당신의 Wi-Fi 공유기가 낙상을 감지할 수 있다면 — 어떤 스마트워치보다 중요한 이유
어머니는 일요일마다 나에게 전화를 하신다. 몇 달 전, 어머니는 마치 지나가는 말처럼 할머니가 응급 알림 목걸이를 더 이상 착용하지 않는다고 말씀하셨다. "그게 할머니를 늙은이처럼 느끼게 한대." 어머니는 이 이야기를 수없이 반복해온 사람 특유의 지친 표정으로 말씀하셨다.
할머니는 여든셋이시다. 혼자 사신다. 그 목걸이는 할머니의 안전망이 되어야 했다 — 버튼을 누르면 도움을 받는 것. 하지만 지금은 서랍 속에 처박혀 있다, 할머니가 제대로 다루지 못하는 충전 케이블과 아무도 읽지 않은 빠른 시작 안내서 옆에서. 시중에 나온 가장 진보된 개인 응급 기기가, 사실상 문진 역할밖에 하지 못하고 있는 것이다.
그 대화는 내가 Veriprajna에서 한동안 고민해오던 무언가를 명확히 정리해 주었다. 우리는 채널 상태 정보(Channel State Information) — 모든 Wi-Fi 신호 속에 숨겨진 복잡한 데이터 층 — 에 대한 연구에 깊이 파고들어 있었고, 나는 계속 같은 불편한 질문으로 돌아가곤 했다: 웨어러블 건강 모니터링 산업 전체가 잘못된 문제를 풀고 있는 것은 아닐까?
센서의 문제가 아니다. 배터리의 문제도 아니다. 인간 문제다.
할머니가 착용을 거부했던 그 기기는 뛰어난 낙상 감지 알고리즘을 갖추고 있다. 48시간 지속되는 배터리도 있다. IP68 방수 등급도 갖췄다. 하지만 그 어느 것도 중요하지 않다. 왜냐하면 그 기기는 관절염을 앓는 여든셋 노인이 매일 그 기술에 능동적으로 협조할 것을 요구하기 때문이다. 할머니가 단순한 고집으로 몸소 보여준 사실은 연구 결과와도 일치한다: 건강 추적 기기 사용자의 약 30%가 6개월 이내에 사용을 포기한다. 특히 개인 응급 알림 목걸이 사용자 중에서는 단 14%만이 실제로 24시간 착용을 유지한다.
가장 효과적인 건강 모니터는 최고의 센서를 가진 기기가 아니다. 그것은 아무런 상호작용도 요구하지 않는 기기다. 그리고 그것은 이미 여러분의 거실에, 모뎀 옆에서 조용히 깜빡이며 놓여 있는 것일 수도 있다.
샤워의 역설
헬스케어 기술 분야에 종사하는 사람이라면 누구나 신경 쓰여야 할 통계가 하나 있다: 욕실은 노인에게 집 안에서 가장 위험한 공간이면서, 동시에 웨어러블 기기가 가장 자주 벗겨지는 공간이라는 사실이다.
나는 능동형 모니터링 시스템의 실패 유형을 정리하던 중 이 현상을 "샤워의 역설"이라 부르기 시작했다. 최신 스마트워치가 IP67이나 IP68 방수 등급을 갖추고 있음에도, 고령자들은 습관적으로 목욕 전에 기기를 벗는다. 물이 튀는 것을 견디지 못했던 전자기기들과 함께한 평생의 경험. 값비싼 물건을 망가뜨릴지도 모른다는 두려움. 연약한 피부에 닿는 젖은 밴드의 불쾌감. 그 이유들은 사소하면서도 지극히 합리적이다.
그 결과, 낙상이 발생할 가능성이 가장 높은 바로 그 순간에 사용자는 모니터링되지 않는다. 미끄러운 타일, 딱딱한 도자기 모서리, 시야를 가리는 수증기 — 그리고 기기는 완벽히 충전된 채로, 완벽히 쓸모없이 세면대 위에 놓여 있다.
이 문제를 초기에 한 투자자에게 제시했을 때, 그는 어깨를 으쓱하며 이렇게 말했다. "그럼 벗을 수 없는 방수 목걸이를 만들면 되지 않나요." 나는 그 회의실에 앉아 이렇게 생각했던 것을 기억한다: 당신은 여든셋 노인을 센서에 수갑 채우려는 것이다. 그것은 해결책이 아니다. 그것은 구속이다.
문제는 사람들이 모니터를 착용하게 만드는 방법이 아니다. 모니터링을 보이지 않게 만드는 방법이다.
벽이 당신의 숨소리를 들을 수 있다면?
마이크가 아니다. 전파로.
여러분 집 안의 모든 Wi-Fi 공유기는 끊임없이 무선 주파수 신호를 송출하며, 이 신호는 벽과 가구, 그리고 결정적으로 사람에게 부딪혀 반사된다. 이 신호들은 채널 상태 정보, 즉 CSI라 불리는 데이터를 담고 있다. 휴대폰에 표시되는 조잡한 신호 세기 표시(익숙한 막대 모양)와 달리, CSI는 무선 신호가 수십 개에서 수백 개에 이르는 개별 주파수 부반송파를 가로질러 어떻게 전파되는지를 설명한다. CSI는 각 부반송파의 진폭과 위상을 포착한다. 이는 사실상 물리적 환경에 대한 고해상도 전자기적 지문이라 할 수 있다.
사람이 그 환경을 가로질러 움직이면, 그 지문은 교란된다. 방을 가로질러 걸으면, 반사된 신호의 도플러 편이가 뚜렷한 속도 패턴을 만들어낸다. 걸으면서 팔을 흔들면, CSI는 수신기 쪽으로 다가오고 멀어지는 팔다리의 복잡한 상호작용을 포착한다.
하지만 내가 처음 이 데이터를 보았을 때 진심으로 놀랐던 것은 이것이다: 걸을 필요조차 없다는 것. 그저 숨만 쉬면 된다.
5GHz 대역에서 Wi-Fi 신호의 파장은 약 6센티미터다. 사람의 흉벽은 정상적인 호흡 중에 약 4~12밀리미터 정도 움직인다. 이는 파장의 극히 일부에 불과하지만 — 그것으로 충분하다. 흉부가 팽창하고 수축함에 따라, 반사된 신호는 보강 간섭과 상쇄 간섭 사이를 오가며 CSI 위상 데이터에 리듬감 있는 진동을 만들어낸다. 우리는 이 진동으로부터 호흡 파형을 재구성할 수 있으며, 그 정확도는 의료용 호흡 벨트에 필적한다 — 실험적 평가에 따르면 호흡수 추정 오차는 분당 3.2회 미만이며, 딥러닝 모델은 기준이 되는 흉부 벨트와 비교해 0.92를 넘는 상관계수를 달성한다.
우리 팀이 처음으로 일반 상용 Wi-Fi 공유기에서 깨끗한 호흡 신호를 추출해낸 그날 밤을 기억한다. 늦은 시간이었다 — 자정을 훌쩍 넘긴 — 그리고 우리 엔지니어 중 한 명은 전처리 파이프라인을 조정하는 동안 20분째 우리 테스트 공간의 소파에 누워 있었다. 화면에 파형이 나타났을 때, 부드럽고 리듬감 있게, 그의 호흡을 완벽하게 추적하고 있었고, 방 안은 조용해졌다. 그때 누군가 말했다. "저 사람 진짜로 자고 있어요." 그리고 우리는 그것을 확인할 수 있었다. 카메라 없이. 흉부 벨트 없이. 벽을 통해서, 전파를 통해서, 30달러짜리 공유기 하나로.
그 순간 나는 우리가 점진적인 개선 작업을 하고 있는 것이 아니라는 것을 깨달았다. 우리는 완전히 다른 패러다임 위에서 작업하고 있었다.
왜 그냥 GPT를 쓰면 안 되는가?
이 질문은 끊임없이 받는다. 대개는 지난 2년간 거대 언어 모델이 점점 더 인상적인 일을 해내는 것을 지켜보며, "AI"란 곧 "인터넷 텍스트로 학습된 트랜스포머에 던져 넣는 것"이라고 합리적으로 결론 내린 사람들에게서 나온다.
CSI 데이터는 텍스트가 아니다. 텍스트와는 거리가 멀어도 한참 멀다. 그것은 연속적이고, 복소수 값을 가지며, 고차원적이고, 문법이 아니라 맥스웰 방정식의 지배를 받는다. LLM은 레몬을 맛볼 수 없는 것처럼 5GHz 파형을 "읽을" 수 없다. 아키텍처 자체가 근본적으로 어울리지 않는다.
"AI 기반" 건강 모니터링을 표방하지만 사실상 범용 모델을 감싼 API 래퍼에 불과한 회사들을 볼 때 내가 답답함을 느끼는 이유가 여기에 있다. Veriprajna에서 우리는 시계열 신호 처리를 위해 특별히 설계된 맞춤형 심층 신경망을 구축한다. 이 차이는 중요하다 — 그것은 데모에서는 작동하지만 누군가의 할머니가 새벽 3시에 욕실에서 넘어졌을 때는 작동하지 않는 시스템과, 실제로 그 순간에 작동하는 시스템의 차이다.
우리 아키텍처는 세 가지 유형의 신경망을 함께 사용하며, 각각 신호의 서로 다른 측면을 처리한다:
합성곱 신경망(Convolutional Neural Networks)은 부반송파를 시간축에 대해 나타낸 CSI 데이터 행렬을 일종의 이미지처럼 다룬다. CNN은 주파수 전반에 걸친 공간적 상관관계를 학습하여, 낙상의 스펙트럼 "형태"와 회전하는 천장 선풍기의 형태를 구별해낸다. 장단기 기억 신경망(Long Short-Term Memory networks)은 시간적 맥락을 더한다. 낙상은 한순간이 아니라 — 서 있음, 균형 상실, 하강 가속, 충격, 정지로 이어지는 하나의 시퀀스다. LSTM은 이전에 무슨 일이 있었는지를 기억하며, 이것이 바로 누군가 넘어지는 것과 누군가 소파에 털썩 주저앉는 것을 구별하는 방법이다. 그리고 듀얼 브랜치 트랜스포머(Dual-Branch Transformers)는 진폭과 위상 데이터를 별도의 경로를 통해 동시에 처리하며, 어느 쪽 신호가 더 유용한 정보를 담고 있는지를 동적으로 우선시하는 어텐션 메커니즘으로 이를 융합한다. 수면 중에는 모델이 호흡 신호가 담긴 위상 데이터에 의존한다. 활동 중에는 진폭 데이터로 전환한다.
나는 전처리 파이프라인, 도메인 적응 방식, 프레넬 영역의 물리학 등 전체 기술 아키텍처에 대해 우리의 상세 연구 논문에서 다뤘다. 요약하자면: 이것은 사전 학습된 모델과 주말 해커톤만으로 풀 수 있는 문제가 아니다. 신경망이 데이터를 보기도 전에, 신호 처리만으로도 위상 언래핑, 햄펠 필터링, 주성분 분석이 필요하다.
LLM은 5GHz 파형을 "읽을" 수 없다. 헬스케어 AI에서 가장 위험한 것은 나쁜 알고리즘이 아니라 — 얕은 기술 위에 입혀진 훌륭한 마케팅이다.
Wi-Fi 센싱은 실제로 어떻게 낙상을 감지하는가?
낙상은 무선 주파수 영역에서 놀라울 만큼 뚜렷한 운동학적 특징을 가진다. 활동마다 서로 다른 도플러 패턴 — 움직이는 물체에서 신호가 반사될 때 발생하는 주파수 편이 — 이 나타난다.
걷기는 팔다리가 수신기 쪽으로 다가왔다가 멀어지면서 복잡하고 진동하는 패턴을 만들어낸다. 앉는 동작은 짧고 통제된 하강 속도를 만들어낸다. 하지만 낙상은? 낙상은 특정한 순서를 보여준다: 불규칙한 움직임(균형 상실), 바닥을 향한 급격한 가속(중력이 작용하는 것), 날카로운 에너지 급증(충격), 그리고 — 결정적으로 — 거의 완전한 정지 상태다.
바로 그 정지 상태가 가장 중요하다. 우리는 이것을 "장시간 방치(Long Lie)"라고 부르며, 이는 종종 낙상 자체보다 더 위험하다. 바닥에 몇 시간 동안 쓰러진 채 일어나지 못하는 노인은 횡문근융해증, 탈수, 욕창의 위험에 처한다. 낙상은 고관절을 부러뜨리지만, 장시간 방치는 사람을 죽일 수 있다.
우리 시스템은 단순히 낙상 사건을 감지하는 데 그치지 않는다 — 97%가 넘는 낙상 감지 민감도를 달성하며 — 그 이후에도 모니터링을 계속한다. CSI 상에서 큰 근육 움직임은 없지만 바닥 높이에서 미세한 움직임(호흡)이 계속 감지될 경우, 시스템은 "회복 불능 상태의 낙상"으로 판단하고 경보를 확대한다. 이러한 낙상 이후의 맥락 정보는 웨어러블 가속도계가 근본적으로 제공할 수 없는 것이다. 웨어러블은 갑작스러운 감속이 있었다는 것은 알려줄 수 있다. 하지만 그 사람이 지금 욕실 바닥에 누운 채 숨은 쉬고 있지만 움직이지 않은 지 40분이 지났다는 것은 알려줄 수 없다.
나를 훨씬 더 흥분시키는 또 다른 층이 있다: 낙상 전조 감지. 몇 주에 걸쳐 걸음걸이 — 보행 속도, 보폭의 일관성 — 를 지속적으로 모니터링함으로써, 시스템은 일반적으로 낙상에 선행하는 미묘한 이동성 저하를 파악할 수 있다. 보행 속도의 점진적인 저하는 임상적으로 검증된 낙상 위험 예측 지표다. 이는 우리가 사고가 일어나기 전에 예방적 물리치료가 필요한 사람을 미리 파악할 수 있다는 것을 의미하며, 사고가 발생한 후에야 대응하는 것이 아니다.
눈 없이 보는 방
나는 한 동료와 사생활 문제를 두고 논쟁을 벌였는데, 이 논쟁은 삼 주 정도 간헐적으로 이어졌다.
그의 입장은 이랬다: 사람들의 집을 모니터링하는 시스템은 그것이 무엇이든 감시이며, 그걸로 끝이라는 것이다. 내 입장은 전적으로 그 시스템이 무엇을 볼 수 있는가에 달려 있다는 것이다.
침실의 카메라는 한 사람의 몸, 얼굴, 은밀한 순간들을 기록한다. 만약 그 영상이 해킹당한다면, 피해는 치명적이고 되돌릴 수 없다. Wi-Fi 센싱의 원재료인 CSI 데이터는 신호 전파 특성을 나타내는 복소수들로 구성된다. 만약 누군가 그 데이터 스트림을 가로챈다 해도, 보이는 것은 진폭과 위상 값의 행렬뿐이다. 얼굴은 보이지 않는다. 몸도 보이지 않는다. 아무리 애써도 이미지를 재구성할 수 없다. 이 시스템은 설계상 시각적으로 눈이 먼 상태다.
Wi-Fi 센싱은 사람을 지켜보지 않는다. 그것은 사람이 전자기장에 만들어내는 교란을 느낄 뿐이다. 이 구분은 의미론적인 것이 아니다 — 감시와 인지 사이의 차이 그 자체다.
이는 욕실 문제에 있어 매우 중요하다. 카메라는 — 당연히 — 대부분의 요양 시설에서 욕실과 침실에 설치가 금지되어 있다. 하지만 Wi-Fi 신호는 벽과 문, 샤워 커튼을 통과한다. 수증기 속에서도 작동한다. 완전한 어둠 속에서도 작동한다. 집에서 가장 위험한 공간이, 그 누구에게도 렌즈 하나 향하지 않은 채로 모니터링 가능한 공간이 된다.
요양원, 실버타운, 재택 병원 프로그램과 같은 기업 고객에게는 규제상의 함의가 상당하다. GDPR 하에서 CSI는 보행 패턴으로 개인을 이론적으로 식별할 수 있기 때문에 생체 데이터로 분류된다. HIPAA 하에서는 모니터링에서 도출된 건강 데이터는 보호 대상 건강 정보(Protected Health Information)에 해당한다. 우리는 이를 엄격한 엣지 처리 방식으로 다룬다: 원시 CSI 데이터는 공유기나 게이트웨이에서 로컬로 처리되며, 대역폭이 큰 생체 신호는 결코 기기 밖으로 나가지 않고, 오직 추상화된 이벤트만 클라우드로 전송된다. 다음과 같은 JSON 패킷을 읽어보면 — {"event": "Fall", "location": "Bathroom", "confidence": 0.98} — 여기에는 생체 데이터가 전혀 없으며, 이를 역설계해서 누군가의 생리적 특성을 알아낼 수도 없다.
나는 전체 프라이버시 아키텍처와 규정 준수 프레임워크를 우리 백서의 인터랙티브 버전에서 상세히 다룬다.
각기 다른 방과 각기 다른 집은 어떻게 되는가?
이 반론은 내가 가장 진지하게 받아들이는 것인데, 오랫동안 이것이 Wi-Fi 센싱 연구를 실질적으로 좌초시켜온 요인이었기 때문이다.
실험실 A에서 수집한 CSI 데이터로 학습한 모델은 아파트 B에 배치되면 처참하게 실패할 것이다. 방 크기가 다르고, 가구가 다르고, 벽 재질이 다르면 — 다중 경로 환경 전체가 달라진다. 그 모델은 "낙상이 어떻게 생겼는가"를 학습한 것이 아니었다. "이 특정한 소파가 있는 이 특정한 구석의 이 특정한 방에서 낙상이 어떻게 생겼는가"를 학습한 것이었다. 한 공간의 반사 패턴에 과적합된 것이다.
우리 팀은 이 사실을 직접 뼈아프게 깨닫는 시기를 보냈다. 우리는 테스트 환경에서 아름다운 정확도 수치를 얻었다 — 낙상 감지에서 98% 이상 — 그런 다음 같은 건물의 다른 층으로 장비를 옮겼더니 수치가 곤두박질치는 것을 지켜봐야 했다. 나는 혼동 행렬을 바라보며 뭔가 배선을 잘못 연결한 줄 알았던 것을 기억한다. 그렇지 않았다. 모델은 그저 그 방을 통째로 암기해버린 것이었다.
해결책은 도메인 적대적 신경망(Domain Adversarial Neural Networks)이라 불리는 적대적 학습 기법에서 나왔다. 그 발상은 원리적으로는 우아하지만 구현하기에는 골치 아프다: 두 개의 경쟁하는 목표를 동시에 가지고 네트워크를 학습시키는 것이다. 한쪽 헤드는 낙상인지 걷기인지 앉기인지 활동을 올바르게 분류하려 한다. 다른 쪽 헤드는 데이터가 어느 환경에서 왔는지 식별하려 한다. 그런 다음 특징 추출기가 이를 혼란스럽게 만들도록 강제한다 — 바로 환경 분류기를 말이다. 네트워크는 방에 대해 불변인 특징 — 즉, 원룸형 아파트에서 일어나든 요양원 복도에서 일어나든 동일하게 보이는 낙상 신호의 "이데아적 원형" — 을 학습하도록 강요받는다.
몇 주에 걸친 하이퍼파라미터 튜닝과, 그레이디언트 반전 레이어를 둘러싼 여러 번의 심야 토론 끝에 마침내 이 방식이 작동하게 되었을 때, 환경 간 정확도가 안정화되었다. 완벽하지는 않았다. 하지만 배포 가능한 수준이었다. "한 번 학습하면 어디서든 배포한다"는 이상이 공학적 현실이 되었다.
제로 하드웨어 리트로핏
실버타운을 운영하는 사람들, 낙상 위험을 모델링하는 보험 계리사들, 재택 병원 프로그램 책임자들 — 이런 운영자들에게 하는 이야기에서 핵심은 사실 AI가 아니다. 경제성이다.
이 시설들은 이미 기업용 Wi-Fi 네트워크를 갖추고 있다. 복도에는 이미 공유기가, 공용 공간에는 이미 액세스 포인트가 설치되어 있다. 센싱 능력은 그 기기들이 이미 송출하고 있는 신호 안에 존재한다. 적절한 칩셋만 있으면 — 온보드 헥사곤 NPU를 탑재한 퀄컴의 네트워킹 프로 시리즈, 브로드스트림 텔레메트리 엔진을 갖춘 브로드컴의 Wi-Fi 7 및 Wi-Fi 8 플랫폼, 혹은 전용 센싱 노드로 배치된 5달러짜리 ESP32 마이크로컨트롤러까지 — 업그레이드는 대부분 소프트웨어만으로 이루어진다.
구매하거나 잃어버리거나 충전하거나 교체해야 할 웨어러블도 없다. 설치하거나 유지 관리하거나 프라이버시 소송에서 방어해야 할 카메라도 없다. 펌웨어 업데이트 하나로 100개의 방에서 동시에 낙상 감지가 가능해진다.
IEEE는 이를 802.11bf로 표준화하고 있으며, 이는 2024년 말/2025년 채택이 예상되는 WLAN 센싱 표준이다. 이것이 도입되면, 모든 신형 Wi-Fi 공유기는 기본적으로 CSI 추출과 센싱 요청을 지원하게 될 것이다. 공유기는 표준화된 레이더가 된다. 인프라는 이미 존재한다. 우리는 그저 그것을 활용하지 않고 있었을 뿐이다.
사람들은 종종 나에게 수동적 Wi-Fi 센싱이 웨어러블을 완전히 대체할 것인지 묻는다. 나는 그렇게 생각하지 않는다 — 적어도 운동 중 심박수 모니터링이나 야외 활동 중 GPS 추적의 혜택을 받는 활동적이고 이동이 많은 인구 집단에게는 아니다. 웨어러블은 디지털에 익숙하고 신체적으로 활동적인 65~75세의 '젊은 노인' 집단에게는 실질적인 목적을 제공한다. 하지만 목걸이 충전을 기억하지 못하는 치매를 앓는 85세 노인에게는? 지속적인 호흡 모니터링이 필요한, 집에서 회복 중인 수술 후 환자에게는? 모든 방에 카메라를 두지 않고 24시간 안전을 제공하려는 시설 운영자에게는? 답은 더 나은 웨어러블이 아니다. 웨어러블이 아예 없는 것이다.
다른 사람들은 반려동물에 대해 묻는다 — 개가 오작동 경보를 유발하지 않을까? 15파운드짜리 테리어와 여든 살 인간의 도플러 신호는 속도 프로파일과 신체 단면 모두에서 극적으로 다르다. 신경망은 이 차이를 빠르게 학습한다. 고양이는 좀 더 까다롭지만, LSTM이 제공하는 시간적 맥락 — 단일 프레임이 아니라 움직임의 흐름 — 이 대부분의 예외적인 경우를 처리해낸다.
공기 중에는 이미 정보가 가득하다
나는 이 기술을 연구하면서 할머니를 자주 떠올린다. 할머니는 피치덱 속의 유스케이스나 페르소나가 아니다. 할머니는 자신의 집에서, 자신의 일상을 지키며, 목에 걸린 플라스틱 메달이 방문객 모두에게 자신의 노쇠함을 알리지 않고 살아가고 싶어 하는 한 사람이다.
할머니의 아파트 안 공기는 이미 Wi-Fi 신호로 가득 차 있다. 그 신호들은 벽을 통과하고, 가구에 반사되며, 할머니가 숨을 쉴 때마다 함께 일렁인다. 지금 이 순간에도 그 모든 정보는 사용되지 못한 채 흩어지고 있다 — 보이지 않고 무시된 전자기 잡음으로.
우리는 그것을 읽어낼 물리학을 가지고 있다. 그것을 해석할 AI를 가지고 있다. 이미 수백만 가정에 설치된 하드웨어를 가지고 있다. 지금 우리가 있는 지점과 우리가 도달해야 할 지점 사이를 가로막는 유일한 것은, 건강 모니터링을 사람 몸에 부착하는 무언가로 여기던 생각을 멈추고, 그 사람을 둘러싼 공간 속에 엮어 넣는 무언가로 여기기 시작하려는 의지뿐이다.
건강 모니터링의 미래는 더 나은 기기를 만드는 것이 아니다. 건물 자체를 인지하게 만드는 것 — 그리고 그 인지를 보이지 않게 만드는 것이다.
취약한 사람들에게 자신의 감시 기술을 스스로 관리하라고 요구하던 시대는 끝나가고 있다. 기술이 실패해서가 아니라, 그 기저에 깔린 가정 — 순응(착용)의 문제는 설계의 결함이 아니라 사용자의 문제라는 가정 — 이 애초부터 틀렸기 때문이다. 답은 더 나은 버튼을 만드는 것이 아니었다. 그것은 애초에 무언가를 누를 필요 자체를 없애는 것이었다.
