Il Guardiano invisibile: trascendere i wearable con il sensing Wi-Fi passivo e il Deep AI

Sintesi esecutiva

Il panorama sanitario globale sta attraversando un profondo mutamento demografico, caratterizzato da una popolazione in rapido invecchiamento e da una simultanea contrazione della forza lavoro di caregiver. Questa divergenza ha catalizzato una ricerca disperata di moltiplicatori di forza tecnologici—soluzioni che possano estendere la portata di clinici e tutori fino al domicilio. Per l'ultimo decennio, la risposta primaria del settore è stata il "Monitoraggio attivo": l'impiego di dispositivi wearable, pulsanti di allarme e smartwatch progettati per tracciare i segni vitali e rilevare le emergenze. Tuttavia, un'analisi rigorosa dei dati longitudinali rivela un difetto critico in questo approccio: si affida alla compliance della stessa popolazione meno in grado di fornirla. Il monitor sanitario più efficace non è quello con i sensori più avanzati o la più lunga autonomia della batteria; è quello che non richiede alcuna interazione.

Questo whitepaper, redatto dalla società di consulenza AI specializzata Veriprajna, funge da definitivo blueprint architetturale per la prossima generazione di Ambient Assisted Living (AAL). Sosteniamo che il settore debba ruotare dal monitoraggio attivo centrato sul dispositivo al sensing Wi-Fi passivo, un paradigma che ripropone i segnali a radiofrequenza (RF) onnipresenti nei nostri ambienti in un tessuto di sensing sofisticato e invisibile. Analizzando le Channel State Information (CSI)—i dati complessi del physical layer inerenti al Wi-Fi moderno—possiamo rilevare cadute, monitorare la respirazione e analizzare i pattern del sonno con accuratezza di grado clinico, il tutto senza un singolo dispositivo wearable.

Tuttavia, la transizione al sensing Wi-Fi non è un mero upgrade hardware; è una sfida di elaborazione del segnale del massimo ordine. Richiede di andare oltre i metodi statistici semplicistici e di abbracciare il Deep AI . Questo rapporto spiega perché i wrapper generici di Large Language Model (LLM) sono insufficienti per questo compito e perché Veriprajna sostiene architetture di deep learning su misura—in particolare Convolutional Neural Networks (CNN), reti Long Short-Term Memory (LSTM) e Transformer—per decodificare il linguaggio sottile delle onde radio. Presentiamo un'analisi completa della fisica delle CSI, delle modalità di fallimento dei wearable attivi, delle architetture di reti neurali profonde richieste per l'interpretazione del segnale e dei percorsi regolatori per il dispiegamento di biometrie invisibili in un contesto enterprise.

Parte I: la crisi di compliance nella salute

wearable

1.1 La fallacia della cooperazione attiva

Il modello prevalente di Remote Patient Monitoring (RPM) e della tecnologia "Aging in Place" è fondamentalmente predicato sul concetto di cooperazione attiva. Questo modello assume che l' utente—spesso un anziano potenzialmente affetto da declino cognitivo, artrite o deficit sensoriale—agirà da amministratore di sistema responsabile della propria tecnologia sanitaria. Ci si aspetta che ricordi di indossare un dispositivo ogni mattina, si assicuri che sia caricato quotidianamente e interagisca con la sua interfaccia durante le emergenze. Se questo modello funziona ragionevolmente bene per i "young-old" (età 65-75) digitalmente alfabetizzati e attivi, fallisce in modo catastrofico per la popolazione "old-old" (85+) dove i rischi di cadute ed emergenze mediche sono più alti.

La ricerca sui cicli di adozione dei monitor sanitari wearable rivela una realtà netta e preoccupante: i dispositivi vengono frequentemente abbandonati da chi ne ha più bisogno. Studi che analizzano il comportamento degli utenti indicano che circa il 30% degli utenti interrompe l'uso dei propri tracker entro sei mesi dall'acquisizione. ¹ Questo tasso di attrito non è un mero riflesso dell'insoddisfazione del consumatore; rappresenta un buco squarciato nella rete di sicurezza. Quando un dispositivo resta in un cassetto, il sistema di monitoraggio non è solo degradato—è inesistente. L'affidamento all' utente come partecipante attivo della propria sorveglianza crea un "compliance gap", un baratro pericoloso tra la sicurezza teorica offerta dalla tecnologia e la realtà pratica del suo non-uso nella vita quotidiana.

1.1.1 Il "Paradosso della doccia" e la vulnerabilità dell'igiene

I limiti funzionali dei wearable si avvertono in modo più acuto durante le Attività della vita quotidiana (ADL) che coinvolgono acqua o svestizione. Il bagno è statisticamente la stanza più pericolosa della casa per gli anziani, con superfici scivolose e infissi rigidi che creano un'alta probabilità di cadute lesive. Eppure è proprio l'ambiente in cui i wearable sono più spesso assenti. Chiamiamo questo il "Paradosso della doccia."

Nonostante le certificazioni di resistenza all'acqua IP67 o IP68 dei dispositivi moderni, molti adulti anziani tolgono abitualmente orologi o pendenti prima di fare il bagno. Questo comportamento nasce da una vita di esperienza con elettronica non impermeabile, dalla paura di danneggiare un dispositivo costoso, o dal semplice disagio fisico causato da cinghie bagnate sulla pelle fragile. ² Di conseguenza, l'utente è non monitorato nella finestra temporale esatta in cui una caduta è più probabile. Se una caduta avviene sotto la doccia mentre il dispositivo è sul mobiletto del bagno, il sistema è fallito del tutto. La natura "attiva" del dispositivo—che richiede all'utente di decidere di tenerlo indosso—diventa il singolo punto di fallimento.

1.1.2 Fatica da ricarica e attrito cognitivo

Oltre al bagno, il requisito di una ricarica regolare costituisce una barriera significativa alla protezione continua. Per un ottantenne, le abilità motorie fini richieste per collegare un caricatore magnetico proprietario o inserire un cavo micro-USB possono essere impegnative. Questa "fatica da ricarica" porta a periodi in cui il dispositivo è lasciato sul comodino a caricare e viene poi dimenticato al mattino.

I dati degli utenti di Personal Emergency Response Systems (PERS) dipingono un quadro preoccupante di aderenza. Uno studio ha rilevato che il 24% degli utenti non ha mai indossato il pendente, e solo il 14% ha raggiunto una vera aderenza 24 ore su 24. ³ Il carico cognitivo di gestire l'autonomia della batteria del dispositivo compete con altri stressor quotidiani, e nelle popolazioni con Mild Cognitive Impairment (MCI) o demenza in stadio iniziale, il dispositivo viene semplicemente dimenticato. Il risultato è un paziente "monitorato" che è, in realtà, completamente non protetto per ampi tratti della giornata.

1.2 Barriere psicologiche: lo stigma della fragilità

L'adozione tecnologica non è un mero calcolo funzionale; è profondamente emotiva. Molti dispositivi wearable, in particolare i pendenti "SOS" onnipresenti, sono progettati con una distintamente medica estetica. Segnalano al mondo—e all'utente stesso—che sono fragili, vulnerabili e bisognosi di aiuto. Questa stigmatizzazione è un potente motore di rifiuto.

Le meta-sintesi qualitative delle esperienze utente rivelano che gli anziani spesso vedono questi dispositivi come un "marchio" che li identifica come vecchi. ⁴ Il desiderio di mantenere una facciata di indipendenza e vitalità porta molti anziani a nascondere i dispositivi sotto i vestiti (riducendone l'efficacia) o a rifiutare di indossarli in pubblico o in contesti sociali. Il dispositivo diventa un simbolo di autonomia perduta piuttosto che uno strumento per preservarla.

Inoltre, la "paura dei falsi allarmi" crea una struttura di incentivi perversa. Gli utenti sono spesso terrorizzati di innescare accidentalmente una sirena o di chiamare i servizi di emergenza per un non-evento, il che può essere imbarazzante e costoso. Questa ansia porta alcuni utenti a lasciare il dispositivo indietro per evitare il rischio di un falso positivo, o peggio, a esitare nel premere il pulsante durante un' emergenza genuina, chiedendosi se la loro situazione sia "abbastanza grave" da giustificare il disturbo. Questo attrito psicologico rende inaffidabile il meccanismo di trigger attivo.

1.3 Le implicazioni economiche della gestione dei dispositivi

Per gli stakeholder enterprise—fornitori assicurativi, Accountable Care Organizations (ACO) e operatori di strutture di assisted living—l'affidamento ai wearable rappresenta una significativa inefficienza economica. Il dispiegamento di una flotta di wearable comporta un sostanziale Capital Expenditure (CapEx) in hardware soggetto a smarrimento, rottura e obsolescenza.

L'Operational Expenditure (OpEx) è altrettanto punitivo. Gestire una flotta di migliaia di dispositivi comporta sfide logistiche: sostituire le batterie, gestire i resi di unità rotte e fornire supporto tecnico a utenti non tecnici che possono faticare ad abbinare il dispositivo a uno smartphone o a una rete Wi-Fi. Il "churn" dei dispositivi smarriti erode il Return on Investment (ROI) del programma di monitoraggio. Ancora più critico, la "falsa sicurezza" offerta da un wearable che non viene indossato crea una responsabilità enorme. Se una struttura afferma di fornire monitoraggio 24/7 ma un ospite cade mentre il dispositivo è in carica, la struttura può affrontare ripercussioni legali e reputazionali per il fallimento della rete di sicurezza. Il settore richiede uno slittamento strutturale dal monitoraggio "device-centric" al monitoraggio "space-centric"—una soluzione che è incorporata nell'infrastruttura dell'edificio stesso, non richiede alcuno sforzo all'ospite ed è impossibile da smarrire o dimenticare.

Parte II: la fisica del sensing invisibile

2.1 Dalla RSSI alle Channel State Information (CSI)

Per apprezzare l'approccio Veriprajna, è essenziale distinguere tra le forme primitive di sensing Wi-Fi esistite per anni e l'analisi profonda del segnale che sosteniamo. I primi tentativi di sfruttare il Wi-Fi per il rilevamento di presenza si basavano sulla Received Signal Strength Indication (RSSI). La RSSI è una metrica grezza disponibile in quasi tutti gli stack wireless; rappresenta la potenza totale del segnale ricevuto, tipicamente mediata sull'intero pacchetto e sulla banda di frequenza.

Sebbene la RSSI diminuisca quando un oggetto blocca il percorso tra trasmettitore e ricevitore (shadowing), è una metrica fondamentalmente instabile e a bassa risoluzione. È altamente suscettibile al fading da multipath—dove i segnali rimbalzano sulle pareti e interferiscono in modo costruttivo o distruttivo—e al rumore ambientale. Un cambiamento di umidità, il movimento di un animale o persino il funzionamento di un forno a microonde può causare fluttuazioni RSSI che imitano la presenza umana. In modo cruciale, la RSSI manca della sensibilità per rilevare movimenti a grana fine; può dirti se una persona è nella stanza, ma non può dirti se sta respirando. ⁵

La vera Ambient Intelligence richiede l'accesso al physical layer (PHY) della trasmissione wireless, in particolare le Channel State Information (CSI) . Gli standard Wi-Fi moderni (802.11n, 802.11ac, 802.11ax e il prossimo 802.11be) utilizzano Orthogonal Frequency-Division Multiplexing (OFDM). In OFDM, il canale wireless (es. un canale da 20 MHz o 40 MHz) è suddiviso in decine o centinaia di sottoportanti. Le CSI descrivono la propagazione del segnale dal trasmettitore al ricevitore per ciascuna singola sottoportante .

Matematicamente, se $X$ è il vettore del segnale trasmesso e $Y$ è il vettore del segnale ricevuto, la relazione è modellata come:

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

Dove $N$ è il vettore di rumore e $H$ è la matrice di Channel State Information. A differenza della RSSI, che è un valore scalare, $H$ è una matrice complessa contenente due componenti distinte per ogni sottoportante:

1.​ Ampiezza ($|H|$): L'attenuazione della potenza del segnale a quella specifica frequenza.

2.​ Fase ($\angle H$): Il ritardo o lo sfasamento del segnale a quella specifica frequenza.

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

Questa matrice fornisce un'"immagine" ad alta risoluzione dell'ambiente wireless. Poiché diverse sottoportanti hanno lunghezze d'onda diverse, interagiscono con gli oggetti nella stanza in modo diverso. Le CSI catturano lo scattering, la riflessione e la diffrazione causati dal corpo umano con dettaglio granulare che la RSSI semplicemente non può vedere. ⁶

2.2 Il modello delle zone di Fresnel e il rilevamento dei micro-moti

Il quadro teorico che ci consente di estrarre il moto umano da questi dati elettromagnetici è il modello delle zone di Fresnel . Le zone di Fresnel sono una serie di ellissoidi prolati concentrici con il trasmettitore (Tx) e il ricevitore (Rx) che agiscono come fuochi.

Quando un'onda radio viaggia da Tx a Rx, non segue una singola linea retta. Si propaga attraverso il volume di spazio definito da queste zone di Fresnel. Se un oggetto dinamico (un essere umano) esiste all'interno di queste zone, riflette una porzione del segnale. Il segnale ricevuto all'Rx è una sovrapposizione del percorso diretto Line-of-Sight (LoS) e del percorso dinamico riflesso dal corpo umano.

La lunghezza del percorso del segnale riflesso cambia mentre la persona si muove. Questo cambiamento di lunghezza, $d(t)$, introduce uno sfasamento nella componente dinamica delle CSI. La relazione è governata dalla lunghezza d'onda ($\lambda$) del segnale:

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

Per un segnale Wi-Fi standard a 5 GHz, la lunghezza d'onda $\lambda$ è di circa 6 centimetri. Ciò significa che un movimento di soli 3 centimetri (mezza lunghezza d'onda) è sufficiente a spostare il segnale dall'interferenza costruttiva (picco) all'interferenza distruttiva (nullo). Questa sensibilità estrema è la chiave del rilevamento del respiro . Durante la respirazione, la parete toracica umana si sposta di circa 4-12 millimetri. Sebbene questo movimento sia invisibile a occhio nudo da lontano, nel regno del Wi-Fi a 5 GHz o 6 GHz rappresenta una frazione significativa di una lunghezza d'onda. Mentre il torace si espande e si contrae, attraversa le zone di Fresnel, causando un'oscillazione ritmica e periodica nella fase e nell'ampiezza dei dati CSI. Analizzando queste ondine sottili nel flusso CSI, gli algoritmi di Veriprajna possono ricostruire la forma d'onda respiratoria con accuratezza comparabile alle cinture respiratorie di grado medico. ⁸

2.3 Firme Doppler e analisi cinematica

Per i macro-movimenti come camminare o cadere, guardiamo oltre i semplici sfasamenti agli sfasamenti di frequenza Doppler. L'effetto Doppler afferma che un'onda riflessa da un oggetto in movimento subirà un cambiamento di frequenza proporzionale alla velocità dell'oggetto.

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

Dove $v$ è la velocità della parte del corpo e $\theta$ è l'angolo di movimento rispetto alla direzione di propagazione dell'onda. Diverse attività umane generano "firme Doppler" uniche.

●​ Camminata: Il dondolio di braccia e gambe crea un pattern complesso di sfasamenti Doppler positivi e negativi, mentre gli arti si muovono verso e lontano dal ricevitore.

●​ Caduta: Una caduta è caratterizzata da una sequenza cinematica specifica: una perdita di equilibrio (pre-caduta), una discesa rapida e accelerata dovuta alla gravità (la caduta) e un impatto improvviso seguito da immobilità.

Applicando Short-Time Fourier Transforms (STFT) o Discrete Wavelet Transforms (DWT) ai dati time-series CSI, possiamo generare uno spettrogramma—una rappresentazione visiva della velocità nel tempo. Una caduta appare come un'impennata distinta di alta energia nello spettrogramma, che accelera verso il basso, seguita da una cessazione brusca dell'energia (il "Long Lie"). Questo consente al sistema di distinguere una caduta pericolosa da un'azione controllata come sedersi o sdraiarsi su un letto. ¹⁰

2.4 Sensing attraverso i muri e capacità NLOS

Uno dei vantaggi più profondi del sensing Wi-Fi rispetto ai sistemi ottici (basati su telecamera) o infrarossi (LIDAR) è la capacità di operare in condizioni Non-Line-of-Sight (NLOS) . I segnali Wi-Fi a 2.4 GHz e 5 GHz hanno eccellenti proprietà di penetrazione per i materiali da costruzione standard come cartongesso, legno e vetro.

In un ambiente domestico tipico, il segnale Wi-Fi rimbalza su pareti, pavimenti, soffitti e mobili, creando un ambiente "multipath". Anche se l'Access Point è nel corridoio e l' utente è in camera da letto dietro una porta chiusa, il segnale penetra nella stanza, si riflette sull' utente e penetra di nuovo fino al ricevitore. L'utente non deve essere "visto" dal router in senso visivo. La distorsione che creano nel campo elettromagnetico si propaga attraverso gli ostacoli. Questa ubiquità basata sulla fisica assicura che i "punti ciechi"—che affliggono i sistemi a telecamera (es. dietro una tenda da doccia o un tramezzo)—siano virtualmente eliminati. Un singolo link di sensing Wi-Fi può monitorare efficacemente un'intera stanza o persino stanze adiacenti, fornendo un livello di copertura che richiederebbe una costellazione di telecamere per essere replicato. ¹²

Parte III: dal segnale all'insight – l'architettura Deep AI

3.1 Oltre i "wrapper LLM": la necessità di un'AI di signal processing

Nel mercato tecnologico contemporaneo, il termine "AI" è diventato quasi sinonimo di Large Language Model (LLM) come GPT. Se gli LLM sono trasformativi per testo e codice, sono fondamentalmente inadatti al compito di interpretare dati grezzi a radiofrequenza. I dati CSI sono continui, a valori complessi, ad alta dimensionalità e governati dalle leggi della fisica, non dalle regole della grammatica.

Veriprajna si distingue come fornitore di soluzioni Deep AI . Non avvolgiamo semplicemente un'API intorno a un modello di testo pre-addestrato. Progettiamo reti neurali profonde su misura concepite specificamente per l'elaborazione temporale del segnale. Un LLM non può "leggere" una forma d'onda a 5 GHz; richiede architetture che comprendano tempo, frequenza e correlazione spaziale. Il nostro approccio utilizza uno stack sofisticato di Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) e Transformer per estrarre insight clinici dal rumore RF.

3.2 La pipeline di preprocessing: pulire l'etere

I dati CSI grezzi estratti da chipset Wi-Fi commodity sono intrinsecamente rumorosi. Sono corrotti da imperfezioni hardware come Carrier Frequency Offset (CFO), Sampling Frequency Offset (SFO) e perdita casuale di pacchetti. Alimentare questi dati grezzi direttamente in una rete neurale porterebbe a prestazioni scarse. Pertanto Veriprajna impiega una pipeline di preprocessing rigorosa e informata dalla fisica:

1.​ Sanitizzazione della fase: I dati di fase grezzi da un chip Wi-Fi sono "wrapped" nell'intervallo di $[-\pi, \pi]$. Impieghiamo algoritmi di trasformazione lineare per "unwrappare" la fase, ricostruendo il cambiamento di fase continuo causato dal moto. Inoltre, applichiamo un fitting lineare per rimuovere la pendenza di fase introdotta da orologi non sincronizzati tra il trasmettitore e il ricevitore. ¹¹

2.​ Rimozione degli outlier: Utilizziamo filtri di Hampel e filtraggio mediano per rimuovere il rumore impulsivo causato da interferenze elettriche improvvise o glitch hardware.

3.​ Riduzione della dimensionalità: Un flusso CSI tipico può contenere dati da 3 antenne $\times$ 56 sottoportanti = 168 flussi di dati. Non tutti trasportano informazioni utili; alcuni possono essere in un "deep fade" (interferenza distruttiva) e contenere per lo più rumore. Impieghiamo la Principal Component Analysis (PCA) per estrarre le componenti principali che spiegano la massima varianza nel segnale. La prima componente principale corrisponde tipicamente al moto dominante nella stanza (es. la respirazione), mentre le successive componenti catturano il rumore. ⁵

3.3 Modelli di deep learning per l'analisi CSI

Una volta sanitizzati, i dati sono alimentati nei modelli di deep learning proprietari di Veriprajna. Sosteniamo un'architettura ibrida che sfrutta i punti di forza di diversi tipi di rete neurale.

3.3.1 Convolutional Neural Networks (CNN) per le feature spaziali

Trattiamo la matrice di dati CSI (Sottoportanti $\times$ Tempo) come una pseudo-immagine. Proprio come una CNN può identificare i bordi di un gatto in una fotografia, può identificare i "bordi" di un evento di moto nello spettro RF. Una 2D-CNN o 1D-CNN fa scorrere un kernel lungo la dimensione delle sottoportanti. Questo consente al modello di apprendere correlazioni spaziali—ad esempio, rendendosi conto che un evento di caduta causa un calo simultaneo di ampiezza su un cluster specifico di sottoportanti. Questa estrazione di feature spaziali è cruciale per distinguere il moto umano dal rumore di fondo come un ventilatore in rotazione, che ha una firma spettrale diversa. ¹⁵

3.3.2 Long Short-Term Memory (LSTM) per il contesto temporale

Le attività umane sono intrinsecamente sequenze temporali. Una "caduta" non è un singolo istante; è una sequenza di eventi: in piedi $\rightarrow$ perdita di equilibrio $\rightarrow$ discesa $\rightarrow$ impatto $\rightarrow$ giacere immobili. Una CNN da sola potrebbe classificare il frame di "impatto" come una caduta, ma potrebbe anche classificare un salto sul letto come una caduta.

Per risolverlo, alimentiamo l'output della CNN in una Long Short-Term Memory (LSTM) rete. LSTM è un tipo di Recurrent Neural Network (RNN) progettata per ricordare dipendenze a lungo termine. Mantiene una "cella di memoria" che porta il contesto dai time step precedenti. Questo consente al modello di comprendere la sequenza : "L'utente stava camminando (velocità X), poi ha accelerato verso il basso (velocità Y) e ora è stazionario (velocità 0) sul pavimento." Questo contesto temporale è ciò che consente al sistema di differenziare una caduta da un'azione controllata come sedersi. ¹⁵

3.3.3 Transformer a doppio ramo e meccanismi di attenzione

La frontiera della nostra ricerca risiede nelle architetture Transformer . A differenza delle RNN che elaborano i dati in sequenza, i Transformer elaborano l'intera sequenza in una volta usando meccanismi di "Self-Attention". Questo consente al modello di pesare l'importanza di diverse parti del segnale.

Veriprajna propone un'architettura a doppio ramo :

●​ Ramo A (Ampiezza): Elabora i cambiamenti di magnitudine per rilevare i movimenti motori grossolani (camminare, cadere).

●​ Ramo B (Fase): Elabora gli sfasamenti per rilevare i micro-movimenti (respirazione, variabilità della frequenza cardiaca).

Questi due rami sono fusi tramite un layer di attenzione . Il meccanismo di attenzione prioritizza dinamicamente il flusso più rilevante in base al contesto. Ad esempio, se l'utente sta dormendo, il modello impara a prestare più attenzione al ramo Fase (dove il segnale respiratorio è più forte) e a ignorare il ramo Ampiezza. Viceversa, se l'utente sta camminando, al ramo Ampiezza viene dato un peso maggiore. Questa fusione multimodale rafforza in modo significativo la robustezza del sistema. ¹⁷

3.4 Risolvere la dipendenza dall'ambiente: Domain Adaptation

Una critica storica della ricerca sul sensing Wi-Fi è stata la mancanza di generalizzabilità. Un modello addestrato su dati raccolti nel "Lab A" spesso fallisce quando è dispiegato nell'"Appartamento B" perché l' ambiente multipath (dimensione della stanza, disposizione dei mobili) è diverso. Il modello sovradatta alle riflessioni specifiche della stanza di training.

Veriprajna affronta questo con le Domain Adversarial Neural Networks (DANN) . Questa tecnica implica l'addestramento della rete con due obiettivi in competizione:

1.​ Classificatore di attività: Minimizzare l'errore nel predire l'attività (es. "Caduta" vs. "Camminata").

2.​ Discriminatore di dominio: Massimizzare l'errore nel predire l'ambiente (es. "Lab" vs. "Casa").

Forzando il Feature Extractor a confondere il Domain Discriminator, la rete è costretta ad apprendere feature invarianti rispetto all'ambiente—l'"ideale platonico" di una firma di caduta che appare uguale indipendentemente dal fatto che accada in un monolocale o in un corridoio di una casa di cura. Questo abilita un modello "train once, deploy everywhere" essenziale per la scalabilità enterprise. ¹⁹

Parte IV: applicazioni cliniche e casi d'uso

4.1 Monitoraggio respiratorio: il segno vitale del futuro

La frequenza respiratoria (RR) è spesso chiamata il "segno vitale dimenticato", eppure è un indicatore primario di deterioramento clinico in condizioni come la Chronic Obstructive Pulmonary Disease (COPD), il Congestive Heart Failure (CHF) e la polmonite. Il monitoraggio tradizionale richiede di indossare una cintura toracica o una cannula, scomode per l'uso a lungo termine.

Usando l'analisi della differenza di fase descritta nella Sezione 2.2, il sensing Wi-Fi fornisce un monitoraggio respiratorio continuo e senza contatto.

●​ Accuratezza: Valutazioni sperimentali che usano Beamforming Feedback Matrices (BFM) hanno dimostrato errori di stima della frequenza respiratoria inferiori a 3.2 respiri/minuto. ⁵ Ulteriori modelli di deep learning avanzati raggiungono coefficienti di correlazione superiori a 0.92 con cinture respiratorie di riferimento. ²¹

●​ Rilevamento dell'apnea del sonno: Il sistema è particolarmente rivoluzionario per rilevare l' Obstructive Sleep Apnea (OSA). Monitorando la cessazione del moto respiratorio durante il sonno, il sistema può segnalare potenziali eventi di apnea (indice AHI) senza bisogno di uno studio di Polisonnografia (PSG) scomodo in un laboratorio del sonno. Questo consente uno screening longitudinale della popolazione anziana, identificando disturbi del sonno non diagnosticati che contribuiscono al rischio cardiovascolare. ²²

4.2 Rilevamento delle cadute: il "Long Lie" e la consapevolezza di contesto

Le cadute sono la causa principale di lesioni fatali tra gli anziani. Tuttavia, l'impatto immediato è spesso meno pericoloso del "Long Lie"—restare sul pavimento per ore incapaci di rialzarsi, il che porta a rabdomiolisi, disidratazione e ulcere da pressione.

La soluzione di sensing Wi-Fi di Veriprajna offre un sistema completo di gestione delle cadute:

1.​ Analisi del gait pre-caduta: Monitorando in continuo velocità del cammino e consistenza del passo (gait velocity) per settimane, il sistema può rilevare il deterioramento sottile della mobilità che spesso precede una caduta. Un rallentamento graduale della velocità del cammino è un predittore clinicamente validato del rischio di caduta, che consente un intervento preventivo (es. fisioterapia) prima che accada un incidente. ²

2.​ Rilevamento in tempo reale: Usando le firme Doppler descritte in precedenza, il sistema rileva l'evento di caduta con alta sensibilità (>97%). ²³

3.​ Contesto post-caduta: In modo cruciale, il sistema continua a monitorare il soggetto dopo la caduta. Se le CSI indicano assenza di moto motorio grossolano ma presenza di micro-moto (respirazione) a livello del pavimento, il sistema conferma una "caduta con incapacità di recupero" e fa scattare l'allerta. Questa consapevolezza di contesto riduce in modo significativo i falsi allarmi rispetto agli accelerometri wearable, che potrebbero registrare la caduta del dispositivo sul pavimento come una caduta. ²⁴

4.3 Analisi della qualità e dell'igiene del sonno

La qualità del sonno è un determinante massiccio della salute negli anziani. Gli attuali tracker del sonno consumer (smartwatch) stimano gli stadi del sonno in base al movimento del polso (attigrafia) e alla frequenza cardiaca ottica. Il sensing Wi-Fi offre "attigrafia dell'intero corpo."

Analizzando l'intensità e la periodicità dei movimenti del corpo a letto, il sistema può classificare gli stadi del sonno:

●​ Veglia: Movimenti ad alta ampiezza, irregolari.

●​ Sonno leggero: Movimento ridotto, respiro regolare.

●​ Sonno profondo/REM: Stato corporeo atonico (paralizzato) con firme respiratorie altamente ritmiche.

Il sistema genera report di "Sleep Hygiene" che dettagliano Sleep Onset Latency (tempo per addormentarsi), Wake After Sleep Onset (WASO) e Total Sleep Duration. In modo cruciale, può anche tracciare le uscite dal letto, allertando i caregiver se un paziente con demenza vaga fuori dal letto di notte e non riesce a tornare entro una finestra di sicurezza. ³

Parte V: il paradosso della privacy – sensing senza sorveglianza

5.1 Il dibattito "telecamera vs. sensore"

La privacy visiva è una preoccupazione primaria per gli anziani. Se le telecamere sono efficaci per il monitoraggio, sono ampiamente rifiutate in spazi privati come camere da letto e bagni. La sensazione di essere "osservati", il rischio di catturare nudità e il potenziale che i feed video vengano hackerati creano un'immensa resistenza alle soluzioni AAL basate su telecamera.

Il sensing Wi-Fi risolve questo paradosso della privacy. È visivamente cieco . I dati raccolti—matrici CSI—consistono in numeri complessi che rappresentano la propagazione del segnale. È impossibile per un essere umano guardare un pacchetto CSI e "vedere" il viso o il corpo di una persona. Anche se un attore malevolo intercettasse il flusso di dati grezzi, non recupererebbe un'immagine o un video, ma un flusso di distorsioni di segnale inintelligibili. Questo rende il sensing Wi-Fi unicamente adatto al monitoraggio del bagno—la stanza più pericolosa della casa dove le telecamere sono strettamente proibite. ³

5.2 Conformità GDPR e HIPAA

Per i clienti enterprise, la conformità regolatoria è non negoziabile. I dati di sensing Wi-Fi, in particolare le CSI, sono classificati come dati biometrici ai sensi del General Data Protection Regulation (GDPR) (Articolo 9) perché possono potenzialmente essere usati per identificare individui in base al gait o alla forma del corpo (identificazione biometrica). ²⁸ Analogamente, ai sensi dell'Health Insurance Portability and Accountability Act (HIPAA), i dati sanitari derivati dal domicilio sono Protected Health Information (PHI).

L'architettura di Veriprajna assicura la conformità tramite una strategia rigorosa di Edge Processing :

1.​ Minimizzazione dei dati: I dati CSI grezzi sono elaborati localmente sull'Access Point Wi-Fi o su un gateway edge locale (usando l'NPU). Il segnale biometrico grezzo ad alta banda non è mai trasmesso al cloud. Viene scartato immediatamente dopo l'inferenza.

2.​ Insight astratti: Solo l'evento di inferenza è trasmesso. Il cloud riceve un pacchetto JSON: {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. Questa stringa di testo non contiene dati biometrici e non può essere reverse-engineered per identificare la fisiologia dell'utente.

3.​ Anonimizzazione: Nelle configurazioni standard, il sistema traccia "presenza" e "moto" senza collegarli a un'identità specifica. Rileva che una persona è caduta, non chi è caduto, a meno che non sia specificamente configurato per il tracking multi-persona con il consenso dell'utente.

4.​ Sicurezza: Tutta la trasmissione dati è cifrata via TLS 1.3/WPA3, e i dispositivi edge locali sono protetti con autenticazione 802.1X per prevenire accessi non autorizzati. ³⁰

5.3 Il problema degli ospiti e l'accettabilità sociale

Un punto di attrito maggiore per le telecamere è il monitoraggio dei visitatori. Quando familiari o caregiver visitano, sono registrati anch'essi, sollevando questioni di consenso. Il sensing Wi-Fi è intrinsecamente meno intrusivo. Se rileva la presenza di altre persone, non registra i loro volti o le conversazioni. Questa "sorveglianza soft" è di gran lunga più socialmente accettabile in spazi semi-privati come le aree comuni dell'assisted living o gli appartamenti condivisi, riducendo la complessità legale di ottenere il consenso da ogni visitatore. ³³

Parte VI: infrastruttura e l'ecosistema hardware

6.1 La commoditizzazione dell'hardware di sensing

Un vantaggio strategico del sensing Wi-Fi è che utilizza l'infrastruttura esistente. Non richiede di forare i muri per installare sensori proprietari su ogni parete. La transizione del Wi-Fi da puro standard di comunicazione a standard di sensing è in via di formalizzazione in IEEE 802.11bf (WLAN Sensing), atteso pienamente ratificato a fine 2024/2025. Questo standard assicurerà che i futuri chipset Wi-Fi supportino nativamente l'estrazione CSI e le richieste di sensing, trasformando ogni router in un radar standardizzato. ³⁵

6.2 Abilitatori siliconici chiave

Lo stack software di Veriprajna è hardware-agnostic ma ottimizzato per i chipset leader che forniscono accesso ai dati CSI:

●​ Qualcomm: Le piattaforme "Networking Pro Series" e "FastConnect" di Qualcomm (Wi-Fi 7) sono abilitatori critici. In modo cruciale, Qualcomm integra l'Hexagon NPU (Neural Processing Unit) nei propri SoC. Questo consente a Veriprajna di eseguire i modelli di deep learning (Transformer/CNN) direttamente sul router o gateway con alta efficienza energetica, abilitando la strategia di edge processing descritta sopra. Il Qualcomm AI Stack e l'AI Hub forniscono le toolchain per convertire i modelli PyTorch in binari quantizzati che girano sul Hexagon DSP, assicurando prestazioni in tempo reale senza latenza cloud. ³⁶

●​ Broadcom: Con il loro ecosistema Wi-Fi 8 appena annunciato e i chip Wi-Fi 7 (BCM6726, BCM4390), Broadcom ha introdotto il motore di telemetria wireless "BroadStream". Questo blocco hardware è progettato specificamente per offloadare la raccolta e l'elaborazione dei dati di sensing, fornendo i flussi CSI ad alta frequenza e bassa latenza richiesti per training e inferenza AI. ⁴⁰

●​ Espressif (ESP32): Per nodi di sensing distribuiti a basso costo (es. creare una mesh densa in una grande struttura), il microcontrollore ESP32 è un game-changer. L'ESP-CSI Toolkit consente agli sviluppatori di estrarre dati CSI da questi chip economici ($5). Sebbene meno potente di un router, un ESP32 può agire da ricevitore di sensing dedicato, alimentando dati a un gateway centrale. Questo abilita uno scaling conveniente del tessuto di sensing. ⁴³

6.3 Il panorama software commerciale

Veriprajna agisce come integratore specializzato e sviluppatore AI sopra piattaforme di sensing fondazionali:

●​ Cognitive Systems (Aura WiFi Motion): Fornisce un'API matura e ampiamente dispiegata per l' overlay di moto. Il loro stack gestisce l'estrazione CSI di livello inferiore e la classificazione base del moto, consentendo a Veriprajna di concentrarsi sull'interpretazione medica di livello superiore. ²⁶

●​ Origin Wireless (AI Sensing): Pionieri nella tecnologia "Time Reversal Machine" per l' analisi multipath. I loro motori "TruPresence" e di rilevamento cadute sono benchmark di settore per l'accuratezza. Il software di Origin gira interamente sull'edge, allineandosi perfettamente con la nostra architettura privacy-first. ³⁵

Parte VII: implementazione strategica per l'enterprise

7.1 Il retrofit "Zero-Hardware"

Per case di cura, strutture di assisted living e provider di hospital-at-home, la value proposition primaria del sensing Wi-Fi è il "retrofit Zero-Hardware." Queste strutture già possiedono reti Wi-Fi di grado enterprise per la connettività. Dispiegando lo stack software di Veriprajna (o aggiornando il firmware a una versione abilitata al sensing), la struttura trasforma la propria rete di comunicazione esistente in una rete di sicurezza.

●​ Risparmi CapEx: Elimina la necessità di acquistare migliaia di wearable o di installare telecamere in ogni stanza.

●​ Manutenzione: Nessuna batteria da cambiare nei pendenti. Nessun dispositivo smarrito da sostituire.

●​ Scalabilità: Un aggiornamento software può abilitare il rilevamento cadute in 100 stanze all'istante.

7.2 Metodologia di dispiegamento

Implementare il sensing Wi-Fi richiede un approccio strutturato per assicurare copertura e accuratezza:

1.​ Sopralluogo del sito: Valutare la densità Wi-Fi. Il sensing richiede una certa densità di segnali. Un singolo router può coprire un piccolo appartamento, ma una rete mesh (pod in stanze diverse) è ideale per una copertura "Whole Home" per assicurare che ci siano abbastanza link di sensing che attraversano il bagno e la camera da letto. ⁴⁹

2.​ Audit hardware: Verificare se gli Access Point esistenti utilizzano chipset compatibili (Qualcomm/Broadcom) che supportano l'estrazione CSI.

3.​ Setup del gateway edge: Determinare se gli AP hanno compute sufficiente (NPU/CPU) per l' inferenza on-device. In caso contrario, un server edge locale (es. un piccolo PC industriale che esegue i modelli AI) può aggregare i dati da AP leggeri.

4.​ Calibrazione: Eseguire i modelli DANN (Domain Adversarial) per un breve periodo di "burn-in" (es. 24 ore) per adattarsi alla disposizione specifica dei mobili e ai materiali strutturali dell' edificio, stabilendo una baseline per l'ambiente statico.

7.3 ROI e realizzazione del valore

●​ Riduzione delle riammissioni ospedaliere: Rilevando precocemente i cambiamenti del gait, si può somministrare fisioterapia preventiva, prevenendo la caduta che porta a una frattura dell'anca e a una costosa ospedalizzazione.

●​ Efficienza dello staff: I "giri notturni" possono essere data-driven. Invece di svegliare ogni ospite per controllarli (interrompendo il sonno), lo staff può monitorare la dashboard centrale per disturbi del sonno o uscite dal letto, intervenendo solo su chi ne ha bisogno.

●​ Premi assicurativi: Le strutture equipaggiate con monitoraggio continuo e non invasivo possono qualificarsi per premi di assicurazione di responsabilità ridotti grazie al minor rischio di incidenti non scoperti e alla capacità di fornire evidenza di cura data-driven.

Conclusione: l'inevitabilità dell'Ambient Intelligence

L'era dei "gadget" nella cura degli anziani sta volgendo al termine. L'attrito della compliance, l' indignità dello stigma wearable e i limiti funzionali dei dispositivi a batteria li rendono una tecnologia di transizione. Il futuro del monitoraggio sanitario non è allacciare sensori sopra le persone; è costruire sensori intorno a loro.

Il sensing Wi-Fi passivo rappresenta la convergenza di fisica avanzata, infrastruttura ubiqua e Deep AI. Rispetta la santità della casa restando invisibile, eppure fornisce vigilanza di grado clinico. Risolve il "Paradosso della doccia", elimina la fatica da ricarica e preserva la privacy dell'utente. Per Veriprajna, questa non è solo un'evoluzione tecnica; è un imperativo morale per fornire dignità e sicurezza alla popolazione che invecchia tramite un'intelligenza che si sente, ma non si vede.

L'aria intorno a noi è piena di informazioni. È tempo di ascoltarla.

Tabella 1: analisi comparativa delle tecnologie di monitoraggio

Caratteristica	Wearable (monitoraggio attivo)	Telecamere (monitoraggio visivo)	Sensing Wi-Fi passivo (Veriprajna)
Compliance utente	Alto attrito: Richiede indosso, ricarica e allerte manuali.	Sforzo zero: Passivo.	Sforzo zero: Passivo.
Impatto sulla privacy	Basso: solo dati (accelerazione/FC).	Grave: Visiva registrazione di spazi intimi.	Basso: CSI astratti segnali; nessun identificatori visivi.
Sicurezza in bagno	Fallimento critico: Spesso rimossi per doccia/bagno.	Inaccettabile: Le preoccupazioni di privacy ne proibiscono l'uso.	Eccellente: Funziona in NLOS; penetra vapore/tende.
Manutenzione	Alta: Batteria	Media: Lente	Bassa: Software

Col1	sostituzione, smarrito dispositivo gestione.	pulizia, alimentazione elettrica.	aggiornamenti; sfrutta il Wi-Fi esistente.
Punti ciechi	Nessuno (se indossato).	Alti: Bloccati da mobili, muri, oscurità.	Minimi: I segnali penetrano muri e mobili.
Ricchezza dei dati	Accelerazione, frequenza cardiaca.	Gait, posa, contesto.	Respirazione, gait, stadi del sonno, cadute.
Idoneità per la demenza	Scarsa: Gli utenti dimenticano di indossare o rimuovono attivamente i dispositivi.	Media.	Alta: Non può essere rimosso o dimenticato.

Tabella 2: quadro regolatorio e tecnico

Requisito	Standard / Regolamento	Implicazione per il sensing Wi-Fi
Privacy dei dati	GDPR (Articolo 9)	Le CSI sono dati biometrici. Richiede consenso esplicito e protezione rigorosa dei dati (Edge AI).
Dati sanitari	HIPAA	Il monitoraggio sanitario in casa crea PHI. I dati devono essere cifrati in transito e a riposo.
Std hardware	IEEE 802.11bf	Futuro "WLAN Sensing" lo standard standardizzerà estrazione CSI tra vendor.
Elaborazione AI	Edge AI (NPU)	L'elaborazione deve avvenire on-device (Qualcomm Hexagon/Broadcom) per

Tabella 3: stack Deep AI Veriprajna vs. approcci generici

Livello	Generico / competitor Approccio	Veriprajna Deep AI Approccio
Dati di input	RSSI (potenza del segnale) o CSI grezze	CSI sanitizzate (unwrapping della fase, denoising PCA, filtraggio Hampel)
Estrazione delle feature	Feature statistiche (media, varianza)	CNN (Convolutional Neural Networks) per feature spaziali/spettrali
Logica temporale	Basata su soglia (se il segnale scende > X)	LSTM / GRU (Recurrent Neural Networks) per contesto di sequenza
Fusione	Flusso singolo	Transformer a doppio ramo (Ampiezza + Fase) con meccanismo di attenzione
Generalizzazione	Calibrazione specifica del sito richiesta	Domain Adversarial Neural Networks (DANN) per l'indipendenza dall'ambiente

Citazioni: ¹

Opere citate

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

2. Fall Detection Using Wi-Fi Sensing, consultato il 12 dicembre 2025, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, consultato il 12 dicembre 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, consultato il 12 dicembre 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, consultato il 12 dicembre 2025, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, consultato il 12 dicembre 2025, https://en.wikipedia.org/wiki/Channel_state_information

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

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

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

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, consultato il 12 dicembre 2025, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

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

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

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

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

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

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

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

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

26. WiFi Motion - Cognitive Systems, consultato il 12 dicembre 2025, https://www.cognitivesystems.com/wifi-motion/

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

29. Biometric recognition | ICO, consultato il 12 dicembre 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, consultato il 12 dicembre 2025, https://hipaatimes.com/making-wi-fi-hipaa-compliant

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

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

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

34. Surveillance Risks in Wi-Fi Sensing, consultato il 12 dicembre 2025, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, consultato il 12 dicembre 2025, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, consultato il 12 dicembre 2025, https://www.qualcomm.com/wi-fi

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

38. NPU AI Engine - Qualcomm, consultato il 12 dicembre 2025, https://www.qualcomm.com/processors/ai-engine

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

42. Accessing the IoT ecosystem - Broadcom Inc., consultato il 12 dicembre 2025, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, consultato il 12 dicembre 2025, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, consultato il 12 dicembre 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, consultato il 12 dicembre 2025, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, consultato il 12 dicembre 2025, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, consultato il 12 dicembre 2025, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, consultato il 12 dicembre 2025, https://iconoutlook.com/origin-wireless/

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

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

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