvement. Leur pile gère l'extraction CSI de bas niveau et la classification basique du mouvement, permettant à Veriprajna de se concentrer sur l'interprétation médicale de plus haut niveau. ²⁶

●​ Origin Wireless (AI Sensing) : Pionniers de la technologie « Time Reversal Machine » pour l' analyse multi-trajets. Leurs moteurs « TruPresence » et de détection des chutes sont des références industrielles de précision. Le logiciel d'Origin s'exécute entièrement en périphérie, s'alignant parfaitement avec notre architecture privilégiant la vie privée. ³⁵

Partie VII : Mise en œuvre stratégique pour l'entreprise

7.1 Le rétrofit « zéro matériel »

Pour les maisons de retraite, les résidences assistées et les prestataires d'hôpital à domicile, la proposition de valeur principale de la détection Wi-Fi est le « rétrofit zéro matériel ». Ces établissements possèdent déjà des réseaux Wi-Fi de grade entreprise pour la connectivité. En déployant la pile logicielle de Veriprajna (ou en mettant à jour le micrologiciel vers une version habilitée à la détection), l'établissement transforme son réseau de communication existant en un réseau de sécurité.

●​ Économies de CapEx : Élimine le besoin d'acheter des milliers de wearables ou d'installer des caméras dans chaque pièce.

●​ Maintenance : Aucune batterie à changer dans les pendentifs. Aucun appareil perdu à remplacer.

●​ Scalabilité : Une mise à jour logicielle peut activer la détection des chutes dans 100 chambres instantanément.

7.2 Méthodologie de déploiement

La mise en œuvre de la détection Wi-Fi exige une approche structurée pour garantir la couverture et la précision :

1.​ Étude de site : Évaluer la densité Wi-Fi. La détection exige une certaine densité de signaux. Un seul routeur peut couvrir un petit appartement, mais un réseau maillé (pods dans différentes pièces) est idéal pour une couverture « maison entière » afin d'assurer assez de liens de détection traversant la salle de bain et la chambre. ⁴⁹

2.​ Audit matériel : Vérifier si les points d'accès existants utilisent des chipsets compatibles (Qualcomm/Broadcom) qui prennent en charge l'extraction CSI.

3.​ Configuration de la passerelle edge : Déterminer si les AP ont assez de calcul (NPU/CPU) pour l' inférence sur l'appareil. Sinon, un serveur edge local (par ex. un petit PC industriel exécutant les modèles d'IA) peut agréger les données des AP légers.

4.​ Calibration : Exécuter les modèles DANN (adverses de domaine) pendant une brève période de « rodage » (par ex. 24 heures) pour s'adapter à l'agencement spécifique des meubles et aux matériaux structurels du bâtiment, établissant une baseline de l'environnement statique.

7.3 ROI et réalisation de la valeur

●​ Réduction des réhospitalisations : En détectant tôt les changements de démarche, une kinésithérapie préventive peut être administrée, empêchant la chute qui mène à une fracture de la hanche et une hospitalisation coûteuse.

●​ Efficacité du personnel : Les « rondes de nuit » peuvent être guidées par les données. Au lieu de réveiller chaque résident pour le contrôler (perturbant le sommeil), le personnel peut surveiller le tableau de bord central pour les perturbations du sommeil ou les sorties de lit, n'intervenant qu'auprès de ceux qui en ont besoin.

●​ Primes d'assurance : Les établissements équipés d'une surveillance continue et non invasive peuvent bénéficier de primes d'assurance responsabilité réduites grâce au moindre risque d'accidents non découverts et à la capacité de fournir des preuves de soins fondées sur les données.

Conclusion : l'inévitabilité de l'intelligence ambiante

L'ère des « gadgets » dans les soins aux personnes âgées touche à sa fin. La friction de l'observance, l' indignité du stigmate des wearables, et les limites fonctionnelles des appareils alimentés par batterie les rendent une technologie transitoire. L'avenir de la surveillance de la santé n'est pas de sangler des capteurs sur les personnes ; c'est de construire des capteurs autour d'elles.

La détection Wi-Fi passive représente la convergence de la physique avancée, d'une infrastructure ubiquitaire et de l'IA profonde. Elle respecte le caractère sacré du domicile en restant invisible, tout en fournissant une vigilance de niveau clinique. Elle résout le « paradoxe de la douche », élimine la fatigue de recharge, et préserve la vie privée de l'utilisateur. Pour Veriprajna, ce n'est pas seulement une évolution technique ; c'est un impératif moral de fournir dignité et sécurité à la population vieillissante par une intelligence qui se ressent, mais ne se voit pas.

L'air autour de nous est rempli d'information. Il est temps que nous l'écoutions.

Tableau 1 : Analyse comparative des technologies de surveillance

Caractéristique	Wearables (surveillance active)	Caméras (surveillance visuelle)	Détection Wi-Fi passive (Veriprajna)
Observance utilisateur	Friction élevée : Exige le port, la recharge, et des alertes manuelles.	Zéro effort : Passif.	Zéro effort : Passif.
Impact vie privée	Faible : données seulement (accélération/FC).	Sévère : Enregistrement visuel d' espaces intimes.	Faible : Signaux CSI abstraits ; aucun identifiant visuel.
Sécurité salle de bain	Échec critique : Souvent retiré pour la douche/le bain.	Inacceptable : Les préoccupations de vie privée en interdisent l'usage.	Excellent : Fonctionne en NLOS ; pénètre vapeur/rideaux.
Maintenance	Élevée : Batterie	Moyenne : Lentille	Faible : Logiciel

Col1	remplacement, appareil perdu gestion.	nettoyage, alimentation électrique.	mises à jour ; s'appuie sur le Wi-Fi existant.
Angles morts	Aucun (si porté).	Élevé : Bloqué par meubles, murs, obscurité.	Minimal : Les signaux pénètrent murs et meubles.
Richesse des données	Accélération, fréquence cardiaque.	Démarche, pose, contexte.	Respiration, démarche, Stades de sommeil, Chutes.
Adéquation à la démence	Faible : Les utilisateurs oublient de porter ou retirent activement les appareils.	Moyenne.	Élevée : Ne peut être retiré ni oublié.

Tableau 2 : Cadre réglementaire et technique

Exigence	Norme / Règlement	Implication pour la détection Wi-Fi
Vie privée des données	RGPD (article 9)	La CSI est une donnée biométrique. Exige un consentement explicite et une protection rigoureuse des données (IA en périphérie).
Données de santé	HIPAA	La surveillance de santé à domicile crée des PHI. Les données doivent être chiffrées en transit et au repos.
Norme matérielle	IEEE 802.11bf	La future norme « WLAN Sensing » standardisera l' extraction CSI chez tous les fournisseurs.
Traitement IA	IA en périphérie (NPU)	Le traitement doit se faire sur l'appareil (Qualcomm Hexagon/Broadcom) pour

Tableau 3 : Pile d'IA profonde Veriprajna vs approches génériques

Couche	Générique / concurrent Approche	IA profonde Veriprajna Approche
Données d'entrée	RSSI (puissance du signal) ou CSI brute	CSI assainie (déroulement de phase, débruitage PCA, filtrage Hampel)
Extraction de caractéristiques	Caractéristiques statistiques (moyenne, variance)	CNN (réseaux de neurones convolutifs) pour caractéristiques spatiales/spectrales
Logique temporelle	Basée sur un seuil (si le signal chute > X)	LSTM / GRU (réseaux de neurones récurrents) pour contexte de séquence
Fusion	Flux unique	Transformer à double branche (amplitude + phase) avec mécanisme d'attention
Généralisation	Calibration spécifique au site requise	Réseaux de neurones adverses de domaine (DANN) pour l'indépendance d'environnement

Citations : ¹

Ouvrages cités

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

2. Fall Detection Using Wi-Fi Sensing, consulté le 12 décembre 2025, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, consulté le 12 décembre 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, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, consulté le 12 décembre 2025, https://en.wikipedia.org/wiki/Channel_state_information

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

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

11. Full Respiration Rate Monitoring Exploiting Doppler Information with Commodity Wi-Fi Devices - ResearchGate, consulté le 12 décembre 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, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://arxiv.org/html/2407.12537v1

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, consulté le 12 décembre 2025, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

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

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

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

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

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

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

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

23. Wearable Fall Detection System with Real-Time Localization and Notification Capabilities, consulté le 12 décembre 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, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://www.researchgate.net/publication/372813063_WiFi-based_indoor_passive_fall_detection_for_medical_Internet_of_Things

26. WiFi Motion - Cognitive Systems, consulté le 12 décembre 2025, https://www.cognitivesystems.com/wifi-motion/

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

29. Biometric recognition | ICO, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://hipaatimes.com/making-wi-fi-hipaa-compliant

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

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

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

34. Surveillance Risks in Wi-Fi Sensing, consulté le 12 décembre 2025, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, consulté le 12 décembre 2025, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, consulté le 12 décembre 2025, https://www.qualcomm.com/wi-fi

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

38. NPU AI Engine - Qualcomm, consulté le 12 décembre 2025, https://www.qualcomm.com/processors/ai-engine

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

42. Accessing the IoT ecosystem - Broadcom Inc., consulté le 12 décembre 2025, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, consulté le 12 décembre 2025, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, consulté le 12 décembre 2025, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, consulté le 12 décembre 2025, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, consulté le 12 décembre 2025, https://iconoutlook.com/origin-wireless/

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

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

52. Wi-Fi 7 Chips & Tech | Next-Generation WiFi - Qualcomm, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9830631/