보이지 않는 수호자: 초월하는 웨어러블과 패시브 Wi-Fi 센싱 그리고 딥 AI

요약

전 세계 헬스케어 지형은 현재 심대한 인구구조 변화를 헤쳐 가고 있으며, 급속한 인구 고령화와 동시에 가용 돌봄 인력의 축소가 그 특징입니다. 이 괴리는 기술적 증폭 장치—임상의와 보호자의 손길을 가정까지 확장할 수 있는 해법—에 대한 절박한 탐색을 촉발했습니다. 지난 10년간 산업의 주된 해답은 "능동 모니터링"이었습니다. 즉 생체 징후를 추적하고 응급을 감지하도록 설계된 웨어러블 기기, 패닉 버튼, 스마트워치의 배치입니다. 그러나 종단 데이터에 대한 엄밀한 분석은 이 접근의 치명적 결함을 드러냅니다. 바로 그것을 가장 제공하기 어려운 인구의 순응에 의존한다는 점입니다. 가장 효과적인 건강 모니터는 가장 앞선 센서나 가장 긴 배터리 수명을 가진 것이 아니라, 어떤 상호작용도 전혀 요구하지 않는 것입니다.

전문 AI 컨설팅 Veriprajna가 집필한 본 백서는, 차세대 앰비언트 어시스티드 리빙(AAL)을 위한 결정적 아키텍처 청사진입니다. 우리는 산업이 기기 중심 능동 모니터링에서 패시브 Wi-Fi 센싱으로 전환해야 한다고 주장합니다. 이는 우리 환경에 편재하는 무선 주파수(RF) 신호를 정교하고 보이지 않는 센싱 직물로 재목적화하는 패러다임입니다. 채널 상태 정보 (CSI)—현대 Wi-Fi에 내재된 복잡한 물리 계층 데이터—를 분석함으로써, 낙상을 감지하고, 호흡을 모니터링하며, 수면 패턴을 임상 등급 정확도로 분석할 수 있습니다. 단 하나의 웨어러블 기기 없이.

그러나 Wi-Fi 센싱으로의 전환은 단순한 하드웨어 업그레이드가 아닙니다. 그것은 최고 수준의 신호 처리 과제입니다. 단순한 통계적 방법을 넘어 딥 AI 를 받아들여야 합니다. 본 보고서는 범용 대규모 언어 모델 (LLM) 래퍼가 이 과제에 왜 불충분한지, 그리고 Veriprajna가 맞춤형 딥 러닝 아키텍처—구체적으로 합성곱 신경망(CNN), 장단기 메모리(LSTM) 네트워크, 트랜스포머—를 주장하여 전파의 미묘한 언어를 해독하는 이유를 상술합니다. 우리는 CSI의 물리학, 능동 웨어러블의 실패 양상, 신호 해석에 필요한 심층 신경망 아키텍처, 그리고 엔터프라이즈 맥락에서 비가시 생체 인식을 배포하기 위한 규제 경로에 대한 포괄적 분석을 제시합니다.

1부: 웨어러블 건강의 순응 위기

기술

1.1 능동적 협력의 오류

원격 환자 모니터링(RPM)과 "제자리 노화(Aging in Place)" 기술의 지배적 모델은 근본적으로 능동적 협력이라는 개념에 입각합니다. 이 모델은 사용자—종종 인지 저하, 관절염 또는 감각 손상을 겪을 수 있는 고령자—가 자신의 건강 기술의 책임 있는 시스템 관리자 역할을 한다고 가정합니다. 그들은 매일 아침 기기를 착용하는 것을 기억하고, 매일 충전하며, 응급 시 인터페이스와 상호작용할 것으로 기대됩니다. 이 모델은 디지털 리터러시가 있고 활동적인 "젊은 노인"(65–75세)에게는 합리적으로 작동하지만, 낙상과 의료 응급의 위험이 가장 높은 "초고령"(85세 이상) 인구에서는 파국적으로 실패합니다.

웨어러블 건강 모니터의 채택 수명주기에 대한 연구는 극명하고 우려스러운 현실을 드러냅니다. 기기는 가장 필요한 이들에 의해 자주 버려집니다. 사용자 행동을 분석한 연구는 사용자의 약 30%가 취득 후 6개월 이내에 트래커 사용을 중단함을 나타냅니다. ¹ 이 이탈률은 단순한 반영이 아닙니다 소비자 불만의; 그것은 안전망의 거대한 구멍을 나타냅니다. 기기가 서랍에 놓여 있을 때, 모니터링 시스템은 단지 저하되는 것이 아니라—존재하지 않습니다. 사용자가 자신의 감시의 능동적 참여자가 되어야 한다는 의존은 "순응 격차"를 만듭니다. 곧 기술이 제공하는 이론적 안전과 일상에서의 실제 미사용이라는 현실 사이의 위험한 심연입니다.

1.1.1 "샤워 역설"과 위생의 취약성

웨어러블의 기능적 한계는 일상생활동작 (ADL) 중 물이나 탈의를 수반하는 활동에서 가장 첨예하게 느껴집니다. 욕실은 통계적으로 고령자에게 가정에서 가장 위험한 공간이며, 미끄러운 표면과 단단한 설비가 손상성 낙상의 높은 확률을 만듭니다. 그런데도 바로 이 환경에서 웨어러블이 가장 자주 부재합니다. 우리는 이를 "샤워 역설"이라 부릅니다.

현대 기기의 IP67 또는 IP68 방수 등급에도 불구하고, 많은 고령 성인은 습관적으로 목욕 전에 시계나 펜던트를 벗습니다. 이 행동은 비방수 전자기기에 대한 평생의 경험, 고가의 기기를 손상시킬까 하는 두려움, 또는 젖은 스트랩이 연약한 피부에 닿는 단순한 신체적 불편에서 비롯됩니다. ² 그 결과, 사용자는 낙상이 가장 발생하기 쉬운 바로 그 시간창 동안 모니터링되지 않습니다. 기기가 욕실 세면대에 있는 동안 샤워 중 낙상이 일어나면, 시스템은 완전히 실패한 것입니다. 기기의 "능동" 성격—사용자가 그것을 계속 착용하기로 결정해야 한다는 점—이 단일 실패 지점이 됩니다.

1.1.2 충전 피로와 인지적 마찰

욕실을 넘어, 정기 충전 요건은 지속적 보호에 대한 중대한 장벽을 구성합니다. 80세 개인에게, 전용 자기식 충전기를 연결하거나 마이크로 USB 케이블을 꽂는 데 필요한 미세 운동 기술은 부담스러울 수 있습니다. 이 "충전 피로"는 기기가 충전을 위해 협탁에 놓인 채 아침이면 잊히는 기간으로 이어집니다.

개인 응급 대응 시스템(PERS) 사용자 데이터는 우려스러운 순응 그림을 그립니다. 한 연구는 사용자의 24%가 펜던트를 전혀 착용하지 않았고, 단 14%만이 진정한 24시간 순응을 달성했음을 발견했습니다. ³ 기기 배터리 수명을 관리하는 인지 부하가 다른 일상 스트레스와 경쟁하며, 경도인지장애(MCI) 또는 초기 치매 인구에서는 기기가 단순히 잊힙니다. 결과는 "모니터링되는" 환자이지만 실제로는 하루의 상당 기간 완전히 보호되지 않는 환자입니다.

1.2 심리적 장벽: 노쇠의 낙인

기술 채택은 순수한 기능적 계산이 아닙니다. 그것은 깊이 감정적입니다. 많은 웨어러블 기기, 특히 어디에나 있는 "SOS" 펜던트는 뚜렷이 의료적인 미학으로 설계됩니다. 그것들은 세상—그리고 사용자 자신에게—자신이 노쇠하고, 취약하며, 도움이 필요하다고 신호합니다. 이 낙인화는 거부의 강력한 동인입니다.

사용자 경험의 질적 메타종합은 고령 성인이 종종 이러한 기기를 자신을 늙었다고 "낙인찍는" 것으로 본다는 점을 드러냅니다. ⁴ 독립과 활력의 외양을 유지하려는 욕구가 많은 노인을 기기를 옷 속에 숨기게(효과를 떨어뜨림) 하거나 공공 또는 사회적 장소에서 착용을 거부하게 합니다. 기기는 자율성을 보존하는 도구가 아니라 상실된 자율성의 상징이 됩니다.

더욱이, "오경보에 대한 두려움"은 왜곡된 유인 구조를 만듭니다. 사용자는 종종 비사건으로 사이렌을 우연히 울리거나 응급 서비스를 호출하는 것을 두려워하며, 이는 창피하고 비용이 들 수 있습니다. 이 불안은 일부 사용자가 위양성 위험을 피하려고 기기를 두고 나가게 하거나, 더 나쁘게는, 실제 응급 중에 버튼을 누르기를 주저하게 합니다. 자신의 상황이 그 소동을 정당화할 만큼 "충분히 심각한지" 고민하면서. 이 심리적 마찰은 능동 트리거 메커니즘을 신뢰할 수 없게 만듭니다.

1.3 기기 관리의 경제적 함의

엔터프라이즈 이해관계자—보험 제공자, 책임의료조직(ACO), 그리고 노인주거시설 운영자—에게 웨어러블 의존은 상당한 경제적 비효율을 나타냅니다. 웨어러블 함대의 배치는 분실, 파손, 노후화에 취약한 하드웨어에 대한 상당한 자본 지출(CapEx)을 수반합니다.

운영 지출(OpEx) 역시 가혹합니다. 수천 대의 기기 함대를 관리하는 것은 물류 과제를 수반합니다. 배터리 교체, 파손 유닛 반품 처리, 그리고 기기를 스마트폰이나 Wi-Fi 네트워크와 페어링하는 데 어려움을 겪을 수 있는 비기술 사용자에 대한 기술 지원 제공. 분실 기기의 "이탈"은 모니터링 프로그램의 투자 수익률(ROI)을 잠식합니다. 더 결정적으로, 착용되지 않는 웨어러블이 제공하는 "허위 보안"은 막대한 책임을 만듭니다. 시설이 24/7 모니터링을 제공한다고 주장하지만 거주자가 기기 충전 중에 낙상하면, 시설은 안전망 실패에 대한 법적· 평판 파장을 직면할 수 있습니다. 산업은 "기기 중심" 모니터링에서 "공간 중심" 모니터링으로의 구조적 전환을 필요로 합니다—거주자의 노력이 전혀 필요 없고 건물 인프라 자체에 내장되며, 분실하거나 잊는 것이 불가능한 해법입니다.

2부: 비가시 센싱의 물리학

2.1 RSSI에서 채널 상태 정보(CSI)로

Veriprajna 접근을 이해하기 위해서는, 수년간 존재해 온 원시적 형태의 Wi-Fi 센싱과 우리가 주장하는 심층 신호 분석을 구별하는 것이 필수입니다. 존재 감지를 위해 Wi-Fi를 활용한 초기 시도는 수신 신호 강도 표시(RSSI)에 의존했습니다. RSSI는 거의 모든 무선 스택에서 이용 가능한 거친 지표이며, 수신 신호의 총 전력을 나타내며, 일반적으로 전체 패킷과 주파수 대역폭에 대해 평균됩니다.

송신기와 수신기 사이 경로를 물체가 막을 때 RSSI는 감소하지만 (섀도잉), 그것은 근본적으로 불안정하고 저해상도인 지표입니다. 그것은 다중경로 페이딩에 매우 취약합니다—신호가 벽에 반사되어 보강 또는 신호가 벽에 반사되어 보강 또는 상쇄로 간섭하는—그리고 환경 잡음. 습도 변화, 반려동물의 움직임, 심지어 전자레인지 작동도 인간 존재를 모방하는 RSSI 변동을 일으킬 수 있습니다. 결정적으로, RSSI는 세밀한 움직임을 감지할 민감도가 부족합니다. 방에 사람이 있는지는 알 수 있지만, 호흡하는지는 알 수 없습니다. ⁵

진정한 앰비언트 인텔리전스는 무선 전송의 물리 계층(PHY)에 대한 접근을 요구하며, 구체적으로 채널 상태 정보(CSI) 입니다. 현대 Wi-Fi 표준 (802.11n, 802.11ac, 802.11ax, 그리고 곧 나올 802.11be)은 직교 주파수 분할 다중화(OFDM)를 이용합니다. OFDM에서 무선 채널(예: 20 MHz 또는 40 MHz 채널)은 수십 또는 수백 개의 부반송파로 나뉩니다. CSI는 송신기에서 수신기로의 신호 전파를 각각의 개별 부반송파 에 대해 기술합니다.

수학적으로, 만일 $X$ 이 송신 신호 벡터이고 $Y$ 이 수신 신호 벡터이면, 관계는 다음과 같이 모형화됩니다:

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

여기서 $N$ 는 잡음 벡터이고 $H$ 는 채널 상태 정보 행렬입니다. RSSI와 달리, 스칼라 값인, $H$ 는 각각의 부반송파에 대해 두 개의 별개 성분을 담은 복소 행렬입니다:

1.​ 진폭 ($|H|$): 해당 특정 주파수에서의 신호 강도 감쇠.

2.​ 위상 ($\angle H$): 해당 특정 주파수에서의 신호의 지연 또는 위상 편이.

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

이 행렬은 무선 환경의 고해상도 "영상"을 제공합니다. 서로 다른 부반송파는 파장이 다르므로 방 안의 물체와 다르게 상호작용합니다. CSI는 인체가 유발하는 산란, 반사, 회절을 RSSI가 단순히 볼 수 없는 세밀한 세부까지 포착합니다. ⁶

2.2 프레넬 존 모델과 미세 운동 감지

이 전자기 데이터로부터 인간 운동을 추출하게 하는 이론적 틀이 프레넬 존 모델 입니다. 프레넬 존은 일련의 동심 장타원체이며 송신기(Tx)와 수신기(Rx)가 초점이 됩니다.

전파가 Tx에서 Rx로 진행할 때, 단일한 직선을 따르지 않습니다. 그것은 이 프레넬 존이 정의하는 공간 체적을 통해 전파됩니다. 동적 물체(인간)가 이 존 안에 있으면, 신호의 일부를 반사합니다. Rx에서의 수신 신호는 직접 가시선(LoS) 경로와 인체에서 반사된 동적 경로의 중첩입니다.

반사 신호의 경로 길이는 사람이 움직임에 따라 변합니다. 이 경로 길이 $d(t)$는 CSI의 동적 성분에 위상 편이를 도입합니다. 그 관계는 신호의 파장($\lambda$)에 의해 지배됩니다:

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

표준 5 GHz Wi-Fi 신호의 경우, 파장 $\lambda$ 은 약 6센티미터입니다. 이는 단 3센티미터(반파장)의 움직임만으로도 신호를 보강 간섭(피크)에서 상쇄 간섭(널)으로 전환하기에 충분함을 의미합니다. 이 극단적 민감도가 호흡 감지 의 핵심입니다. 호흡 중 인체의 흉벽은 약 4~12밀리미터 변위합니다. 이 움직임은 거리에서 육안으로는 보이지 않지만, 5 GHz 또는 6 GHz Wi-Fi의 영역에서는 파장의 상당한 분율을 나타냅니다. 흉곽이 팽창·수축함에 따라 프레넬 존을 가로지르며, CSI 데이터의 위상과 진폭에 리듬 있고 주기적인 진동을 일으킵니다. CSI 스트림의 이 미묘한 잔물결을 분석함으로써, Veriprajna의 알고리즘은 의료 등급 호흡 벨트에 비견되는 정확도로 호흡 파형을 재구성할 수 있습니다. ⁸

2.3 도플러 시그니처와 운동학 분석

보행이나 낙상 같은 거시 운동에 대해, 우리는 단순한 위상 편이를 넘어 도플러 주파수 편이로 시선을 돌립니다. 도플러 효과는 움직이는 물체에서 반사된 파동이 그 물체의 속도에 비례하는 주파수 변화를 겪는다고 말합니다.

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

여기서 $v$ 는 신체 부위의 속도이고 $\theta$ 는 파동 전파 방향에 대한 운동 각도입니다. 서로 다른 인간 활동은 고유한 "도플러 시그니처"를 생성합니다.

●​ 보행: 팔과 다리의 흔들림은 양과 음의 복잡한 패턴을 만듭니다 도플러 편이, 사지가 수신기를 향해 그리고 멀어지며 움직일 때.

●​ 낙상: 낙상은 특정 운동학 서열로 특징됩니다. 균형 상실 (낙상 전), 중력으로 인한 급속하고 가속되는 하강(낙상), 그리고 갑작스러운 충격 후 부동.

단시간 푸리에 변환(STFT) 또는 이산 웨이블릿 변환(DWT)을 CSI 시계열 데이터에 적용함으로써, 스펙트로그램 을 생성할 수 있습니다—속도의 시각적 표현 시간에 따른. 낙상은 스펙트로그램에서 뚜렷한 고에너지 급증으로 나타나며, 아래쪽으로 가속한 뒤 에너지의 갑작스러운 중단("Long Lie")이 따릅니다. 이를 통해 시스템은 위험한 낙상을 앉거나 침대에 눕는 것과 같은 통제된 동작과 구별할 수 있습니다. ¹⁰

2.4 벽 투과 센싱과 NLOS 능력

광학(카메라 기반) 또는 적외선(LIDAR) 시스템에 대한 Wi-Fi 센싱의 가장 심대한 이점 중 하나는 비가시선(NLOS) 조건에서 동작할 수 있다는 점입니다. 2.4 GHz 및 5 GHz의 Wi-Fi 신호는 표준 건축 재료—석고보드, 목재, 유리—에 대해 우수한 투과 특성을 가집니다.

전형적인 가정 환경에서 Wi-Fi 신호는 벽, 바닥, 천장, 그리고 가구에 반사되어 "다중경로" 환경을 만듭니다. 액세스 포인트가 복도에 있고 사용자가 닫힌 문 뒤 침실에 있어도, 신호는 방을 투과하고, 사용자에게 반사된 뒤 다시 수신기로 투과합니다. 사용자는 라우터에게 시각적 의미에서 "보일" 필요가 없습니다. 그들이 전자기장에 만드는 왜곡은 장애물을 통해 전파됩니다. 이 물리학 기반 편재는 카메라 시스템을 괴롭히는 "사각지대"—예를 들어 샤워 커튼이나 칸막이 뒤—를 사실상 제거합니다. 단일 Wi-Fi 센싱 링크는 방 전체 또는 인접 방까지 효과적으로 모니터링할 수 있어, 카메라 군집이 복제해야 할 수준의 커버리지를 제공합니다. ¹²

3부: 신호에서 통찰로 – 딥 AI 아키텍처

3.1 "LLM 래퍼"를 넘어: 신호 처리 AI의 필요성

현대 기술 시장에서 "AI"라는 용어는 GPT와 같은 대규모 언어 모델(LLM)과 거의 동의어가 되었습니다. LLM이 텍스트와 코드에 변혁적이지만, 원시 무선 주파수 데이터를 해석하는 과제에는 근본적으로 부적합합니다. CSI 데이터는 연속적이고, 복소값이며, 고차원이고, 물리학 법칙에 지배되며, 문법 규칙이 아닙니다.

Veriprajna는 스스로를 딥 AI 솔루션 제공자로 차별화합니다. 우리는 단순히 API를 사전학습 텍스트 모델 주위에 감싸지 않습니다. 우리는 시간적 신호 처리를 위해 특별히 설계된 맞춤형 심층 신경망을 공학합니다. LLM은 5 GHz 파형을 "읽을" 수 없습니다. 그것은 시간, 주파수, 공간 상관을 이해하는 아키텍처를 요구합니다. 우리의 접근은 합성곱 신경망(CNN), 순환 신경망 (RNN), 트랜스포머의 정교한 스택을 이용하여 RF 잡음에서 임상 통찰을 추출합니다.

3.2 전처리 파이프라인: 에테르를 정화하기

상용 Wi-Fi 칩셋에서 추출한 원시 CSI 데이터는 본질적으로 잡음이 많습니다. 그것은 반송파 주파수 오프셋(CFO), 샘플링 주파수 오프셋 (SFO), 무작위 패킷 손실과 같은 하드웨어 불완전성에 의해 오염됩니다. 이 원시 데이터를 신경망에 직접 넣으면 성능이 저조해집니다. 따라서 Veriprajna는 엄밀하고 물리학에 입각한 전처리 파이프라인을 사용합니다:

1.​ 위상 정화: Wi-Fi 칩의 원시 위상 데이터는 범위 안에서 "래핑"되어 있습니다 의 $[-\pi, \pi]$. 우리는 선형 변환 알고리즘을 사용하여 위상을 "언래핑"하고, 운동이 유발한 연속 위상 변화를 재구성합니다. 나아가, 우리는 송신기와 수신기 사이 비동기 시계가 도입한 위상 기울기를 제거하기 위해 선형 피팅을 적용합니다. ¹¹

2.​ 이상치 제거: 우리는 Hampel 필터와 중앙값 필터링을 이용하여 충동적 잡음—갑작스러운 전기 간섭이나 하드웨어 결함이 유발한—을 제거합니다.

3.​ 차원 축소: 전형적인 CSI 스트림은 3개 안테나로부터의 데이터를 담을 수 있습니다 $\times$ 56개 부반송파 = 168개 데이터 스트림. 이 모두가 유용한 정보를 담는 것은 아닙니다. 일부는 "깊은 페이딩"(상쇄 간섭)에 있어 대부분 잡음일 수 있습니다. 우리는 우리는 **주성분 분석(PCA)**을 사용하여 주성분을 신호의 최대 분산을 설명합니다. 첫 주성분은 전형적으로 방의 지배적 운동(예: 호흡)에 해당하고, 이후 성분은 잡음을 포착합니다. ⁵

3.3 CSI 분석을 위한 딥러닝 모델

데이터가 정화되면, Veriprajna의 독자적 딥러닝 모델로 투입됩니다. 우리는 서로 다른 신경망 유형의 강점을 활용하는 하이브리드 아키텍처를 주장합니다.

3.3.1 공간 특징을 위한 합성곱 신경망(CNN)

우리는 CSI 데이터 행렬(부반송파 $\times$ 시간)을 의사-영상으로 취급합니다. CNN이 사진에서 고양이의 윤곽을 식별하듯, RF 스펙트럼에서 운동 사건의 "윤곽"을 식별할 수 있습니다. 2D-CNN 또는 1D-CNN은 부반송파 차원을 따라 커널을 슬라이드합니다. 이를 통해 모델은 공간 상관을 학습합니다—예를 들어, 낙상 사건이 특정 부반송파 군집에서 동시 진폭 하락을 유발한다는 것을 깨닫는 것. 이 공간 특징 추출은 다른 스펙트럼 시그니처를 가진 회전 선풍기와 같은 배경 잡음으로부터 인간 운동을 구별하는 데 결정적입니다. ¹⁵

3.3.2 시간적 맥락을 위한 장단기 메모리(LSTM)

인간 활동은 본질적으로 시간적 서열입니다. "낙상"은 단일한 시점이 아니라, 사건의 서열입니다: 서 있기 $\rightarrow$ 균형 상실 $\rightarrow$ 하강 $\rightarrow$ 충격 $\rightarrow$ 가만히 누워 있기. CNN만으로는 "충격" 프레임을 낙상으로 분류할 수 있지만, 침대에서 뛰는 것도 낙상으로 분류할 수 있습니다.

이를 해결하기 위해, CNN의 출력을 장단기 메모리(LSTM) 네트워크로 넣습니다. LSTM은 장기 의존성을 기억하도록 설계된 순환 신경망(RNN)의 한 유형입니다. 그것은 이전 시간 단계의 맥락을 나르는 "메모리 셀"을 유지합니다. 이는 모델이 서열 을 이해하게 합니다: "사용자가 걷고 있었고(속도 X), 그다음 아래쪽으로 가속했으며(속도 Y), 지금은 바닥에서 정지해 있다(속도 0)." 이 시간적 맥락이 시스템이 낙상을 앉기와 같은 통제된 동작과 구별하게 합니다. ¹⁵

3.3.3 이중 분기 트랜스포머와 어텐션 메커니즘

우리 연구의 최전선은 트랜스포머 아키텍처에 있습니다. 순차적으로 데이터를 처리하는 RNN과 달리, 트랜스포머는 "셀프 어텐션" 메커니즘을 사용하여 전체 서열을 한 번에 처리합니다. 이를 통해 모델은 신호의 서로 다른 부분의 중요도를 가중할 수 있습니다.

Veriprajna는 이중 분기 아키텍처 를 제안합니다:

●​ 분기 A (진폭): 크기 변화를 처리하여 대운동을 감지합니다(보행, 낙상).

●​ 분기 B (위상): 위상 편이를 처리하여 미세 운동(호흡, 심장 박동 변이)을 감지합니다.

이 두 분기는 어텐션 레이어 를 통해 융합됩니다. 어텐션 메커니즘은 동적으로 맥락에 따라 가장 관련 있는 스트림을 우선시합니다. 예를 들어, 사용자가 수면 중이면, 모델은 위상 분기(호흡 신호가 가장 강한 곳)에 더 주의를 기울이고 진폭 분기는 무시하도록 학습합니다. 반대로, 사용자가 걷고 있으면, 진폭 분기에 더 높은 가중치가 부여됩니다. 이 다중모드 융합은 시스템의 강건성을 크게 향상시킵니다. ¹⁷

3.4 환경 의존성 해결: 도메인 적응

Wi-Fi 센싱 연구에 대한 역사적 비판은 일반화 가능성의 부족이었습니다. "실험실 A"에서 수집된 데이터로 학습된 모델은 "아파트 B"에 배포되면 종종 실패합니다. 왜냐하면 다중경로 환경(방 크기, 가구 배치)이 다르기 때문입니다. 모델은 학습 방의 특정 반사에 과적합합니다.

Veriprajna는 이를 도메인 적대적 신경망(DANN) 으로 다룹니다. 이 기법은 두 가지 경쟁 목표로 네트워크를 학습시키는 것을 수반합니다:

1.​ 활동 분류기: 활동 예측 오차를 최소화합니다(예: "낙상" 대 "보행").

2.​ 도메인 판별기: 환경 예측 오차를 최대화합니다(예: "실험실" 대 "가정").

특징 추출기가 도메인 판별기를 혼동하도록 강제함으로써, 네트워크는 환경에 불변 인 특징을 학습하도록 강요받습니다—스튜디오 아파트에서든 요양원 복도에서든 같아 보이는 낙상 시그니처의 "플라톤적 이상". 이는 엔터프라이즈 확장성에 필수적인 "한 번 학습, 어디에나 배포" 모델을 가능하게 합니다. 엔터프라이즈 확장성입니다. ¹⁹

4부: 임상 응용과 사용 사례

4.1 호흡 모니터링: 미래의 생체 징후

호흡수(RR)는 종종 "잊힌 생체 징후"라 불리지만, 만성폐쇄성폐질환(COPD), 울혈성 심부전(CHF), 폐렴과 같은 상태에서 임상 악화의 선도 지표입니다. 전통적 모니터링은 장기 사용에 불편한 흉부 스트랩이나 캐뉼라 착용을 요구합니다.

2.2절에서 기술한 위상차 분석을 사용하여, Wi-Fi 센싱은 연속적이고 비접촉인 호흡 모니터링을 제공합니다.

●​ 정확도: 빔포밍 피드백 행렬(BFM)을 사용한 실험적 평가는 3.2회/분 미만의 호흡수 추정 오차를 입증했습니다. ⁵ 더 진보된 딥러닝 모델은 참조 호흡 벨트와 0.92를 넘는 상관계수를 달성합니다. ²¹

●​ 수면무호흡 감지: 시스템은 폐쇄성 수면무호흡 (OSA) 감지에 특히 혁명적입니다. 수면 중 호흡 운동의 중단을 모니터링함으로써, 시스템은 수면 검사실의 번거로운 수면다원검사(PSG) 연구 없이 잠재적 무호흡 사건(AHI 지수)을 표시할 수 있습니다. 이는 고령 인구의 종단 선별을 가능하게 하여, 미진단 수면 장애를 심혈관 위험에 기여하는 것을 식별합니다. ²²

4.2 낙상 감지: "Long Lie"와 맥락 인식

낙상은 고령 성인 치명 손상의 주원인입니다. 그러나 즉각적 충격은 종종 "Long Lie" —수 시간 동안 바닥에 남아 일어나지 못하는 것보다 덜 위험합니다 이는 횡문근융해, 탈수, 욕창으로 이어집니다.

Veriprajna의 Wi-Fi 센싱 해법은 포괄적 낙상 관리 시스템을 제공합니다:

1.​ 낙상 전 보행 분석: 수주에 걸쳐 보행 속도와 보폭 일관성(보행 속도)을 연속 모니터링함으로써, 시스템은 낙상에 종종 선행하는 이동성의 미묘한 저하를 감지할 수 있습니다. 보행 속도의 점진적 둔화는 임상적으로 검증된 낙상 위험 예측 인자로, 사고가 발생하기 전 예방적 개입(예: 물리 치료)을 가능하게 합니다. ²

2.​ 실시간 감지: 앞서 기술한 도플러 시그니처를 사용하여, 시스템은 높은 민감도(>97%)로 낙상 사건을 감지합니다. ²³

3.​ 낙상 후 맥락: 결정적으로, 시스템은 낙상 이후 에도 대상을 계속 모니터링합니다. 만일 CSI가 대운동의 부재와 바닥 높이에서의 미세 운동 (호흡)의 존재를 나타내면, 시스템은 "회복 불능 낙상"을 확인하고 경보를 격상합니다. 이 맥락 인식은 웨어러블 가속도계에 비해 오경보를 크게 줄입니다. 가속도계는 기기를 바닥에 떨어뜨리는 것을 낙상으로 기록할 수 있습니다. ²⁴

4.3 수면 질과 위생 분석

수면 질은 고령자 건강의 거대한 결정 요인입니다. 현재 소비자 수면 트래커(스마트워치)는 손목 움직임(액티그래피)과 광학 심박에 기반해 수면 단계를 추정합니다. Wi-Fi 센싱은 **"전신 액티그래피"**를 제공합니다.

침대에서 신체 움직임의 강도와 주기성을 분석함으로써, 시스템은 수면 단계를 분류할 수 있습니다:

●​ 각성: 높은 진폭, 불규칙한 움직임.

●​ 얕은 수면: 감소된 움직임, 규칙적 호흡.

●​ 깊은/REM 수면: 고도로 리듬 있는 호흡을 동반한 이완(마비) 신체 상태 시그니처.

시스템은 수면 개시 잠복기(잠들기까지 시간), 수면 개시 후 각성(WASO), 총 수면 시간을 상세히 하는 "수면 위생" 보고서를 생성합니다. 결정적으로, 또한 침대 이탈을 추적하여, 치매 환자가 밤에 침대에서 배회하여 안전한 시간창 안에 돌아오지 못하면 돌봄 제공자에게 알립니다. ³

5부: 프라이버시 역설 – 감시 없는 센싱

5.1 "카메라 대 센서" 논쟁

시각적 프라이버시는 고령자에게 최우선 관심사입니다. 카메라가 모니터링에 효과적이지만, 침실과 욕실 같은 사적 공간에서는 널리 거부됩니다. "감시당한다"는 느낌, 나체를 포착할 위험, 비디오 피드가 해킹될 가능성은 카메라 기반 AAL 해법에 대한 거대한 저항을 만듭니다.

Wi-Fi 센싱은 이 프라이버시 역설을 해결합니다. 그것은 시각적으로 맹목 입니다. 수집된 데이터—CSI 행렬—는 신호 전파를 나타내는 복소수로 구성됩니다. 인간이 CSI 패킷을 보고 사람의 얼굴이나 신체를 "보는" 것은 불가능합니다. 악의적 행위자가 원시 데이터 스트림을 가로채더라도, 이미지나 비디오가 아니라 이해 불가능한 신호 왜곡의 스트림을 얻게 됩니다. 이는 Wi-Fi 센싱을 욕실 모니터링—카메라가 엄격히 금지된 집에서 가장 위험한 방—에 독특하게 적합하게 만듭니다. ³

5.2 GDPR과 HIPAA 준수

엔터프라이즈 고객에게 규제 준수는 협상 불가입니다. Wi-Fi 센싱 데이터, 구체적으로 CSI는 생체 데이터로 분류됩니다. 일반 데이터 보호 규정 (GDPR) (제9조) 하에서, 보행에 기반해 개인을 식별하는 데 잠재적으로 사용될 수 있기 때문입니다(생체 식별). ²⁸ 마찬가지로, 건강보험 이전 및 책임에 관한 법률(HIPAA) 하에서, 가정에서 도출된 건강 데이터는 보호 건강 정보 (PHI)입니다.

Veriprajna의 아키텍처는 엄격한 엣지 처리 전략으로 준수를 보장합니다:

1.​ 데이터 최소화: 원시 CSI 데이터는 Wi-Fi 액세스 포인트 또는 로컬 엣지 게이트웨이(NPU 사용)에서 로컬로 처리됩니다. 원시 고대역폭 생체 신호는 절대 클라우드로 전송되지 않습니다. 추론 직후 폐기됩니다.

2.​ 추상화된 통찰: 추론 사건만 전송됩니다. 클라우드는 JSON 패킷을 받습니다: {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. 이 텍스트 문자열은 생체 데이터를 담지 않으며 사용자의 생리를 역공학하여 식별할 수 없습니다.

3.​ 익명화: 표준 구성에서, 시스템은 "존재"와 "운동"을 특정 신원에 연결하지 않고 추적합니다. 사람이 낙상했다는 사실 을 감지하며, 누구 가 낙상했는지는 감지하지 않습니다. 다만 사용자 동의 하에 다인 추적으로 특별히 구성된 경우는 예외입니다.

4.​ 보안: 모든 데이터 전송은 TLS 1.3/WPA3로 암호화되며, 로컬 엣지 기기는 무단 접근을 방지하기 위해 802.1X 인증으로 보호됩니다. ³⁰

5.3 손님 문제와 사회적 수용성

카메라의 주요 마찰점은 방문객 모니터링입니다. 가족이나 돌봄 제공자가 방문하면 그들도 녹화되어 동의 문제가 제기됩니다. Wi-Fi 센싱은 본질적으로 덜 침습적입니다. 다른 사람의 존재 는 감지하지만, 얼굴이나 대화를 기록하지 않습니다. 이 "부드러운 감시"는 준사적 공간에서 훨씬 더 사회적으로 수용됩니다 노인주거 공용 공간이나 공유 아파트처럼, 모든 방문객으로부터 동의를 얻는 법적 복잡성을 줄입니다. ³³

6부: 인프라와 하드웨어 생태계

6.1 센싱 하드웨어의 상품화

Wi-Fi 센싱의 전략적 이점은 기존 인프라를 이용한다는 점입니다. 그것은 모든 벽에 전용 센서를 설치하려고 구멍을 뚫을 필요가 없습니다. 순수 통신 표준에서 센싱 표준으로의 Wi-Fi 전환은 IEEE 802.11bf **(WLAN Sensing)**에서 공식화되고 있으며, 2024년 말/2025년에 완전히 비준될 것으로 예상됩니다. 이 표준은 미래 Wi-Fi 칩셋이 CSI 추출과 센싱 요청을 네이티브로 지원하게 하여, 모든 라우터를 표준화된 레이더로 바꿀 것입니다. ³⁵

6.2 핵심 실리콘 조력자

Veriprajna의 소프트웨어 스택은 하드웨어 비의존적이지만 CSI 데이터에 접근을 제공하는 선도 칩셋에 최적화되어 있습니다:

●​ Qualcomm: Qualcomm의 "Networking Pro Series"와 "FastConnect" 플랫폼(Wi-Fi 7)은 핵심 조력자입니다. 결정적으로, Qualcomm은 Hexagon NPU(신경망 처리 장치)를 SoC에 통합합니다. 이를 통해 Veriprajna는 딥러닝 모델을 (트랜스포머/CNN) 라우터나 게이트웨이에서 직접 높은 전력 효율로 실행할 수 있으며, 위에서 기술한 엣지 처리 전략을 가능하게 합니다. Qualcomm AI Stack과 AI Hub는 PyTorch 모델을 양자화 바이너리로 변환하는 툴체인을 제공하며, 이는 Hexagon DSP에서 실행되어 클라우드 지연 없이 실시간 성능을 보장합니다. ³⁶

●​ Broadcom: 새로 발표된 Wi-Fi 8 생태계와 Wi-Fi 7 칩(BCM6726, BCM4390)으로, Broadcom은 "BroadStream" 무선 텔레메트리 엔진을 도입했습니다. 이 하드웨어 블록은 센싱 데이터의 수집과 처리를 오프로드하도록 특별히 설계되어, AI 학습과 추론에 필요한 고주파·저지연 CSI 스트림을 제공합니다. ⁴⁰

●​ Espressif (ESP32): 저비용 분산 센싱 노드(예: 대규모 시설에서 밀집 메시를 만드는 것)에서 ESP32 마이크로컨트롤러는 판도를 바꿉니다. ESP-CSI Toolkit은 개발자가 이 저렴한($5) 칩에서 CSI 데이터를 추출하게 합니다. 라우터보다 덜 강력하지만, ESP32는 전용 센싱 수신기로 동작하여 데이터를 중앙 게이트웨이로 공급할 수 있습니다. 이는 센싱 직물의 비용 효과적 확장을 가능하게 합니다. ⁴³

6.3 상용 소프트웨어 지형

Veriprajna는 기반 센싱 플랫폼 위에서 전문 통합자이자 AI 개발자로 역할합니다:

●​ Cognitive Systems (Aura WiFi Motion): 모션 오버레이를 위한 성숙하고 널리 배포된 API를 제공합니다. 그들의 스택은 하위 수준 CSI 추출과 기본 운동 분류를 처리하여, Veriprajna가 상위 수준 의학적 해석에 집중하게 합니다. ²⁶

●​ Origin Wireless (AI Sensing): 다중경로 분석을 위한 "Time Reversal Machine" 기술의 선구자입니다. 그들의 **"TruPresence"**와 낙상 감지 엔진은 정확도의 산업 벤치마크입니다. Origin의 소프트웨어는 전적으로 엣지에서 실행되어, 우리의 프라이버시 우선 아키텍처와 완벽하게 정렬됩니다. ³⁵

7부: 엔터프라이즈를 위한 전략적 구현

7.1 "제로 하드웨어" 개조

요양원, 노인주거시설, 병원-at-home 제공자에게 Wi-Fi 센싱의 일차적 가치 제안은 **"제로 하드웨어 개조"**입니다. 이들 시설은 이미 연결을 위한 엔터프라이즈급 Wi-Fi 네트워크를 보유합니다. Veriprajna의 소프트웨어 스택을 배포하거나(또는 센싱 가능 버전으로 펌웨어를 업데이트함으로써), 시설은 기존 통신 네트워크를 안전 네트워크로 변환합니다.

●​ CapEx 절감: 수천 개의 웨어러블을 구매하거나 모든 방에 카메라를 설치할 필요를 제거합니다.

●​ 유지보수: 펜던트의 배터리 교체 없음. 교체할 분실 기기 없음.

●​ 확장성: 소프트웨어 업데이트로 100개 방에 즉시 낙상 감지를 활성화할 수 있습니다.

7.2 배포 방법론

Wi-Fi 센싱 구현은 커버리지와 정확도를 보장하기 위한 구조화된 접근을 요구합니다:

1.​ 현장 조사: Wi-Fi 밀도를 평가합니다. 센싱은 일정 밀도의 신호를 요구합니다. 단일 라우터는 작은 아파트를 커버할 수 있지만, 메시 네트워크(다른 방의 포드)가 욕실과 침실을 가로지르는 충분한 센싱 링크를 보장하는 "전 주택" 커버리지에 이상적입니다. ⁴⁹

2.​ 하드웨어 감사: 기존 액세스 포인트가 CSI 추출을 지원하는 호환 칩셋 (Qualcomm/Broadcom)을 사용하는지 검증합니다.

3.​ 엣지 게이트웨이 설정: AP가 온디바이스 추론을 위한 충분한 연산(NPU/CPU)을 갖추었는지 판단합니다. 그렇지 않으면, 로컬 엣지 서버(예: AI 모델을 실행하는 소형 산업용 PC)가 경량 AP로부터 데이터를 집계할 수 있습니다.

4.​ 교정: DANN(도메인 적대적) 모델을 짧은 "번인" 기간 (예: 24시간) 동안 실행하여 건물의 특정 가구 배치와 구조 재료에 적응하고, 정적 환경의 기준선을 확립합니다.

7.3 ROI와 가치 실현

●​ 병원 재입원 감소: 보행 변화를 조기에 감지함으로써, 예방적 물리 치료를 시행하여 고관절 골절과 비용이 큰 낙상을 막고 입원을 예방할 수 있습니다.

●​ 직원 효율: "야간 순회"가 데이터 기반이 될 수 있습니다. 모든 거주자를 깨워 확인하는 대신(수면 방해), 직원은 중앙 대시보드에서 수면 장애나 침대 이탈을 모니터링하며, 도움이 필요한 이들에게만 응합니다.

●​ 보험료: 연속적이고 비침습적 모니터링을 갖춘 시설은 미발견 사고 위험이 낮고 돌봄의 데이터 기반 증거를 제공할 수 있어 책임 보험료 인하 자격이 있을 수 있습니다.

결론: 앰비언트 인텔리전스의 필연성

노인 돌봄에서 "가젯"의 시대는 저물고 있습니다. 순응의 마찰, 웨어러블 낙인의 굴욕, 배터리 구동 기기의 기능적 한계가 그것들을 과도기 기술로 만듭니다. 건강 모니터링의 미래는 센서를 사람 위에 묶는 것이 아니라, 센서가 그들 주위에 구축되는 것입니다.

패시브 Wi-Fi 센싱은 첨단 물리학, 편재하는 인프라, 딥 AI의 수렴을 나타냅니다. 보이지 않게 남아 가정의 성스러움을 존중하면서도, 임상 등급의 경계를 제공합니다. "샤워 역설"을 해결하고, 충전 피로를 없애며, 사용자의 프라이버시를 보존합니다. Veriprajna에게 이것은 단지 기술적 진화가 아니라, 느껴지되 보이지 않는 지능을 통해 고령 인구에게 존엄과 안전을 제공하는 도덕적 당위입니다.

우리 주변의 공기는 정보로 가득합니다. 이제 그것을 들을 때입니다.

표 1: 모니터링 기술의 비교 분석

특징	웨어러블 (능동 모니터링)	카메라 (시각 모니터링)	패시브 Wi-Fi 센싱 (Veriprajna)
사용자 순응	높은 마찰: 착용, 충전, 그리고 수동 경보가 필요.	노력 제로: 패시브.	노력 제로: 패시브.
프라이버시 영향	낮음: 데이터만 (가속도/HR).	심각: 시각 녹화, 사적 공간의.	낮음: 추상 CSI 신호; 시각적 식별자 없음.
욕실 안전	치명적 실패: 샤워/목욕을 위해 자주 제거됨.	수용 불가: 프라이버시 우려가 사용을 금지.	우수: NLOS에서 작동; 증기/커튼을 투과.
유지보수	높음: 배터리	중간: 렌즈	낮음: 소프트웨어

Col1	교체, 분실 기기 관리.	청소, 전원 공급.	업데이트; 기존 Wi-Fi를 활용.
사각지대	없음 (착용 시).	높음: 가구, 벽, 어둠에 의해 차단.	최소: 신호가 벽과 가구를 투과.
데이터 풍부성	가속도, 심장 박동.	보행, 자세, 맥락.	호흡, 보행, 수면 단계, 낙상.
적합성 치매	나쁨: 사용자가 착용을 잊거나 능동적으로 기기를 제거.	중간.	높음: 제거되거나 잊힐 수 없음.

표 2: 규제 및 기술 프레임워크

요건	표준 / 규정	Wi-Fi 센싱에 대한 함의
데이터 프라이버시	GDPR (제9조)	CSI는 생체 데이터. 명시적 동의와 엄격한 데이터 보호(엣지 AI)가 필요.
건강 데이터	HIPAA	가정 내 건강 모니터링은 PHI를 만듭니다. 데이터는 전송 중 및 저장 시 암호화되어야 합니다.
하드웨어 표준	IEEE 802.11bf	미래의 "WLAN Sensing" 표준이 벤더 전반의 CSI 추출을 표준화할 것입니다.
AI 처리	엣지 AI (NPU)	처리는 온디바이스에서 이루어져야 합니다(Qualcomm Hexagon/Broadcom)하여

표 3: Veriprajna 딥 AI 스택 대 범용 접근

계층	범용 / 경쟁사 접근	Veriprajna 딥 AI 접근
입력 데이터	RSSI (신호 강도) 또는 원시 CSI	정화된 CSI (위상 언래핑, PCA 디노이징, Hampel 필터링)
특징 추출	통계적 특징 (평균, 분산)	CNN (합성곱 신경망) 으로 공간/스펙트럼 특징
시간 논리	임계값 기반 (신호가 > X 하락하면)	LSTM / GRU (순환 신경망) 으로 서열 맥락
융합	단일 스트림	이중 분기 트랜스포머 (진폭 + 위상)과 어텐션 메커니즘
일반화	현장 특화 교정이 필요	도메인 적대적 신경망 (DANN) 환경을 위한 독립성

인용: ¹

참고 문헌

1. Beyond Technical Motives: Perceived User Behavior in Abandoning Wearable Health & Wellness Trackers - arXiv, 2025년 12월 12일 열람, https://arxiv.org/pdf/1904.07986

2. Fall Detection Using Wi-Fi Sensing, 2025년 12월 12일 열람, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, 2025년 12월 12일 열람, https://en.wikipedia.org/wiki/Channel_state_information

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

8. Device-Free WiFi Human Sensing: From Pattern-Based to Model-Based Approaches, 2025년 12월 12일 열람, https://ceca.pku.edu.cn/media/lw/de4947b5f57dd4fd5e3ac649f34ed557.pdf

9. Human Respiration Detection with Commodity WiFi Devices: Do User Location and Body Orientation Matter?, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://www.mdpi.com/1424-8220/24/3/862

11. Full Respiration Rate Monitoring Exploiting Doppler Information with Commodity Wi-Fi Devices - ResearchGate, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://arxiv.org/html/2407.12537v1

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, 2025년 12월 12일 열람, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

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

16. Enhanced Wi-Fi Sensing: Leveraging Phase and Amplitude of CSI for Superior Accuracy, 2025년 12월 12일 열람, https://www.preprints.org/manuscript/202412.2585

17. Enhanced Human Activity Recognition Using Wi-Fi Sensing ..., 2025년 12월 12일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC11859840/

18. Transformer-Based Person Identification via Wi-Fi CSI Amplitude and Phase Perturbations, 2025년 12월 12일 열람, https://arxiv.org/html/2507.12854v1

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

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

22. Doppler radar remote sensing of respiratory function - PMC - NIH, 2025년 12월 12일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC10172641/

23. Wearable Fall Detection System with Real-Time Localization and Notification Capabilities, 2025년 12월 12일 열람, https://www.mdpi.com/1424-8220/25/12/3632

24. [Literature Review] Real-Time Fall Detection Using Smartphone Accelerometers and WiFi Channel State Information, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://www.researchgate.net/publication/372813063_WiFi-based_indoor_passive_fall_detection_for_medical_Internet_of_Things

26. WiFi Motion - Cognitive Systems, 2025년 12월 12일 열람, https://www.cognitivesystems.com/wifi-motion/

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

29. Biometric recognition | ICO, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://hipaatimes.com/making-wi-fi-hipaa-compliant

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

32. HIPAA Compliance for Guest WiFi: Essential Guidelines - Beambox, 2025년 12월 12일 열람, https://beambox.com/townsquare/how-to-provide-hipaa-compliant-guest-wifi

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

34. Surveillance Risks in Wi-Fi Sensing, 2025년 12월 12일 열람, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, 2025년 12월 12일 열람, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, 2025년 12월 12일 열람, https://www.qualcomm.com/wi-fi

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

38. NPU AI Engine - Qualcomm, 2025년 12월 12일 열람, https://www.qualcomm.com/processors/ai-engine

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

42. Accessing the IoT ecosystem - Broadcom Inc., 2025년 12월 12일 열람, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, 2025년 12월 12일 열람, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, 2025년 12월 12일 열람, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, 2025년 12월 12일 열람, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, 2025년 12월 12일 열람, https://iconoutlook.com/origin-wireless/

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

51. Wi-Fi 8 | Edge AI | Broadband - Broadcom Inc., 2025년 12월 12일 열람, https://www.broadcom.com/solutions/wireless-mobile-communications/wifi8

52. Wi-Fi 7 Chips & Tech | Next-Generation WiFi - Qualcomm, 2025년 12월 12일 열람, 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, 2025년 12월 12일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC9830631/