Dépasser les objets connectés grâce à la détection Wi-Fi passive et au Deep AI
« Le moniteur de santé le plus efficace n'est pas celui qui possède les capteurs les plus avancés ou la plus longue autonomie ; c'est celui qui n'exige aucune interaction. »
La solution de détection Wi-Fi passive de Veriprajna détecte les chutes, surveille la respiration et analyse les habitudes de sommeil avec une précision de niveau clinique — sans le moindre objet connecté. En analysant la Channel State Information (CSI) de l'infrastructure Wi-Fi existante, nous avons résolu la crise de conformité qui frappe la prise en charge des personnes âgées.
Veriprajna s'associe aux maisons de retraite, aux établissements d'hébergement assisté, aux prestataires d'hôpital à domicile et aux compagnies d'assurance pour déployer des filets de sécurité invisibles qui respectent la dignité tout en apportant une vigilance de niveau clinique.
Transformez votre réseau Wi-Fi existant en système de sécurité complet. Zéro déploiement matériel, aucune batterie à gérer, aucun appareil perdu. Surveillez plus de 100 résidents par une simple mise à jour logicielle.
Permettez un véritable « Hospital at Home » avec surveillance respiratoire continue, analyse de la marche pour la prévention des chutes et suivi de la qualité du sommeil — le tout conforme à la réglementation HIPAA grâce au traitement Edge AI.
Obtenez des données objectives et longitudinales sur l'activité des patients, le déclin de la mobilité et le risque de chute. Des interventions fondées sur les données réduisent les sinistres tout en améliorant les résultats pour la population des « très grands vieux » (85+).
Le modèle dominant du suivi médical à distance suppose la coopération active de la population même la moins capable de l'apporter.
La salle de bain est la pièce la plus dangereuse pour les personnes âgées, et pourtant c'est précisément là que les objets connectés sont retirés. Malgré les certifications IP67/IP68, les utilisateurs retirent habituellement leur appareil avant de se baigner — créant une lacune de couverture au moment du risque le plus élevé.
Pour les personnes souffrant d'arthrite ou de troubles cognitifs légers, la recharge quotidienne est une corvée. Les études montrent que 24% des utilisateurs de systèmes PERS ne portaient jamais leur pendentif, et que seuls 14% ont atteint une véritable observance de 24 heures.
Les pendentifs d'alerte médicale « marquent » leurs utilisateurs comme vieux et vulnérables. De nombreux seniors cachent leur appareil sous les vêtements ou refusent de le porter en public, ce qui sape tout le système de surveillance. La crainte des fausses alertes crée une hésitation à utiliser le bouton SOS.
« Faire reposer sur l'utilisateur sa participation active à sa propre surveillance crée un déficit de conformité—un gouffre périlleux entre la sécurité théorique qu'offre la technologie et la réalité pratique de son non-usage dans la vie quotidienne. »
— Livre blanc Veriprajna : The Invisible Guardian, 2024
Pourquoi la détection passive transcende les approches traditionnelles
| Caractéristique | Objets connectés (Surveillance active) |
Caméras (Surveillance visuelle) |
Détection Wi-Fi passive (Veriprajna) |
|---|---|---|---|
| Conformité de l'utilisateur | ❌ Forte friction : port, recharge, alertes manuelles exigés | ✓ Zéro effort : passif | ✓ Zéro effort : passif |
| Impact sur la vie privée | ✓ Faible : données seules (accélération/fréquence cardiaque) | ❌ Grave : enregistrement visuel d'espaces intimes | ✓ Faible : signaux CSI abstraits ; aucun identifiant visuel |
| Sécurité dans la salle de bain | ❌ Échec critique : souvent retiré pour se doucher/prendre un bain | ❌ Inacceptable : les impératifs de vie privée en interdisent l'usage | ✓ Excellent : fonctionne en NLOS ; traverse la vapeur/les rideaux |
| Maintenance | ❌ Élevée : remplacement de batterie, gestion des appareils perdus | Moyenne : nettoyage de l'objectif, alimentation électrique | ✓ Faible : mises à jour logicielles ; exploite le Wi-Fi existant |
| Zones d'ombre | Aucune (si porté) | ❌ Élevées : bloquées par les meubles, les murs, l'obscurité | ✓ Minimales : les signaux traversent les murs et les meubles |
| Richesse des données | Accélération, fréquence cardiaque | Marche, posture, contexte | ✓ Respiration, marche, phases de sommeil, chutes |
| Adéquation aux patients atteints de démence | ❌ Médiocre : les utilisateurs oublient de porter ou retirent activement les appareils | Moyenne | ✓ Élevée : ne peut être ni retiré ni oublié |
Une véritable intelligence ambiante exige l'accès à la Channel State Information (CSI) — l'« image » haute résolution de l'environnement radio que le RSSI ne peut fournir.
Les premières détections Wi-Fi s'appuyaient sur l'indication de puissance du signal reçu (RSSI) — une métrique grossière capable de détecter une présence mais dépourvue de la sensibilité nécessaire aux mouvements fins comme la respiration.
Le Wi-Fi moderne (802.11n/ac/ax) utilise l'OFDM, qui divise les canaux en dizaines de sous-porteuses. La CSI capture la manière dont chaque sous-porteuse interagit avec les objets, fournissant un détail granulaire que le RSSI ne peut voir.
Les ondes radio se propagent à travers des ellipsoïdes concentriques (zones de Fresnel) entre l'émetteur et le récepteur. Le mouvement humain à l'intérieur de ces zones provoque des déphasages détectables dans la CSI.
Détection de la respiration : Un déplacement thoracique de 4-12mm suffit à provoquer des oscillations rythmées de la CSI — comparable aux ceintures respiratoires de qualité médicale.
Chaque activité humaine génère des décalages de fréquence Doppler uniques. Une chute se caractérise par une accélération rapide (gravité), suivie d'une immobilité soudaine (le « Long Lie »).
Les signaux Wi-Fi à 2.4/5 GHz traversent les cloisons sèches, le bois et le verre. Même si le point d'accès se trouve dans le couloir et l'utilisateur derrière une porte fermée, les signaux se réfléchissent sur l'utilisateur et reviennent au récepteur.
Cette ubiquité fondée sur la physique élimine les « zones d'ombre » qui pénalisent les systèmes de caméras. Un seul lien Wi-Fi peut surveiller une pièce entière ou des pièces adjacentes — une couverture qui exigerait plusieurs caméras.
Observez comment la Channel State Information capture le mouvement humain que le RSSI traditionnel ne peut détecter. Basculez entre les modes de détection de la respiration et de détection des chutes.
Les données CSI obéissent aux lois de la physique, pas à la grammaire. Veriprajna conçoit des réseaux neuronaux profonds sur mesure pour le traitement du signal temporel — pas des modèles de langage génériques.
Déroulage de phase, filtrage de Hampel, réduction de dimensionnalité par ACP. Suppression des artefacts matériels (CFO/SFO) et extraction des composantes principales.
Traitez la matrice CSI comme une pseudo-image. Les convolutions 2D apprennent les corrélations spatiales entre sous-porteuses — distinguant le mouvement humain des ventilateurs en rotation.
Les chutes sont des séquences : debout → perte d'équilibre → descente → impact → immobilité allongée. Le LSTM maintient une mémoire pour comprendre le contexte, et non des images isolées.
Branche A (Amplitude) : macro-mouvements. Branche B (Phase) : micro-mouvements. Le mécanisme d'attention priorise dynamiquement le flux pertinent.
Pourquoi des Domain Adversarial Neural Networks (DANN) ?
Un modèle entraîné dans le « laboratoire A » échoue souvent dans l'« appartement B » en raison de configurations de pièces différentes. Le DANN force le réseau à apprendre des caractéristiques invariantes à l'environnement — l'« idéal platonicien » d'une signature de chute identique dans un studio ou dans le couloir d'une maison de retraite. Entraînez une fois, déployez partout.
De la surveillance respiratoire à la détection des chutes en passant par l'analyse du sommeil — une précision de niveau clinique sans le moindre objet connecté.
La fréquence respiratoire (RR) est le « signe vital oublié » — mais un indicateur précoce majeur de la détérioration dans la BPCO, l'insuffisance cardiaque congestive et la pneumonie. Un déplacement thoracique de 4-12mm crée des oscillations rythmées de la phase CSI.
Détection de l'apnée du sommeil sans études PSG en laboratoire encombrantes
Les chutes sont la première cause de blessure fatale chez les personnes âgées. Le « Long Lie » (rester au sol pendant des heures) provoque rhabdomyolyse et escarres. Veriprajna détecte toute la séquence.
L'« actigraphie corps entier » analyse l'intensité et la périodicité des mouvements pour classer les phases de sommeil. Suivez les sorties de lit pour la détection de l'errance liée à la démence.
Latence d'endormissement, WASO, durée totale — le tout sans actigraphie au poignet
La confidentialité visuelle est primordiale pour les personnes âgées. La détection Wi-Fi tranche le débat « caméra contre capteur » — elle est aveugle visuellement.
Les matrices CSI se composent de nombres complexes représentant la propagation du signal. Il est impossible pour un être humain de regarder des paquets CSI et d'« y voir » le visage ou le corps d'une personne. Même interceptées, les données restent des distorsions de signal inintelligibles — pas des images ni des vidéos.
La CSI est une donnée biométrique au sens de l'article 9 du RGPD. Veriprajna garantit la conformité grâce à un strict traitement Edge AI :
« Cela rend la détection Wi-Fi singulièrement adaptée à la surveillance de la salle de bain—la pièce la plus dangereuse de la maison, où les caméras sont strictement interdites. »
IEEE 802.11bf (WLAN Sensing) normalisera l'extraction CSI d'ici 2024/2025, transformant chaque routeur en radar.
Les chipsets Wi-Fi 7 dotés d'un Hexagon NPU permettent l'inférence de deep learning sur l'appareil. Veriprajna convertit les modèles PyTorch en binaires quantifiés pour un traitement en périphérie en temps réel.
BroadStream moteur de télémétrie sans fil conçu spécifiquement pour le déchargement des données de détection. Flux CSI haute fréquence et à faible latence pour l'entraînement/l'inférence IA.
Des microcontrôleurs à bas coût ($5) avec ESP-CSI Toolkit permettent un maillage de détection dense dans les grands établissements. L'ESP32 sert de récepteur dédié alimentant la passerelle centrale.
Fournit l'extraction CSI fondamentale et une API basique de classification des mouvements. Veriprajna s'intègre par-dessus pour une interprétation de qualité médicale.
Technologie Time Reversal Machine pour l'analyse multipath. Les moteurs TruPresence et de détection des chutes fonctionnent entièrement en périphérie — en cohérence avec l'architecture privacy-first.
La « modernisation sans matériel » (Zero-Hardware Retrofit) transforme les réseaux Wi-Fi existants en systèmes de sécurité complets.
Le Wi-Fi moderne utilisant l'OFDM divise les canaux en dizaines de sous-porteuses, chacune capturée comme données complexes d'amplitude et de phase dans la Channel State Information (CSI). Le mouvement humain dans les zones de Fresnel entre l'émetteur et le récepteur provoque des déphasages détectables dans la CSI. Une chute produit une montée Doppler caractéristique à haute énergie suivie d'une cessation brutale, distinguable de la position assise par l'analyse du profil de vitesse. À 5 GHz, pour une longueur d'onde d'environ 6cm, un mouvement de 3cm crée un déphasage complet.
Oui. Un déplacement thoracique de 4-12mm pendant la respiration crée des oscillations rythmées de la phase CSI comparables aux ceintures respiratoires de qualité médicale, avec une erreur inférieure à 3.2 respirations par minute et une corrélation supérieure à 0.92 par rapport aux ceintures de référence. Pour l'analyse du sommeil, le système réalise une actigraphie corps entier en analysant l'intensité et la périodicité des mouvements pour classer l'éveil, le sommeil léger et les phases de sommeil profond/REM, en suivant la latence d'endormissement, l'éveil après endormissement (WASO) et la durée totale.
Un modèle entraîné dans une pièce échoue souvent dans une autre en raison de configurations et de matériaux différents. Les Domain Adversarial Neural Networks (DANN) forcent le réseau à apprendre des caractéristiques invariantes à l'environnement en ajoutant un adversaire qui tente d'identifier quel environnement a produit les données. Si l'adversaire réussit, le réseau principal est pénalisé, ce qui le contraint à apprendre la signature universelle de chute, identique dans un studio ou dans le couloir d'une maison de retraite. Cela permet un entraînement unique et un déploiement partout.
La détection Wi-Fi passive de Veriprajna ne se contente pas d'améliorer les objets connectés — elle élimine fondamentalement la charge de conformité.
Planifiez une consultation pour modéliser le déploiement dans votre établissement, explorer notre architecture Deep AI et comprendre le chemin vers l'intelligence ambiante sans matériel.
Rapport d'ingénierie complet : physique de la CSI, mathématiques des zones de Fresnel, architectures CNN/LSTM/Transformer, adaptation de domaine DANN, conformité RGPD/HIPAA, analyse de l'écosystème matériel, 53 citations académiques.