Uw wifi-router kan een val detecteren. Dit is waarom dat belangrijker is dan elke smartwatch.

Mijn moeder belt me elke zondag. Een paar maanden geleden vertelde ze — bijna terloops — dat mijn oma was gestopt met het dragen van haar medische alarmhanger. "Het laat haar zich oud voelen," zei mijn moeder, met de kenmerkende vermoeidheid van iemand die deze discussie al talloze keren heeft gevoerd.

Mijn oma is 83. Ze woont alleen. De hanger zou haar vangnet moeten zijn — druk op een knop, krijg hulp. Maar hij ligt nu in een la, naast een oplaadkabel waar ze niet goed mee overweg kan en een snelstartgids die niemand heeft gelezen. Het meest geavanceerde persoonlijke noodhulpapparaat op de markt, en het is in de praktijk een presse-papier.

Dat gesprek maakte iets concreet waar ik al een tijdje bij Veriprajna omheen draaide. We waren diep in onderzoek naar Channel State Information — de complexe datalaag die verborgen zit in elk wifisignaal — en ik bleef terugkomen op dezelfde ongemakkelijke vraag: wat als de hele wearable-gezondheidsmonitoringindustrie het verkeerde probleem oplost?

Geen sensorprobleem. Geen batterijprobleem. Een menselijk probleem.

Het apparaat dat mijn oma weigerde te dragen heeft uitstekende valdetectiealgoritmen. Het heeft een batterijduur van 48 uur. Het is waterdicht volgens IP68. En niets daarvan doet ertoe, omdat het vereist dat een 83-jarige vrouw met artritis elke dag actief meewerkt met een stukje technologie. Het onderzoek onderbouwt wat mijn oma door pure koppigheid aantoonde: ongeveer 30% van de gebruikers stopt binnen zes maanden met het gebruik van hun gezondheidstracker. Onder gebruikers van persoonlijke alarmeringshangers specifiek behaalt slechts 14% daadwerkelijk 24 uur per dag naleving.

De meest effectieve gezondheidsmonitor is niet die met de beste sensoren. Het is degene die helemaal geen interactie vereist. En die staat misschien al in uw woonkamer, stilletjes te knipperen naast de modem.

De Doucheparadox

Hier is een statistiek die iedereen in de zorgtechnologie zou moeten verontrusten: de badkamer is de gevaarlijkste ruimte in huis voor ouderen, en het is de ruimte waar wearables het vaakst worden afgedaan.

Ik begon dit "De Doucheparadox" te noemen toen we faalmodi van actieve monitoringsystemen in kaart brachten. Ondanks dat moderne smartwatches een IP67- of IP68-waterbestendigheidsclassificatie hebben, doen oudere volwassenen ze routinematig af voordat ze gaan baden. Een leven lang ervaring met elektronica die geen spatje water kon overleven. Angst om iets kostbaars te beschadigen. Het ongemak van een natte band tegen kwetsbare huid. De redenen zijn alledaags en volkomen rationeel.

De gebruiker wordt dus juist niet gemonitord op het moment dat een val het meest waarschijnlijk is. Gladde tegels, harde porseleinen randen, stoom die het zicht beperkt — en het apparaat ligt op het wastafelblad, perfect opgeladen, volkomen nutteloos.

Toen ik dit probleem in een vroeg stadium aan een investeerder voorlegde, haalde hij zijn schouders op en zei: "Maak dan een waterdichte hanger die ze niet kunnen afdoen." Ik weet nog dat ik in die vergadering zat te denken: u wilt een 83-jarige aan een sensor boeien. Dat is geen oplossing. Dat is een vrijheidsbeperkend middel.

De vraag is niet hoe u mensen monitors laat dragen. De vraag is hoe u monitoring onzichtbaar maakt.

Wat als uw muren naar uw ademhaling konden luisteren?

Niet met microfoons. Met radiogolven.

Elke wifirouter in uw huis zendt voortdurend radiofrequentiesignalen uit die weerkaatsen tegen muren, meubels en — cruciaal — mensen. Deze signalen bevatten iets dat Channel State Information heet, oftewel CSI. In tegenstelling tot de grove signaalsterkte-indicator die uw telefoon toont (die bekende balkjes), beschrijft CSI hoe het draadloze signaal zich verspreidt over tientallen of honderden individuele frequentiesubdragers. Het legt amplitude en fase voor elk daarvan vast. Het is in wezen een hoogresolutie elektromagnetische vingerafdruk van de fysieke omgeving.

Wanneer iemand door die omgeving beweegt, verstoort die persoon de vingerafdruk. Loop door een kamer, en de Dopplerverschuiving in het gereflecteerde signaal creëert een duidelijk snelheidspatroon. Zwaai met uw armen tijdens het lopen, en de CSI legt de complexe wisselwerking vast van ledematen die naar de ontvanger toe en van de ontvanger af bewegen.

Maar dit is wat me echt versteld deed staan toen ik de data voor het eerst zag: u hoeft niet te lopen. U hoeft alleen maar te ademen.

Bij 5 GHz heeft een wifisignaal een golflengte van ongeveer 6 centimeter. De borstwand van een mens verplaatst zich tijdens normale ademhaling ongeveer 4 tot 12 millimeter. Dat is een klein deel van de golflengte — maar het is genoeg. Terwijl de borstkas uitzet en samentrekt, verschuift dit het gereflecteerde signaal tussen constructieve en destructieve interferentie, wat een ritmische oscillatie in de CSI-fasedata creëert. We kunnen de ademhalingsgolfvorm uit deze oscillatie reconstrueren met een nauwkeurigheid die vergelijkbaar is met medische ademhalingsbanden — experimentele evaluaties tonen schattingsfouten voor de ademhalingsfrequentie van minder dan 3,2 ademhalingen per minuut, en deep-learningmodellen behalen correlatiecoëfficiënten van meer dan 0,92 ten opzichte van referentie-borstbanden.

Ik weet nog de avond dat ons team voor het eerst een schoon ademhalingssignaal uit een gewone wifirouter haalde. Het was laat — ruim na middernacht — en een van mijn engineers lag al twintig minuten op een bank in onze testruimte terwijl we de voorverwerkingspijplijn afstelden. Toen de golfvorm op het scherm verscheen, vloeiend en ritmisch, zijn ademhaling perfect volgend, werd het stil in de ruimte. Toen zei iemand: "Hij ligt echt te slapen." En we konden het zien. Niet met een camera. Niet met een borstband. Door een muur heen, via radiogolven, vanuit een router van 30 dollar.

Dat was het moment waarop ik wist dat we niet aan een incrementele verbetering werkten. We werkten aan een compleet ander paradigma.

Waarom kunt u hier niet gewoon GPT voor gebruiken?

Ik krijg deze vraag voortdurend. Meestal van mensen die de afgelopen twee jaar hebben gezien hoe grote taalmodellen steeds indrukwekkender dingen doen, en die daaruit redelijkerwijs hebben geconcludeerd dat "AI" betekent "gooi het tegen een transformer die getraind is op internettekst."

CSI-data is geen tekst. Het lijkt er zelfs niet in de verste verte op. Het is continu, complexwaardig, hoogdimensionaal en wordt beheerst door de vergelijkingen van Maxwell, niet door grammatica. Een LLM kan een golfvorm van 5 GHz net zomin "lezen" als het een citroen kan proeven. De architecturen sluiten fundamenteel niet op elkaar aan.

Daarom erger ik me wanneer ik bedrijven "AI-gedreven" gezondheidsmonitoring zie vermarkten die in werkelijkheid neerkomt op een API-wrapper rond een algemeen model. Bij Veriprajna bouwen we op maat gemaakte diepe neurale netwerken die specifiek zijn ontworpen voor temporele signaalverwerking. Dat onderscheid is van belang — het is het verschil tussen een systeem dat werkt in een demo en een systeem dat werkt om 3 uur 's nachts wanneer iemands oma valt in de badkamer.

Onze architectuur gebruikt drie typen neurale netwerken die samenwerken, elk verantwoordelijk voor een ander aspect van het signaal:

Convolutional Neural Networks behandelen de CSI-datamatrix — subdragers uitgezet tegen tijd — als een soort afbeelding. De CNN leert ruimtelijke correlaties tussen frequenties, en herkent de spectrale "vorm" van een val ten opzichte van de vorm van een draaiende plafondventilator. Long Short-Term Memory-netwerken voegen temporele context toe. Een val is geen enkel moment; het is een reeks — staan, evenwicht verliezen, versnellen naar beneden, impact, stilstand. Het LSTM onthoudt wat eraan voorafging, en zo onderscheiden we iemand die valt van iemand die op een bank ploft. En Dual-Branch Transformers verwerken amplitude- en fasedata gelijktijdig via afzonderlijke paden, en voegen ze samen met een aandachtsmechanisme dat dynamisch prioriteit geeft aan welke stroom ook maar het meest informatief is. Tijdens de slaap steunt het model op fasedata, waar het ademhalingssignaal zich bevindt. Tijdens activiteit verschuift het naar amplitude.

Ik heb geschreven over de volledige technische architectuur — de voorverwerkingspijplijn, de domeinadaptatiebenadering, de natuurkunde van Fresnelzones — in ons gedetailleerde onderzoeksartikel. De korte versie: dit is geen probleem dat u kunt oplossen met een vooraf getraind model en een weekend-hackathon. Alleen al de signaalverwerking vereist phase unwrapping, Hampel-filtering en principale-componentenanalyse voordat een neuraal netwerk de data ooit te zien krijgt.

Een LLM kan een golfvorm van 5 GHz niet "lezen". Het gevaarlijkste in gezondheids-AI zijn niet slechte algoritmen — het is goede marketing rond oppervlakkige technologie.

Hoe detecteert wifi-sensing een val eigenlijk?

Een val heeft een kinematische signatuur die verrassend onderscheidend is in het radiofrequentiedomein. Verschillende activiteiten produceren verschillende Dopplerpatronen — de frequentieverschuiving die optreedt wanneer een signaal weerkaatst tegen een bewegend object.

Lopen genereert een complex, oscillerend patroon terwijl armen en benen naar de ontvanger toe en van de ontvanger af zwaaien. Gaan zitten produceert een korte, gecontroleerde neerwaartse snelheid. Maar een val? Een val laat een specifieke reeks zien: onregelmatige beweging (verlies van evenwicht), snelle versnelling richting de vloer (de zwaartekracht doet zijn werk), een scherpe energiepiek (impact), en dan — cruciaal — bijna volledige stilstand.

Die stilstand is waar het echt om draait. We noemen dit de "Lange Ligduur", en die is vaak gevaarlijker dan de val zelf. Een oudere die urenlang op de grond ligt, niet in staat om op te staan, loopt risico op rabdomyolyse, uitdroging en drukletsels. De val breekt de heup; de Lange Ligduur kan doden.

Ons systeem detecteert niet alleen de valgebeurtenis — het detecteert valgevoeligheid van meer dan 97% — het blijft ook daarna monitoren. Als de CSI een afwezigheid van grove motorische beweging laat zien, maar wel de aanhoudende aanwezigheid van micro-beweging (ademhaling) op vloerniveau, bevestigt het systeem een "val met onvermogen om te herstellen" en schaalt het op. Deze context na de val is iets wat draagbare versnellingsmeters fundamenteel niet kunnen bieden. Een wearable kan u vertellen dat het een plotselinge vertraging heeft ervaren. Het kan u niet vertellen dat de persoon nu al veertig minuten op de badkamervloer ligt, ademend maar niet bewegend.

Er is nog een laag die me nog meer enthousiast maakt: detectie vóór de val. Door gedurende weken continu het looppatroon te monitoren — loopsnelheid, consistentie van de staplengte — kan het systeem de subtiele achteruitgang in mobiliteit herkennen die doorgaans aan een val voorafgaat. Een geleidelijke vertraging van de loopsnelheid is een klinisch gevalideerde voorspeller van valrisico. Dit betekent dat we iemand kunnen signaleren voor preventieve fysiotherapie vóórdat het ongeluk gebeurt, in plaats van er alleen achteraf op te reageren.

De kamer die ziet zonder ogen

Ik had een discussie met een collega over privacy die, met tussenpozen, ongeveer drie weken duurde.

Zijn standpunt: elk systeem dat mensen in hun huis monitort, is bewaking, punt uit. Mijn standpunt: het hangt volledig af van wat het systeem kan zien.

Een camera in een slaapkamer legt iemands lichaam, gezicht en intieme momenten vast. Als de feed wordt gehackt, is de schade catastrofaal en onomkeerbaar. CSI-data — het ruwe materiaal van wifi-sensing — bestaat uit complexe getallen die signaalvoortplantingskenmerken weergeven. Als u de datastroom zou onderscheppen, zou u matrices van amplitude- en fasewaarden zien. U zou geen gezicht zien. U zou geen lichaam zien. U zou geen afbeelding kunnen reconstrueren, hoe hard u het ook zou proberen. Het systeem is visueel blind door ontwerp.

Wifi-sensing kijkt niet naar mensen. Het voelt de verstoring die zij veroorzaken in het elektromagnetische veld. Het onderscheid is niet semantisch — het is het verschil tussen bewaking en bewustzijn.

Dit is enorm belangrijk voor het badkamerprobleem. Camera's zijn — terecht — verboden in badkamers en slaapkamers in de meeste zorginstellingen. Maar wifisignalen dringen door muren, deuren en douchegordijnen. Ze werken door stoom heen. Ze werken in volledige duisternis. De gevaarlijkste ruimte in huis wordt bewaakbaar zonder dat er ook maar één lens op iemand gericht is.

Voor zakelijke klanten — verpleeghuizen, instellingen voor begeleid wonen, hospital-at-home-programma's — zijn de regelgevingsimplicaties aanzienlijk. Onder de AVG wordt CSI geclassificeerd als biometrische data, omdat het theoretisch individuen kan identificeren aan de hand van looppatroon. Onder HIPAA is gezondheidsdata die is afgeleid van monitoring beschermde gezondheidsinformatie. Wij pakken dit aan via strikte edge-verwerking: ruwe CSI-data wordt lokaal verwerkt op de router of gateway, het biometrische signaal met hoge bandbreedte verlaat het apparaat nooit, en alleen geabstraheerde gebeurtenissen worden naar de cloud verzonden. Een JSON-pakket dat luidt {"event": "Fall", "location": "Bathroom", "confidence": 0.98} bevat geen biometrische data en kan niet worden teruggerekend om iemands fysiologie te identificeren.

Ik behandel de volledige privacyarchitectuur en het compliancekader in de interactieve versie van ons whitepaper.

Hoe zit het met verschillende kamers en verschillende woningen?

Dit is het bezwaar dat ik het meest serieus neem, want jarenlang was het een legitieme spelbreker voor wifi-sensingonderzoek.

Een model dat getraind is op CSI-data verzameld in Lab A zou spectaculair falen wanneer het wordt ingezet in Appartement B. Andere kamerafmetingen, ander meubilair, andere muurmaterialen — de multipath-omgeving verandert alles. Het model leerde niet "hoe een val eruitziet". Het leerde "hoe een val eruitziet in deze specifieke kamer met deze specifieke bank in deze specifieke hoek." Overfit op de reflecties van één ruimte.

Mijn team beleefde een oprecht pijnlijke periode waarin we dit aan den lijve ondervonden. We hadden prachtige nauwkeurigheidscijfers uit onze testomgeving — ruim boven de 98% voor valdetectie — en toen we de opstelling naar een andere verdieping van hetzelfde gebouw verplaatsten, zagen we de cijfers instorten. Ik weet nog dat ik naar de confusion matrix staarde en dacht dat we iets verkeerd hadden bekabeld. Dat hadden we niet. Het model had simpelweg de kamer uit het hoofd geleerd.

De oplossing kwam van een adversariale trainingsbenadering genaamd Domain Adversarial Neural Networks. Het idee is in principe elegant en tergend om te implementeren: u traint het netwerk met twee concurrerende doelstellingen tegelijk. De ene kop probeert de activiteit correct te classificeren — val versus lopen versus zitten. De andere kop probeert te identificeren uit welke omgeving de data afkomstig is. Vervolgens dwingt u de feature-extractor om de omgevingsclassificator te verwarren. Het netwerk wordt gedwongen om features te leren die invariant zijn ten opzichte van de kamer — het "platonische ideaal" van een valsignatuur dat er hetzelfde uitziet, of het nu gebeurt in een studioappartement of in een gang van een verpleeghuis.

Toen we dit eindelijk aan de praat kregen — na weken van hyperparameter-tuning en meer dan één laat-avonddebat over gradient reversal layers — stabiliseerde de nauwkeurigheid tussen omgevingen. Niet perfect. Maar inzetbaar. "Eén keer trainen, overal inzetten" ging van ambitie naar technische realiteit.

De renovatie zonder nieuwe hardware

Voor de exploitanten met wie ik spreek — de mensen die instellingen voor begeleid wonen runnen, de actuarissen bij verzekeraars die valrisico modelleren, de directeuren van hospital-at-home-programma's — draait het verhaal niet echt om de AI. Het draait om de economie.

Deze instellingen hebben al zakelijke wifinetwerken. Ze hebben al routers in gangen en access points in gemeenschappelijke ruimtes. Het sensing-vermogen zit al in de signalen die deze apparaten al uitzenden. Met de juiste chipset — de Networking Pro-serie van Qualcomm met de ingebouwde Hexagon NPU, de Wi-Fi 7- en Wi-Fi 8-platforms van Broadcom met de BroadStream-telemetrie-engine, of zelfs ESP32-microcontrollers van 5 dollar die worden ingezet als dedicated sensing-nodes — is de upgrade voornamelijk software.

Geen wearables om aan te schaffen, te verliezen, op te laden of te vervangen. Geen camera's om te installeren, te onderhouden of te verdedigen in een privacyrechtszaak. Eén firmware-update maakt valdetectie in 100 kamers tegelijk mogelijk.

De IEEE formaliseert dit met 802.11bf, de WLAN Sensing-standaard waarvan de ratificatie eind 2024/2025 wordt verwacht. Zodra deze er is, ondersteunt elke nieuwe wifirouter van huis uit CSI-extractie en sensing-verzoeken. De router wordt een gestandaardiseerde radar. De infrastructuur is er al. We hebben hem alleen nog niet gebruikt.

Mensen vragen me weleens of passieve wifi-sensing wearables volledig zal vervangen. Ik denk het niet — niet voor actieve, mobiele groepen die baat hebben bij hartslagmonitoring tijdens het sporten of gps-tracking tijdens buitenactiviteiten. Wearables dienen een reëel doel voor de "jonge ouderen", de leeftijdsgroep van 65 tot 75 die digitaal vaardig en fysiek actief is. Maar voor de 85-jarige met dementie die niet meer weet dat hij een hanger moet opladen? Voor de patiënt die na een operatie thuis herstelt en continue ademhalingsmonitoring nodig heeft? Voor de exploitant van een instelling die 24/7 veiligheidsdekking probeert te bieden zonder camera in elke kamer? Het antwoord is niet een betere wearable. Het antwoord is helemaal geen wearable.

Anderen vragen naar huisdieren — zal een hond valse alarmen veroorzaken? De Dopplersignatuur van een terriër van 15 pond en die van een 80-jarige mens verschillen dramatisch, zowel in snelheidsprofiel als in lichaamsdoorsnede. Het neurale netwerk leert dit onderscheid snel. Katten zijn lastiger, maar de temporele context van het LSTM — de reeks van beweging, niet slechts een enkel frame — handelt de meeste randgevallen af.

De lucht zit al vol informatie

Ik denk vaak aan mijn oma wanneer ik aan deze technologie werk. Ze is geen use case of persona in een pitchdeck. Ze is een persoon die in haar eigen huis wil wonen, met haar eigen routines, zonder een plastic medaillon om haar nek dat haar kwetsbaarheid uitzendt naar elke bezoeker.

De lucht in haar appartement is al verzadigd met wifisignalen. Ze gaan door haar muren, kaatsen af op haar meubels, rimpelen bij elke ademhaling die ze neemt. Op dit moment vervliegt al die informatie ongebruikt — elektromagnetische ruis, onzichtbaar en genegeerd.

We hebben de natuurkunde om het te lezen. We hebben de AI om het te interpreteren. We hebben de hardware al geïnstalleerd in miljoenen huizen. Het enige dat staat tussen waar we nu zijn en waar we moeten zijn, is de bereidheid om te stoppen met gezondheidsmonitoring te zien als iets dat u om een persoon heen bindt, en te beginnen het te zien als iets dat u weeft in de ruimte om hen heen.

De toekomst van gezondheidsmonitoring draait niet om betere gadgets. Het draait om het gebouw zelf bewust maken — en dat bewustzijn onzichtbaar maken.

Het tijdperk waarin we kwetsbare mensen vragen om hun eigen bewakingstechnologie te beheren, loopt ten einde. Niet omdat de technologie faalde, maar omdat de aanname erachter — dat naleving een gebruikersprobleem is in plaats van een ontwerpfout — altijd al fout was. Het antwoord was nooit een betere knop om in te drukken. Het was het wegnemen van de noodzaak om ook maar iets in te drukken.