Il Tuo Router Wi-Fi Può Rilevare una Caduta. Ecco Perché Conta Più di Uno Smartwatch.

Mia madre mi chiama ogni domenica. Qualche mese fa, ha accennato — quasi di sfuggita — che mia nonna aveva smesso di indossare il suo pendente di allarme medico. "La fa sentire vecchia," ha detto mia madre, con quella particolare stanchezza di chi ha avuto questa discussione molte volte.

Mia nonna ha 83 anni. Vive da sola. Il pendente doveva essere la sua rete di sicurezza — premere un pulsante, ricevere aiuto. Ma ora sta in un cassetto, accanto a un cavo di ricarica che non riesce bene a gestire e a una guida rapida che nessuno ha letto. Il dispositivo di emergenza personale più avanzato sul mercato, e di fatto è un fermacarte.

Quella conversazione ha cristallizzato qualcosa attorno a cui giravo da tempo in Veriprajna. Eravamo immersi nella ricerca sulla Channel State Information — il complesso strato di dati nascosto in ogni segnale Wi-Fi — e continuavo a tornare alla stessa domanda scomoda: e se l'intero settore del monitoraggio sanitario indossabile stesse risolvendo il problema sbagliato?

Non un problema di sensori. Non un problema di batteria. Un problema umano.

Il dispositivo che mia nonna ha rifiutato di indossare ha eccellenti algoritmi di rilevamento delle cadute. Ha una batteria da 48 ore. È impermeabile secondo lo standard IP68. E niente di tutto ciò conta, perché richiede che una donna di 83 anni con l'artrite collabori attivamente con un pezzo di tecnologia ogni singolo giorno. La ricerca conferma ciò che mia nonna ha dimostrato con la sua pura testardaggine: circa il 30% degli utenti abbandona i propri dispositivi di monitoraggio della salute entro sei mesi. Tra gli utenti di pendenti di risposta alle emergenze personali, nello specifico, solo il 14% raggiunge una reale aderenza di 24 ore.

Il monitor sanitario più efficace non è quello con i sensori migliori. È quello che non richiede alcuna interazione. E potrebbe già trovarsi nel tuo soggiorno, lampeggiando silenziosamente accanto al modem.

Il Paradosso della Doccia

Ecco una statistica che dovrebbe preoccupare chiunque lavori nella tecnologia sanitaria: il bagno è la stanza più pericolosa della casa per le persone anziane, ed è la stanza in cui i dispositivi indossabili vengono rimossi più spesso.

Ho iniziato a chiamarlo "il Paradosso della Doccia" quando stavamo mappando le modalità di guasto dei sistemi di monitoraggio attivo. Nonostante gli smartwatch moderni abbiano certificazioni di resistenza all'acqua IP67 o IP68, gli anziani li tolgono abitualmente prima di fare il bagno. Una vita intera di esperienze con dispositivi elettronici incapaci di sopravvivere anche a uno spruzzo. La paura di danneggiare qualcosa di costoso. Il fastidio di un cinturino bagnato contro una pelle fragile. Le ragioni sono banali e del tutto razionali.

Quindi l'utente non è monitorato proprio nella finestra temporale in cui una caduta è più probabile. Piastrelle scivolose, bordi duri in porcellana, vapore che riduce la visibilità — e il dispositivo se ne sta sul lavabo, perfettamente carico, perfettamente inutile.

Quando ho presentato questo problema a un investitore agli inizi, ha alzato le spalle e ha detto: "Allora fai un pendente impermeabile che non possano togliersi." Ricordo di essere rimasto seduto in quella riunione a pensare: vuoi ammanettare una persona di 83 anni a un sensore. Non è una soluzione. È una restrizione.

La domanda non è come far indossare i monitor alle persone. È come rendere invisibile il monitoraggio.

E se le tue pareti potessero ascoltare il tuo respiro?

Non con i microfoni. Con le onde radio.

Ogni router Wi-Fi in casa tua trasmette costantemente segnali a radiofrequenza che rimbalzano su pareti, mobili e — soprattutto — persone. Questi segnali trasportano qualcosa chiamato Channel State Information, o CSI. A differenza del rozzo indicatore di potenza del segnale mostrato dal tuo telefono (quelle familiari tacche), il CSI descrive come il segnale wireless si propaga attraverso decine o centinaia di singole sottoportanti di frequenza. Cattura ampiezza e fase per ciascuna di esse. È essenzialmente un'impronta elettromagnetica ad alta risoluzione dell'ambiente fisico.

Quando una persona si muove in quell'ambiente, disturba l'impronta. Attraversa una stanza camminando, e lo spostamento Doppler nel segnale riflesso crea uno schema di velocità distinto. Muovi le braccia mentre cammini, e il CSI cattura la complessa interazione degli arti che si muovono verso e lontano dal ricevitore.

Ma ecco ciò che mi ha davvero sbalordito la prima volta che ho visto i dati: non devi camminare. Devi solo respirare.

A 5 GHz, un segnale Wi-Fi ha una lunghezza d'onda di circa 6 centimetri. La parete toracica umana si sposta approssimativamente da 4 a 12 millimetri durante la normale respirazione. È una piccola frazione della lunghezza d'onda — ma è sufficiente. Mentre il torace si espande e si contrae, sposta il segnale riflesso tra interferenza costruttiva e distruttiva, creando un'oscillazione ritmica nei dati di fase del CSI. Possiamo ricostruire la forma d'onda respiratoria da questa oscillazione con un'accuratezza paragonabile a quella delle fasce respiratorie di livello medicale — le valutazioni sperimentali mostrano errori di stima della frequenza respiratoria inferiori a 3.2 respiri al minuto, e i modelli di deep learning raggiungono coefficienti di correlazione superiori a 0.92 rispetto alle fasce toraciche di riferimento.

Ricordo la notte in cui il nostro team estrasse per la prima volta un segnale respiratorio pulito da un comune router Wi-Fi. Era tardi — ben oltre mezzanotte — e uno dei miei ingegneri era rimasto sdraiato su un divano nel nostro spazio di test per venti minuti mentre calibravamo la pipeline di pre-elaborazione. Quando la forma d'onda è apparsa sullo schermo, fluida e ritmica, seguendo perfettamente la sua respirazione, la stanza è rimasta in silenzio. Poi qualcuno ha detto: "Si è addormentato davvero." E potevamo vederlo. Non con una telecamera. Non con una fascia toracica. Attraverso un muro, tramite onde radio, da un router da $30.

È stato il momento in cui ho capito che non stavamo lavorando a un miglioramento incrementale. Stavamo lavorando a un paradigma completamente diverso.

Perché non si può semplicemente usare GPT per questo?

Mi sento fare questa domanda continuamente. Di solito da persone che negli ultimi due anni hanno visto i grandi modelli linguistici fare cose sempre più impressionanti e hanno ragionevolmente concluso che "IA" significhi "buttarlo dentro un transformer addestrato su testi di internet."

I dati CSI non sono testo. Non sono nemmeno lontanamente simili a testo. Sono continui, a valori complessi, ad alta dimensionalità, e governati dalle equazioni di Maxwell, non dalla grammatica. Un LLM non può "leggere" una forma d'onda a 5 GHz più di quanto possa assaggiare un limone. Le architetture sono fondamentalmente incompatibili.

Ecco perché mi frustro quando vedo aziende pubblicizzare un monitoraggio sanitario "basato sull'IA" che si riduce a un wrapper API attorno a un modello generico. In Veriprajna costruiamo reti neurali profonde su misura, progettate specificamente per l'elaborazione di segnali temporali. La distinzione conta — è la differenza tra un sistema che funziona in una demo e uno che funziona alle 3 del mattino quando la nonna di qualcuno cade in bagno.

La nostra architettura utilizza tre tipi di reti neurali in concerto, ciascuna dedicata a un aspetto diverso del segnale:

Le Reti Neurali Convoluzionali trattano la matrice di dati CSI — sottoportanti rappresentate rispetto al tempo — come una sorta di immagine. La CNN apprende le correlazioni spaziali tra le frequenze, identificando la "forma" spettrale di una caduta rispetto a quella di un ventilatore a soffitto in rotazione. Le reti Long Short-Term Memory aggiungono il contesto temporale. Una caduta non è un singolo istante; è una sequenza — stare in piedi, perdere l'equilibrio, accelerare verso il basso, impatto, immobilità. L'LSTM ricorda ciò che è avvenuto prima, ed è così che distinguiamo qualcuno che cade da qualcuno che si lascia cadere su un divano. E i Dual-Branch Transformer elaborano simultaneamente i dati di ampiezza e di fase attraverso percorsi separati, fondendoli con un meccanismo di attenzione che dà dinamicamente priorità al flusso più informativo in ogni momento. Durante il sonno, il modello si affida ai dati di fase, dove risiede il segnale respiratorio. Durante l'attività, passa all'ampiezza.

Ho scritto dell'architettura tecnica completa — la pipeline di pre-elaborazione, l'approccio di adattamento del dominio, la fisica delle zone di Fresnel — in il nostro documento di ricerca dettagliato. La versione breve: non è un problema che si possa risolvere con un modello pre-addestrato e un hackathon nel weekend. Solo l'elaborazione del segnale richiede lo srotolamento di fase, il filtraggio di Hampel e l'analisi delle componenti principali prima ancora che una rete neurale veda i dati.

Un LLM non può "leggere" una forma d'onda a 5 GHz. La cosa più pericolosa nell'IA sanitaria non sono gli algoritmi scadenti — è il buon marketing su tecnologia superficiale.

Come rileva davvero una caduta il Wi-Fi sensing?

Una caduta ha una firma cinematica sorprendentemente distintiva nel dominio della radiofrequenza. Attività diverse producono schemi Doppler diversi — lo spostamento di frequenza che si verifica quando un segnale rimbalza su un oggetto in movimento.

Camminare genera uno schema complesso e oscillante mentre le braccia e le gambe oscillano verso e lontano dal ricevitore. Sedersi produce una breve velocità discendente controllata. Ma una caduta? Una caduta mostra una sequenza specifica: movimento irregolare (perdita dell'equilibrio), rapida accelerazione verso il pavimento (la gravità che fa il suo lavoro), un brusco picco di energia (impatto), e poi — in modo cruciale — un'immobilità quasi totale.

Quell'immobilità è ciò che conta di più. La chiamiamo "Lunga Giacenza", ed è spesso più pericolosa della caduta stessa. Una persona anziana sdraiata sul pavimento per ore, incapace di rialzarsi, rischia rabdomiolisi, disidratazione, lesioni da pressione. La caduta rompe l'anca; la Lunga Giacenza può uccidere.

Il nostro sistema non si limita a rilevare l'evento della caduta — rileva la caduta con una sensibilità superiore al 97% — ma continua a monitorare anche dopo. Se il CSI mostra un'assenza di movimento motorio grossolano ma la presenza continua di micro-movimento (respirazione) a livello del pavimento, il sistema conferma una "caduta con incapacità di recupero" ed effettua l'escalation. Questo contesto post-caduta è qualcosa che gli accelerometri indossabili non possono fondamentalmente fornire. Un dispositivo indossabile può dirti che ha rilevato una decelerazione improvvisa. Non può dirti che la persona è ora sdraiata sul pavimento del bagno, respira ma non si muove, da quaranta minuti.

C'è un altro livello che mi entusiasma ancora di più: il rilevamento pre-caduta. Monitorando continuamente l'andatura — velocità di deambulazione, regolarità del passo — nell'arco di settimane, il sistema può identificare il sottile deterioramento della mobilità che tipicamente precede una caduta. Un progressivo rallentamento della velocità di deambulazione è un predittore clinicamente validato del rischio di caduta. Questo significa che possiamo segnalare qualcuno per la fisioterapia preventiva prima dell'incidente, e non limitarci a rispondere dopo.

La stanza che vede senza occhi

Ho avuto una discussione con un collega sulla privacy che è durata, a intermittenza, per circa tre settimane.

La sua posizione: qualsiasi sistema che monitora le persone nelle loro case è sorveglianza, punto e basta. La mia posizione: dipende interamente da cosa il sistema può vedere.

Una telecamera in una camera da letto registra il corpo di una persona, il suo volto, i suoi momenti intimi. Se il flusso viene violato, il danno è catastrofico e irreversibile. I dati CSI — la materia prima del Wi-Fi sensing — consistono in numeri complessi che rappresentano le caratteristiche di propagazione del segnale. Se intercettassi il flusso di dati, vedresti matrici di valori di ampiezza e fase. Non vedresti un volto. Non vedresti un corpo. Non potresti ricostruire un'immagine nemmeno provandoci. Il sistema è visivamente cieco per progettazione.

Il Wi-Fi sensing non osserva le persone. Percepisce la perturbazione che esse creano nel campo elettromagnetico. La distinzione non è semantica — è la differenza tra sorveglianza e consapevolezza.

Questo conta enormemente per il problema del bagno. Le telecamere sono — giustamente — vietate nei bagni e nelle camere da letto nella maggior parte delle strutture di assistenza. Ma i segnali Wi-Fi penetrano pareti, porte e tende della doccia. Funzionano attraverso il vapore. Funzionano al buio totale. La stanza più pericolosa della casa diventa monitorabile senza che una sola lente sia puntata su nessuno.

Per i clienti enterprise — case di riposo, strutture per l'assistenza agli anziani, programmi di ospedalizzazione domiciliare — le implicazioni normative sono significative. Secondo il GDPR, il CSI è classificato come dato biometrico perché può teoricamente identificare gli individui tramite lo schema dell'andatura. Secondo l'HIPAA, i dati sanitari derivati dal monitoraggio sono Protected Health Information. Gestiamo questo aspetto tramite una rigorosa elaborazione edge: i dati CSI grezzi vengono elaborati localmente sul router o sul gateway, il segnale biometrico ad alta larghezza di banda non lascia mai il dispositivo, e solo eventi astratti vengono trasmessi al cloud. Un pacchetto JSON che riporta {"event": "Fall", "location": "Bathroom", "confidence": 0.98} non contiene alcun dato biometrico e non può essere sottoposto a reverse engineering per identificare la fisiologia di nessuno.

Approfondisco l'intera architettura della privacy e il quadro di conformità in la versione interattiva del nostro whitepaper.

E le stanze diverse e le case diverse?

Questa è l'obiezione che prendo più sul serio, perché per anni è stata un legittimo killer della ricerca sul Wi-Fi sensing.

Un modello addestrato su dati CSI raccolti nel Laboratorio A avrebbe fallito clamorosamente se distribuito nell'Appartamento B. Dimensioni della stanza diverse, mobili diversi, materiali delle pareti diversi — l'ambiente multipath cambia tutto. Il modello non stava imparando "che aspetto ha una caduta." Stava imparando "che aspetto ha una caduta in questa specifica stanza, con questo specifico divano, in questo specifico angolo." Overfit ai riflessi di un unico spazio.

Il mio team ha attraversato un periodo davvero doloroso scoprendolo sulla propria pelle. Avevamo numeri di accuratezza splendidi dal nostro ambiente di test — oltre il 98% nel rilevamento delle cadute — e poi abbiamo spostato l'installazione a un piano diverso dello stesso edificio e abbiamo visto i numeri crollare. Ricordo di aver fissato la matrice di confusione, pensando di aver collegato qualcosa in modo sbagliato. Non era così. Il modello aveva semplicemente memorizzato la stanza.

La soluzione è arrivata da un approccio di addestramento avversariale chiamato Domain Adversarial Neural Networks. L'idea è elegante in linea di principio e estenuante da implementare: addestri la rete con due obiettivi in competizione simultaneamente. Una testa cerca di classificare correttamente l'attività — caduta contro camminata contro il sedersi. L'altra testa cerca di identificare da quale ambiente provengano i dati. Poi costringi l'estrattore di caratteristiche a confondere il classificatore d'ambiente. La rete è costretta ad apprendere caratteristiche invarianti rispetto alla stanza — l'"ideale platonico" di una firma di caduta che appare identica sia che avvenga in un monolocale sia in un corridoio di una casa di riposo.

Quando finalmente lo abbiamo fatto funzionare — dopo settimane di ottimizzazione degli iperparametri e più di un dibattito notturno sui gradient reversal layer — l'accuratezza tra ambienti diversi si è stabilizzata. Non perfetta. Ma distribuibile. "Addestra una volta, distribuisci ovunque" è passato da aspirazione a realtà ingegneristica.

Il retrofit a zero hardware

Per gli operatori con cui parlo — le persone che gestiscono strutture per l'assistenza agli anziani, gli attuari assicurativi che modellano il rischio di caduta, i direttori dei programmi di ospedalizzazione domiciliare — il punto non è davvero l'IA. È l'economia.

Queste strutture hanno già reti Wi-Fi aziendali. Hanno già router nei corridoi e access point nelle aree comuni. La capacità di rilevamento risiede nei segnali che questi dispositivi già trasmettono. Con il chipset giusto — la serie Networking Pro di Qualcomm con il suo NPU Hexagon integrato, le piattaforme Wi-Fi 7 e Wi-Fi 8 di Broadcom con il motore di telemetria BroadStream, o persino microcontrollori ESP32 da $5 distribuiti come nodi di rilevamento dedicati — l'aggiornamento è principalmente software.

Nessun dispositivo indossabile da acquistare, perdere, ricaricare o sostituire. Nessuna telecamera da installare, mantenere o difendere in una causa legale sulla privacy. Un aggiornamento del firmware abilita il rilevamento delle cadute in 100 stanze contemporaneamente.

L'IEEE sta formalizzando questo con 802.11bf, lo standard WLAN Sensing la cui ratifica è prevista per la fine del 2024/2025. Quando arriverà, ogni nuovo router Wi-Fi supporterà nativamente l'estrazione del CSI e le richieste di rilevamento. Il router diventa un radar standardizzato. L'infrastruttura è già lì. Semplicemente non l'abbiamo ancora utilizzata.

A volte le persone mi chiedono se il Wi-Fi sensing passivo sostituirà completamente i dispositivi indossabili. Non credo — non per le popolazioni attive e mobili che beneficiano del monitoraggio della frequenza cardiaca durante l'esercizio fisico o del tracciamento GPS durante le attività all'aperto. I dispositivi indossabili svolgono una funzione reale per i "giovani anziani", la fascia demografica dai 65 ai 75 anni, con competenze digitali e fisicamente attiva. Ma per la persona di 85 anni con demenza che non riesce a ricordarsi di ricaricare un pendente? Per il paziente post-chirurgico che si sta riprendendo a casa e ha bisogno di un monitoraggio respiratorio continuo? Per l'operatore della struttura che cerca di fornire una copertura di sicurezza 24 ore su 24, 7 giorni su 7, senza una telecamera in ogni stanza? La risposta non è un dispositivo indossabile migliore. È nessun dispositivo indossabile.

Altri chiedono degli animali domestici — un cane attiverà falsi allarmi? La firma Doppler di un terrier di circa 7 kg e quella di una persona di 80 anni sono drasticamente diverse sia nel profilo di velocità sia nella sezione trasversale del corpo. La rete neurale apprende rapidamente questa distinzione. I gatti sono più insidiosi, ma il contesto temporale fornito dall'LSTM — la sequenza del movimento, non solo un singolo fotogramma — gestisce la maggior parte dei casi limite.

L'aria è già piena di informazioni

Penso spesso a mia nonna mentre lavoro su questa tecnologia. Non è un caso d'uso o una persona di un pitch deck. È una persona che vuole vivere nella propria casa, con le proprie abitudini, senza un medaglione di plastica al collo che trasmette la sua fragilità a ogni visitatore.

L'aria nel suo appartamento è già satura di segnali Wi-Fi. Attraversano le sue pareti, si riflettono sui suoi mobili, ondeggiano a ogni respiro che fa. In questo momento, tutta quell'informazione si disperde inutilizzata — rumore elettromagnetico, invisibile e ignorato.

Abbiamo la fisica per leggerlo. Abbiamo l'IA per interpretarlo. Abbiamo l'hardware già installato in milioni di case. L'unica cosa che si frappone tra dove siamo e dove dobbiamo essere è la volontà di smettere di pensare al monitoraggio sanitario come qualcosa da legare addosso a una persona e iniziare a pensarlo come qualcosa da intessere nello spazio che la circonda.

Il futuro del monitoraggio sanitario non riguarda gadget migliori. Riguarda il rendere consapevole l'edificio stesso — e il rendere invisibile quella consapevolezza.

L'era in cui si chiede a persone vulnerabili di gestire la propria tecnologia di sorveglianza sta finendo. Non perché la tecnologia abbia fallito, ma perché il presupposto alla sua base — che la conformità sia un problema dell'utente e non un difetto di progettazione — è sempre stato sbagliato. La risposta non è mai stata un pulsante migliore da premere. Era eliminare la necessità di premere qualsiasi cosa.