De onzichtbare hoeder: het overstijgen van wearables met passieve Wi-Fi-sensing en Deep AI

Managementsamenvatting

Het wereldwijde zorglandschap maakt momenteel een ingrijpende demografische verschuiving door, gekenmerkt door een snel vergrijzende bevolking en een gelijktijdige krimp van het beschikbare zorgverlenersbestand. Deze divergentie heeft een wanhopige zoektocht naar technologische kracht aangejaagd vermenigvuldigers—oplossingen die het bereik van clinici en hoeders tot in huis kunnen uitbreiden. De afgelopen tien jaar was het primaire antwoord van de sector "Actieve monitoring": de inzet van wearables, paniekknoppen en smartwatches die vitale functies volgen en noodsituaties detecteren. Een rigoureuze analyse van longitudinale data onthult echter een kritiek gebrek in deze aanpak: ze steunt op de naleving van precies de populatie die die het minst kan bieden. De meest effectieve gezondheidsmonitor is niet degene met de meest geavanceerde sensoren of de langste batterijduur; het is degene die helemaal geen interactie vereist.

Dit whitepaper, geschreven door het gespecialiseerde AI-adviesbureau Veriprajna, dient als een definitieve architecturale blauwdruk voor de volgende generatie Ambient Assisted Living (AAL). Wij stellen dat de sector moet overstappen van apparaatgerichte actieve monitoring naar passieve Wi-Fi-sensing, een paradigma dat de alomtegenwoordige radiofrequentiesignalen (RF) in onze omgeving hergebruikt tot een geavanceerd, onzichtbaar sensingweefsel. Door Channel State Information (CSI)—de complexe fysieke-laagdata die inherent is aan moderne Wi-Fi—te analyseren, kunnen we vallen detecteren, ademhaling monitoren en slaappatronen analyseren met klinische nauwkeurigheid, allemaal zonder één enkel wearable-apparaat.

De overgang naar Wi-Fi-sensing is echter niet louter een hardware-upgrade; het is een signaal verwerkingsuitdaging van de hoogste orde. Het vereist dat we voorbij simplistische statistische methoden gaan en Deep AI omarmen. Dit rapport beschrijft waarom generieke Large Language Model (LLM-)wrappers ontoereikend zijn voor deze taak en waarom Veriprajna pleit voor op maat gemaakte deep- learningarchitecturen—specifiek Convolutional Neural Networks (CNN's), Long Short-Term Memory-netwerken (LSTM) en Transformers—om de subtiele taal van radiogolven te decoderen. We presenteren een alomvattende analyse van de fysica van CSI, de faalmodi van actieve wearables, de deep-neuralenetwerkarchitecturen die nodig zijn voor signaalinterpretatie, en de regelgevingspaden voor het inzetten van onzichtbare biometrie in een enterprisecontext.

Deel I: De nalevingscrisis in wearable-gezondheids

technologie

1.1 De drogreden van actieve medewerking

Het heersende model van Remote Patient Monitoring (RPM) en "Aging in Place"-technologie is fundamenteel gebaseerd op het concept van actieve medewerking. Dit model veronderstelt dat de gebruiker—vaak een oudere die mogelijk lijdt aan cognitieve achteruitgang, artritis of zintuiglijke beperking—optreedt als een verantwoordelijke systeembeheerder van de eigen gezondheids technologie. Van hen wordt verwacht dat ze elke ochtend een apparaat omdoen, ervoor zorgen dat het dagelijks wordt opgeladen, en de interface gebruiken tijdens noodsituaties. Hoewel dit model redelijk goed functioneert voor de "jong-ouderen" (leeftijd 65-75) die digitaal geletterd en actief zijn, faalt het catastrofaal voor de "oud-ouderen" (85+) waar de risico's op vallen en medische noodsituaties het hoogst zijn.

Onderzoek naar de adoptielevenscycli van wearable gezondheidsmonitors onthult een nuchtere en verontrustende realiteit: de apparaten worden vaak opgegeven door wie ze het hardst nodig heeft. Studies naar gebruikersgedrag geven aan dat ongeveer 30% van de gebruikers het gebruik van hun trackers binnen zes maanden na aanschaf staakt. ¹ Dit uitvalpercentage is niet louter een weerspiegeling van consumentenontevredenheid; het vertegenwoordigt een gapend gat in het vangnet. Wanneer een apparaat in een lade ligt, is het monitorsysteem niet alleen verslechterd—het bestaat niet. De afhankelijkheid van de gebruiker om actief deel te nemen aan de eigen surveillance creëert een "nalevingskloof," een gevaarlijke kloof tussen de theoretische veiligheid die de technologie biedt en de praktische realiteit van het niet-gebruik in het dagelijks leven.

1.1.1 De "Doucheparadox" en de kwetsbaarheid van hygiëne

De functionele beperkingen van wearables worden het scherpst gevoeld tijdens activiteiten van het dagelijks leven (ADL's) die water of uitkleden inhouden. De badkamer is statistisch de gevaarlijkste ruimte in huis voor ouderen, met gladde oppervlakken en harde sanitair dat een hoge kans op letsel door vallen creëert. Toch is dit precies de omgeving waar wearables het vaakst afwezig zijn. Wij noemen dit de "Doucheparadox."

Ondanks de IP67- of IP68-waterbestendigheidsclassificaties van moderne apparaten, doen veel ouderen uit gewoonte hun horloges of hangers af voor het baden. Dit gedrag komt voort uit een levenlange ervaring met niet-waterdichte elektronica, angst om een duur apparaat te beschadigen, of eenvoudig lichamelijk ongemak van natte bandjes tegen kwetsbare huid. ² Daardoor is de gebruiker onbewaakt in precies het tijdvenster waarin een val het meest waarschijnlijk is. Als een val plaatsvindt in de douche terwijl het apparaat op het badkamermeubel ligt, is het systeem volledig gefaald. Het "actieve" karakter van het apparaat—waarbij de gebruiker moet besluiten het aan te houden—wordt het single point of failure.

1.1.2 Oplaadvermoeidheid en cognitieve frictie

Buiten de badkamer vormt de eis van regelmatig opladen een aanzienlijke barrière voor ononderbroken bescherming. Voor een 80-jarige kunnen de fijne motoriek die nodig is om een propriétaire magnetische lader aan te sluiten of een micro-USB-kabel in te pluggen, veeleisend zijn. Deze "oplaadvermoeidheid" leidt tot periodes waarin het apparaat op een nachtkastje blijft liggen om op te laden en daarna 's ochtends wordt vergeten.

Data van gebruikers van Personal Emergency Response Systems (PERS) schetsen een zorgwekkend beeld van naleving. Eén studie vond dat 24% van de gebruikers hun hanger helemaal nooit droeg, en slechts 14% echte 24-uursnaleving behaalde. ³ De cognitieve last van het beheren van de batterijduur van het apparaat concurreert met andere dagelijkse stressfactoren, en bij populaties met milde cognitieve stoornis (MCI) of vroege dementie wordt het apparaat simpelweg vergeten. Het resultaat is een "gemonitorde" patiënt die in werkelijkheid grote delen van de dag volledig onbeschermd is.

1.2 Psychologische barrières: het stigma van kwetsbaarheid

Technologieadoptie is geen puur functionele rekensom; ze is diep emotioneel. Veel wearable apparaten, met name de alomtegenwoordige "SOS"-hangers, zijn ontworpen met een uitgesproken medische esthetiek. Ze signaleren aan de wereld—en aan de gebruiker zelf—dat ze kwetsbaar zijn, hulpbehoevend en hulp nodig hebben. Deze stigmatisering is een krachtige drijfveer van afwijzing.

Kwalitatieve metasyntheses van gebruikerservaringen laten zien dat ouderen deze apparaten vaak zien als iets dat hen als oud "brandmerkt." ⁴ De wens om een façade van onafhankelijkheid en vitaliteit te behouden, leidt ertoe dat veel senioren de apparaten onder kleding verbergen (wat hun effectiviteit vermindert) of weigeren ze in het openbaar of in sociale settings te dragen. Het apparaat wordt een symbool van verloren autonomie in plaats van een instrument om die te behouden.

Bovendien creëert de "angst voor valse alarmen" een perverse prikkelstructuur. Gebruikers zijn vaak doodsbang per ongeluk een sirene te activeren of hulpdiensten op te roepen voor een non-event, wat gênant en kostbaar kan zijn. Deze angst leidt ertoe dat sommige gebruikers het apparaat achterlaten om het risico op een vals positief te vermijden, of erger, aarzelen om tijdens een echte noodsituatie op de knop te drukken, terwijl ze zich afvragen of hun situatie "ernstig genoeg" is om de storing te rechtvaardigen. Deze psychologische frictie maakt het actieve triggermechanisme onbetrouwbaar.

1.3 De economische implicaties van apparaatbeheer

Voor enterprise-stakeholders—verzekeraars, Accountable Care Organizations (ACO's), en exploitanten van assisted-livingfaciliteiten—vertegenwoordigt de afhankelijkheid van wearables een aanzienlijke economische inefficiëntie. De inzet van een vloot wearables vergt substantiële kapitaal uitgaven (CapEx) in hardware die vatbaar is voor verlies, breuk en veroudering.

De operationele uitgaven (OpEx) zijn evenzeer bestraffend. Het beheren van een vloot van duizenden apparaten brengt logistieke uitdagingen met zich mee: batterijen vervangen, retouren van kapotte units afhandelen, en technische ondersteuning bieden aan niet-technische gebruikers die moeite kunnen hebben het apparaat te koppelen met een smartphone of Wi-Fi-netwerk. De "churn" van verloren apparaten holt het rendement op investering (ROI) van het monitoringprogramma uit. Nog kritischer: de "schijnveiligheid" van een wearable die niet wordt gedragen, creëert enorme aansprakelijkheid. Als een faciliteit claimt 24/7 monitoring te bieden maar een bewoner valt terwijl het apparaat oplaadt, kan de faciliteit juridische en reputatieschade oplopen door het falen van het vangnet. De sector heeft een structurele verschuiving nodig van "apparaatgerichte" monitoring naar "ruimtegerichte" monitoring—een oplossing die ingebed is in de infrastructuur van het gebouw zelf, nul inspanning van de bewoner vereist, en onmogelijk te verliezen of te vergeten is.

Deel II: De fysica van onzichtbare sensing

2.1 Van RSSI naar Channel State Information (CSI)

Om de Veriprajna-aanpak te waarderen, is het essentieel onderscheid te maken tussen de primitieve vormen van Wi-Fi-sensing die al jaren bestaan en de diepe signaalanalyse waarvoor wij pleiten. Vroege pogingen om Wi-Fi in te zetten voor aanwezigheidsdetectie steunden op Received Signal Strength Indication (RSSI). RSSI is een grove metriek die in bijna alle wireless stacks beschikbaar is; ze vertegenwoordigt het totale vermogen van het ontvangen signaal, doorgaans gemiddeld over het gehele pakket en de frequentie bandbreedte.

Hoewel RSSI afneemt wanneer een object het pad tussen zender en ontvanger blokkeert (shadowing), is het een fundamenteel instabiele metriek met lage resolutie. Het is zeer vatbaar voor multipath fading—waarbij signalen van muren kaatsen en constructief of destructief interfereren—en omgevingsruis. Een verandering in luchtvochtigheid, de beweging van een huisdier, of zelfs het gebruik van een magnetron kan RSSI-fluctuaties veroorzaken die menselijke aanwezigheid nabootsen. Cruciaal is dat RSSI de gevoeligheid mist om fijnkorrelige bewegingen te detecteren; het kan u vertellen of een persoon in de kamer is, maar niet of die persoon ademt. ⁵

Echte Ambient Intelligence vereist toegang tot de fysieke laag (PHY) van de draadloze transmissie, specifiek Channel State Information (CSI) . Moderne Wi-Fi-standaarden (802.11n, 802.11ac, 802.11ax en de komende 802.11be) gebruiken Orthogonal Frequency-Division Multiplexing (OFDM). In OFDM wordt het draadloze kanaal (bijv. een 20 MHz- of 40 MHz-kanaal) verdeeld in tientallen of honderden subcarriers. CSI beschrijft de voortplanting van het signaal van zender naar ontvanger voor elke afzonderlijke subcarrier .

Wiskundig, als $X$ de verzonden signaalvector is en $Y$ de ontvangen signaalvector is, wordt de relatie gemodelleerd als:

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

Waarbij $N$ de ruisvector is en $H$ de Channel State Information-matrix is. In tegenstelling tot RSSI, dat een scalaire waarde is, $H$ is een complexe matrix met twee onderscheiden componenten voor elke subcarrier:

1.​ Amplitude ($|H|$): De verzwakking van de signaalsterkte bij die specifieke frequentie.

2.​ Fase ($\angle H$): De vertraging of faseverschuiving van het signaal bij die specifieke frequentie.

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

Deze matrix levert een hogeresolutie-"beeld" van de draadloze omgeving. Omdat verschillende subcarriers verschillende golflengtes hebben, interageren ze anders met objecten in de kamer. CSI legt de verstrooiing, reflectie en diffractie door het menselijk lichaam vast met granulaire detail die RSSI eenvoudigweg niet kan zien. ⁶

2.2 Het Fresnel-zonemodel en detectie van micromotie

Het theoretische kader waarmee we menselijke beweging uit deze elektromagnetische data kunnen halen, is het Fresnel-zonemodel . Fresnel-zones zijn een reeks concentrische langgerekte ellipsoïden met de zender (Tx) en ontvanger (Rx) als brandpunten.

Wanneer een radiogolf van Tx naar Rx reist, volgt ze niet één rechte lijn. Ze plant zich voort door het ruimtevolume dat deze Fresnel-zones definiëren. Als een dynamisch object (een mens) binnen deze zones bestaat, reflecteert het een deel van het signaal. Het ontvangen signaal bij de Rx is een superpositie van het directe line-of-sightpad (LoS) en het dynamische pad dat van het menselijk lichaam is weerkaatst.

De padlengte van het gereflecteerde signaal verandert naarmate de persoon beweegt. Deze verandering in pad lengte, $d(t)$, introduceert een faseverschuiving in de dynamische component van de CSI. De relatie wordt bepaald door de golflengte ($\lambda$) van het signaal:

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

Voor een standaard 5 GHz-Wi-Fi-signaal is de golflengte $\lambda$ ongeveer 6 centimeter. Dit betekent dat een beweging van slechts 3 centimeter (een halve golflengte) volstaat om het signaal van constructieve interferentie (piek) naar destructieve interferentie (nul) te verschuiven. Deze extreme gevoeligheid is de sleutel tot ademhalingsdetectie . Tijdens de ademhaling verplaatst de menselijke borstwand zich ongeveer 4 tot 12 millimeter. Hoewel deze beweging op afstand onzichtbaar is voor het blote oog, vertegenwoordigt ze in het domein van 5 GHz- of 6 GHz-Wi-Fi een significant deel van een golflengte. Terwijl de borst uitzet en samentrekt, doorkruist ze de Fresnel-zones, wat een ritmische, periodieke oscillatie in de fase en amplitude van de CSI-data veroorzaakt. Door deze subtiele rimpelingen in de CSI-stroom te analyseren, kunnen de algoritmen van Veriprajna de ademhalingsgolfvorm reconstrueren met een nauwkeurigheid vergelijkbaar met medische ademhalingsgordels. ⁸

2.3 Dopplersignaturen en kinematische analyse

Voor macromovementen zoals lopen of vallen kijken we voorbij eenvoudige faseverschuivingen naar Doppler frequentieverschuivingen. Het dopplereffect stelt dat een golf die van een bewegend object weerkaatst een frequentieverandering ondergaat evenredig met de snelheid van het object.

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

Waarbij $v$ de snelheid van het lichaamsdeel is en $\theta$ de bewegingshoek ten opzichte van de voortplantingsrichting van de golf is. Verschillende menselijke activiteiten genereren unieke "Dopplersignaturen."

●​ Lopen: Het zwaaien van armen en benen creëert een complex patroon van positieve en negatieve dopplerverschuivingen, naarmate ledematen naar de ontvanger toe en ervan af bewegen.

●​ Vallen: Een val kenmerkt zich door een specifieke kinematische sequentie: verlies van evenwicht (pre-val), een snelle, versnellende daling door de zwaartekracht (de val), en een plotselinge impact gevolgd door onbeweeglijkheid.

Door Short-Time Fourier Transforms (STFT) of Discrete Wavelet Transforms (DWT) toe te passen op de CSI-tijdreeksdata kunnen we een spectrogram genereren—een visuele weergave van snelheid over tijd. Een val verschijnt als een duidelijke hoogenergetische piek in het spectrogram, die neerwaarts versnelt, gevolgd door een abrupt ophouden van energie (de "Long Lie"). Dit stelt het systeem in staat een gevaarlijke val te onderscheiden van een gecontroleerde actie zoals gaan zitten of liggen op een bed. ¹⁰

2.4 Through-wall-sensing en NLOS-mogelijkheden

Een van de meest ingrijpende voordelen van Wi-Fi-sensing ten opzichte van optische (cameragebaseerde) of infraroodsystemen (LIDAR) is het vermogen om te werken in non-line-of-sightomstandigheden (NLOS) . Wi-Fi-signalen op 2,4 GHz en 5 GHz hebben uitstekende penetratie-eigenschappen voor standaard bouw materialen zoals gipsplaat, hout en glas.

In een typische woonomgeving kaatst het Wi-Fi-signaal van muren, vloeren, plafonds en meubels, wat een "multipath"-omgeving creëert. Zelfs als het accesspoint in de gang staat en de gebruiker in de slaapkamer achter een gesloten deur, dringt het signaal de kamer binnen, weerkaatst het van de gebruiker en dringt het terug naar de ontvanger. De gebruiker hoeft niet in visuele zin door de router te worden "gezien". De vervorming die ze in het elektromagnetische veld veroorzaken, plant zich voort door de obstakels. Deze op fysica gebaseerde alomtegenwoordigheid zorgt ervoor dat "blinde vlekken"—die camera systemen teisteren (bijv. achter een douchegordijn of een scheidingswand)—vrijwel verdwijnen. Eén enkele Wi-Fi- sensinglink kan effectief een hele kamer of zelfs aangrenzende kamers monitoren, en biedt een dekkingsniveau dat een constellatie van camera's zou vereisen om te evenaren. ¹²

Deel III: Van signaal naar inzicht – de Deep AI architectuur

3.1 Voorbij "LLM-wrappers": de noodzaak van signaalverwerkings-AI

Op de hedendaagse technologiemarkt is de term "AI" bijna synoniem geworden met Large Language Models (LLM's) zoals GPT. Hoewel LLM's transformerend zijn voor tekst en code, zijn ze fundamenteel ongeschikt voor de taak om ruwe radiofrequentiedata te interpreteren. CSI- data is continu, complexwaardig, hoogdimensionaal en onderworpen aan de wetten van de fysica, niet aan de regels van de grammatica.

Veriprajna onderscheidt zich als Deep AI -oplossingsaanbieder. We wrappen niet simpelweg een API rond een voorgetraind tekstmodel. We ontwerpen op maat gemaakte deep neural networks, specifiek voor temporele signaalverwerking. Een LLM kan geen 5 GHz-golfvorm "lezen"; het vereist architecturen die tijd, frequentie en ruimtelijke correlatie begrijpen. Onze aanpak gebruikt een geavanceerde stack van Convolutional Neural Networks (CNN's), Recurrent Neural Networks (RNN's) en Transformers om klinische inzichten uit RF-ruis te halen.

3.2 De preprocessingpijplijn: het reinigen van de ether

Ruwe CSI-data die uit commodity-Wi-Fi-chipsets wordt gehaald, is inherent ruisrijk. Ze is gecorrumpeerd door hardwareonvolkomenheden zoals Carrier Frequency Offset (CFO), Sampling Frequency Offset (SFO) en willekeurig pakketverlies. Deze ruwe data rechtstreeks in een neuraal netwerk voeden zou tot slechte prestaties leiden. Daarom hanteert Veriprajna een rigoureuze, physics-informed preprocessingpijplijn:

1.​ Fasesanering: De ruwe fasedata van een Wi-Fi-chip is "gewrapped" binnen het bereik van $[-\pi, \pi]$. We gebruiken lineaire transformatiealgoritmen om de fase te "unwrappen", waarbij de continue faseverandering door beweging wordt gereconstrueerd. Bovendien passen we lineaire fitting toe om de fasehelling te verwijderen die wordt veroorzaakt door ongesynchroniseerde klokken tussen zender en ontvanger. ¹¹

2.​ Uitschieters verwijderen: We gebruiken Hampelfilters en mediaanfiltering om impulsieve ruis te verwijderen die wordt veroorzaakt door plotselinge elektrische interferentie of hardwarestoringen.

3.​ Dimensionaliteitsreductie: Een typische CSI-stroom kan data van 3 antennes bevatten $\times$ 56 subcarriers = 168 datastromen. Niet al deze stromen dragen nuttige informatie; sommige kunnen in een "deep fade" zitten (destructieve interferentie) en vooral ruis bevatten. We passen principale-componentenanalyse (PCA) toe om de principale componenten te extraheren die de maximale variantie in het signaal verklaren. De eerste principale component komt doorgaans overeen met de dominante beweging in de kamer (bijv. ademhaling), terwijl de daaropvolgende componenten ruis vastleggen. ⁵

3.3 Deep-learningmodellen voor CSI-analyse

Zodra de data is gesaneerd, wordt ze gevoed aan de propriëtaire deep-learningmodellen van Veriprajna. We pleiten voor een hybride architectuur die de sterktes van verschillende neurale-netwerk typen benut.

3.3.1 Convolutional Neural Networks (CNN's) voor ruimtelijke kenmerken

We behandelen de CSI-datamatrix (subcarriers $\times$ tijd) als een pseudo-afbeelding. Net zoals een CNN de randen van een kat op een foto kan identificeren, kan het de "randen" van een bewegingsgebeurtenis identificeren in het RF-spectrum. Een 2D-CNN of 1D-CNN schuift een kernel over de subcarrierdimensie. Hierdoor kan het model ruimtelijke correlaties leren—bijvoorbeeld inzien dat een valgebeurtenis een gelijktijdige amplitudedaling veroorzaakt over een specifiek cluster van subcarriers. Deze ruimtelijke kenmerkextractie is cruciaal om menselijke beweging te onderscheiden van achtergrondruis zoals een draaiende ventilator, die een andere spectrale signatuur heeft. ¹⁵

3.3.2 Long Short-Term Memory (LSTM) voor temporele context

Menselijke activiteiten zijn inherent temporele sequenties. Een "val" is geen enkel tijdstip; het is een sequentie van gebeurtenissen: staan $\rightarrow$ evenwicht verliezen $\rightarrow$ dalen $\rightarrow$ impact $\rightarrow$ stil liggen. Een CNN alleen zou het "impact"-frame kunnen classificeren als een val, maar zou ook op een bed springen als een val kunnen classificeren.

Om dit op te lossen, voeden we de output van de CNN in een Long Short-Term Memory (LSTM)- netwerk. LSTM is een type Recurrent Neural Network (RNN) dat is ontworpen om langetermijn afhankelijkheden te onthouden. Het onderhoudt een "geheugencel" die context uit eerdere tijdstappen meedraagt. Dit stelt het model in staat de sequentie te begrijpen: "De gebruiker liep (snelheid X), versnelde vervolgens neerwaarts (snelheid Y), en is nu stationair (snelheid 0) op de vloer." Deze temporele context is wat het systeem in staat stelt een val te onderscheiden van een gecontroleerde actie zoals gaan zitten. ¹⁵

3.3.3 Dual-branch Transformers en aandachtmechanismen

De frontier van ons onderzoek ligt in Transformer-architecturen. In tegenstelling tot RNN's die data sequentieel verwerken, verwerken Transformers de hele sequentie in één keer met "self-attention"- mechanismen. Dit stelt het model in staat het belang van verschillende delen van het signaal te wegen.

Veriprajna stelt een dual-brancharchitectuur voor:

●​ Tak A (amplitude): Verwerkt de magnitudeveranderingen om grove motorische bewegingen te detecteren (lopen, vallen).

●​ Tak B (fase): Verwerkt faseverschuivingen om micromovementen te detecteren (ademhaling, hart slagvariabiliteit).

Deze twee takken worden gefuseerd via een aandachtlaag . Het aandachtmechanisme prioriteert dynamisch de meest relevante stroom op basis van de context. Als de gebruiker bijvoorbeeld slaapt, leert het model meer aandacht te geven aan de fasetak (waar het ademhalingssignaal het sterkst is) en de amplitudetak te negeren. Omgekeerd, als de gebruiker loopt, krijgt de amplitude tak een hoger gewicht. Deze multimodale fusie versterkt de robuustheid van het systeem aanzienlijk. ¹⁷

3.4 De omgevingsafhankelijkheid oplossen: domeinadaptatie

Een historische kritiek op Wi-Fi-sensingonderzoek is het gebrek aan generaliseerbaarheid. Een model getraind op data verzameld in "Lab A" faalt vaak bij inzet in "Appartement B" omdat de multipath-omgeving (kamergrootte, meubelopstelling) anders is. Het model overfit op de specifieke reflecties van de trainingskamer.

Veriprajna pakt dit aan met Domain Adversarial Neural Networks (DANN's) . Deze techniek houdt in dat het netwerk wordt getraind met twee concurrerende doelen:

1.​ Activiteitenclassificator: Minimaliseer de fout bij het voorspellen van de activiteit (bijv. "Val" vs. "Loop").

2.​ Domeindiscriminator: Maximaliseer de fout bij het voorspellen van de omgeving (bijv. "Lab" vs. "Thuis").

Door de Feature Extractor te dwingen de Domain Discriminator te verwarren, wordt het netwerk gedwongen kenmerken te leren die invariant zijn aan de omgeving—het "platonische ideaal" van een val signatuur die er hetzelfde uitziet, of die nu plaatsvindt in een studioappartement of een gang van een verpleeghuis. Dit maakt een "train once, deploy everywhere"-model mogelijk dat essentieel is voor enterprise-schaalbaarheid. ¹⁹

Deel IV: Klinische toepassingen en use cases

4.1 Ademhalingsmonitoring: de vitale functie van de toekomst

Ademhalingsfrequentie (RR) wordt vaak de "vergeten vitale functie" genoemd, toch is het een leidende indicator voor klinische achteruitgang bij aandoeningen zoals chronische obstructieve longziekte (COPD), congestief hartfalen (CHF) en longontsteking. Traditionele monitoring vereist het dragen van een borstband of een canule, wat oncomfortabel is voor langdurig gebruik.

Met de faseverschilanalyse beschreven in sectie 2.2 biedt Wi-Fi-sensing continue, contactloze ademhalingsmonitoring.

●​ Nauwkeurigheid: Experimentele evaluaties met Beamforming Feedback Matrices (BFM's) hebben aangetoond dat schattingsfouten van de ademhalingsfrequentie lager zijn dan 3,2 ademhalingen/minuut. ⁵ Meer geavanceerde deep-learningmodellen bereiken correlatiecoëfficiënten van meer dan 0,92 met referentie-ademhalingsgordels. ²¹

●​ Slaapapneudetectie: Het systeem is bijzonder revolutionair voor het detecteren van obstructieve slaapapneu (OSA). Door het staken van ademhalingsbeweging tijdens slaap te monitoren, kan het systeem mogelijke apneugebeurtenissen (AHI-index) markeren zonder de noodzaak van een omslachtige polysomnografiestudie (PSG) in een slaaplab. Dit maakt longitudinale screening van de oudere bevolking mogelijk, waarbij niet-gediagnosticeerde slaapstoornissen worden geïdentificeerd die bijdragen aan cardiovasculair risico. ²²

4.2 Valdetectie: de "Long Lie" en contextbewustzijn

Vallen zijn de belangrijkste oorzaak van dodelijk letsel onder ouderen. De onmiddellijke impact is echter vaak minder gevaarlijk dan de "Long Lie"—urenlang op de vloer blijven liggen zonder te kunnen opstaan, wat leidt tot rabdomyolyse, dehydratie en doorligwonden.

De Wi-Fi-sensingoplossing van Veriprajna biedt een alomvattend valmanagementsysteem:

1.​ Pre-val-ganganalyse: Door continu loopsnelheid en pas consistentie (gangvelocity) over weken te monitoren, kan het systeem de subtiele achteruitgang in mobiliteit detecteren die vaak aan een val voorafgaat. Een geleidelijke vertraging van de loopsnelheid is een klinisch gevalideerde voorspeller van valrisico, wat preventieve interventie mogelijk maakt (bijv. fysio therapie) voordat een ongeval plaatsvindt. ²

2.​ Realtime detectie: Met de eerder beschreven Dopplersignaturen detecteert het systeem de valgebeurtenis met hoge sensitiviteit (>97%). ²³

3.​ Post-valcontext: Cruciaal is dat het systeem de persoon na de val blijft monitoren. Als de CSI een gebrek aan grove motorbeweging aangeeft maar de aanwezigheid van micromotie (ademhaling) op vloerniveau, bevestigt het systeem een "val met onvermogen tot herstel" en escaleert het de melding. Dit contextbewustzijn vermindert valse alarmen aanzienlijk vergeleken met wearable-accelerometers, die het laten vallen van het apparaat op de vloer als een val kunnen registreren. ²⁴

4.3 Analyse van slaapkwaliteit en slaaphygiëne

Slaapkwaliteit is een enorme determinant van gezondheid bij ouderen. Huidige consumentenslaap trackers (smartwatches) schatten slaapstadia op basis van polsbeweging (actigrafie) en optische hartslag. Wi-Fi-sensing biedt "whole-body-actigrafie."

Door de intensiteit en periodiciteit van lichaamsbewegingen in bed te analyseren, kan het systeem slaapstadia classificeren:

●​ Waakzaamheid: Hoge amplitude, onregelmatige bewegingen.

●​ Lichte slaap: Verminderde beweging, regelmatige ademhaling.

●​ Diepe/REM-slaap: Atonische (verlamde) lichaamstoestand met sterk ritmische ademhalings signaturen.

Het systeem genereert "slaaphygiëne"-rapporten met Sleep Onset Latency (tijd tot inslapen), Wake After Sleep Onset (WASO) en totale slaapduur. Cruciaal is dat het ook bedverlatingen kan volgen, waarbij zorgverleners worden gewaarschuwd als een dementiepatiënt 's nachts uit bed dwaalt en niet binnen een veilig venster terugkeert. ³

Deel V: De privacyparadox – sensing zonder surveillance

5.1 Het debat "camera versus sensor"

Visuele privacy is een overkoepelende zorg voor ouderen. Hoewel camera's effectief zijn voor monitoring, worden ze breed afgewezen in privé-ruimtes zoals slaapkamers en badkamers. Het gevoel "bekeken" te worden, het risico naaktheid vast te leggen, en de mogelijkheid dat videofeeds worden gehackt, creëren immense weerstand tegen cameragebaseerde AAL-oplossingen.

Wi-Fi-sensing lost deze privacyparadox op. Het is visueel blind . De verzamelde data—CSI- matrices—bestaan uit complexe getallen die signaalvoortplanting weergeven. Het is onmogelijk voor een mens om naar een CSI-pakket te kijken en het gezicht of lichaam van een persoon te "zien". Zelfs als een kwaadwillende actor de ruwe datastroom onderschepte, zou die geen beeld of video ophalen, maar een stroom van onbegrijpelijke signaalvervormingen. Dit maakt Wi-Fi-sensing uniek geschikt voor badkamer monitoring—de gevaarlijkste kamer in huis waar camera's strikt verboden zijn. ³

5.2 GDPR- en HIPAA-naleving

Voor enterpriseklanten is regelgevingsnaleving niet onderhandelbaar. Wi-Fi-sensingdata, specifiek CSI, wordt geclassificeerd als biometrische data onder de Algemene Verordening Gegevensbescherming (AVG/GDPR) (artikel 9) omdat ze potentieel kan worden gebruikt om individuen te identificeren op basis van hun gang of lichaamsvorm (biometrische identificatie). ²⁸ Evenzo, onder de Health Insurance Portability and Accountability Act (HIPAA), is gezondheidsdata die uit huis wordt afgeleid Protected Health Information (PHI).

De architectuur van Veriprajna waarborgt naleving via een strikte edge-verwerkingsstrategie:

1.​ Dataminimalisatie: Ruwe CSI-data wordt lokaal verwerkt op het Wi-Fi-accesspoint of een lokale edge-gateway (met de NPU). Het ruwe, high-bandwidth biometrische signaal wordt nooit naar de cloud verzonden. Het wordt onmiddellijk na inferentie verworpen.

2.​ Geabstraheerde inzichten: Alleen de inferentie-gebeurtenis wordt verzonden. De cloud ontvangt een JSON- pakket: {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. Deze tekststring bevat geen biometrische data en kan niet worden reverse-engineered tot identificatie van de fysiologie van de gebruiker.

3.​ Anonimisering: In standaardconfiguraties volgt het systeem "aanwezigheid" en "beweging" zonder die te koppelen aan een specifieke identiteit. Het detecteert dat een persoon viel, niet wie viel, tenzij specifiek geconfigureerd voor meerpersoonssporing met toestemming van de gebruiker.

4.​ Beveiliging: Alle datatransmissie is versleuteld via TLS 1.3/WPA3, en de lokale edge- apparaten zijn beveiligd met 802.1X-authenticatie om onbevoegde toegang te voorkomen. ³⁰

5.3 Het gastprobleem en sociale aanvaardbaarheid

Een groot frictiepunt voor camera's is de monitoring van bezoekers. Wanneer familieleden of zorgverleners op bezoek komen, worden zij ook opgenomen, wat toestemmingskwesties oproept. Wi-Fi-sensing is inherent minder indringend. Hoewel het de aanwezigheid van andere mensen detecteert, legt het hun gezichten of gesprekken niet vast. Deze "zachte surveillance" is veel socialer aanvaardbaar in semiprivé-ruimtes zoals gemeenschappelijke ruimtes in assisted living of gedeelde appartementen, en vermindert de juridische complexiteit van toestemming van elke bezoeker. ³³

Deel VI: Infrastructuur en het hardware-ecosysteem

6.1 De commoditisering van sensinghardware

Een strategisch voordeel van Wi-Fi-sensing is dat het bestaande infrastructuur benut. Het vereist geen gaten boren om propriëtaire sensoren aan elke muur te installeren. De overgang van Wi-Fi van een zuivere communicatiestandaard naar een sensingstandaard wordt geformaliseerd in IEEE 802.11bf (WLAN Sensing), waarvan volledige ratificatie eind 2024/2025 wordt verwacht. Deze standaard zal ervoor zorgen dat toekomstige Wi-Fi-chipsets native CSI-extractie en sensingverzoeken ondersteunen, waardoor elke router een gestandaardiseerde radar wordt. ³⁵

6.2 Belangrijke siliciumenablers

De softwarestack van Veriprajna is hardware-agnostisch maar geoptimaliseerd voor de toonaangevende chipsets die toegang tot CSI-data bieden:

●​ Qualcomm: Qualcomm's "Networking Pro Series" en "FastConnect"-platforms (Wi-Fi 7) zijn cruciale enablers. Cruciaal is dat Qualcomm de Hexagon NPU (Neural Processing Unit) in hun SoC's integreert. Dit stelt Veriprajna in staat de deep-learningmodellen (Transformers/CNN's) rechtstreeks op de router of gateway te draaien met hoge energie-efficiëntie, waardoor de hierboven beschreven edge-verwerkingsstrategie mogelijk wordt. De Qualcomm AI Stack en AI Hub bieden de toolchains om PyTorch-modellen om te zetten in gekwantiseerde binaries die draaien op de Hexagon DSP, wat realtime prestaties zonder cloudlatentie waarborgt. ³⁶

●​ Broadcom: Met hun nieuw aangekondigde Wi-Fi 8-ecosysteem en Wi-Fi 7-chips (BCM6726, BCM4390) heeft Broadcom de "BroadStream"-wireless-telemetry-engine geïntroduceerd. Dit hardwareblok is specifiek ontworpen om het verzamelen en verwerken van sensingdata te ontlasten, en levert de hoogfrequente, low-latency CSI-stromen die nodig zijn voor AI- training en inferentie. ⁴⁰

●​ Espressif (ESP32): Voor goedkope, gedistribueerde sensingnodes (bijv. het creëren van een dicht mesh in een grote faciliteit) is de ESP32-microcontroller een gamechanger. De ESP-CSI Toolkit stelt ontwikkelaars in staat CSI-data uit deze goedkope ($5) chips te halen. Hoewel minder krachtig dan een router, kan een ESP32 als dedicated sensingontvanger fungeren, die data voedt naar een centrale gateway. Dit maakt kosteneffectieve schaling van het sensingweefsel mogelijk. ⁴³

6.3 Het commerciële softwarelandschap

Veriprajna treedt op als gespecialiseerde integrator en AI-ontwikkelaar bovenop fundamentele sensing platforms:

●​ Cognitive Systems (Aura WiFi Motion): Biedt een volwassen, breed ingezette API voor bewegingsoverlay. Hun stack handelt de lagere CSI-extractie en basisbewegings classificatie af, zodat Veriprajna zich kan richten op de hogere medische interpretatie. ²⁶

●​ Origin Wireless (AI Sensing): Pioniers in "Time Reversal Machine"-technologie voor multipath-analyse. Hun "TruPresence"- en valdetectie-engines zijn branchenormen voor nauwkeurigheid. De software van Origin draait volledig op de edge, wat perfect aansluit bij onze privacy-first-architectuur. ³⁵

Deel VII: Strategische implementatie voor enterprise

7.1 De "zero-hardware-retrofit"

Voor verpleeghuizen, assisted-livingfaciliteiten en hospital-at-home-aanbieders is de primaire waarde propositie van Wi-Fi-sensing de "zero-hardware-retrofit." Deze faciliteiten beschikken al over enterprise-grade Wi-Fi-netwerken voor connectiviteit. Door de softwarestack van Veriprajna in te zetten (of firmware te updaten naar een sensing-enabled versie), transformeert de faciliteit haar bestaande communicatienetwerk tot een veiligheidsnetwerk.

●​ CapEx-besparingen: Elimineert de noodzaak duizenden wearables aan te schaffen of camera's in elke kamer te installeren.

●​ Onderhoud: Geen batterijen te wisselen in hangers. Geen verloren apparaten te vervangen.

●​ Schaalbaarheid: Een software-update kan valdetectie in 100 kamers direct inschakelen.

7.2 Implementatiemethodologie

Het implementeren van Wi-Fi-sensing vereist een gestructureerde aanpak om dekking en nauwkeurigheid te waarborgen:

1.​ Sitesurvey: Beoordeel de Wi-Fi-dichtheid. Sensing vereist een bepaalde signaaldichtheid. Een enkele router kan een klein appartement dekken, maar een mesh-netwerk (pods in verschillende kamers) is ideaal voor "whole home"-dekking om te zorgen dat er genoeg sensinglinks de badkamer en slaapkamer kruisen. ⁴⁹

2.​ Hardware-audit: Verifieer of bestaande accesspoints compatibele chipsets gebruiken (Qualcomm/Broadcom) die CSI-extractie ondersteunen.

3.​ Edge-gatewaysetup: Bepaal of de AP's voldoende compute (NPU/CPU) hebben voor on-device inferentie. Zo niet, kan een lokale edgeserver (bijv. een kleine industriële pc die de AI- modellen draait) data van lichtgewicht AP's aggregeren.

4.​ Kalibratie: Draai de DANN-modellen (Domain Adversarial) voor een korte "inbrand"-periode (bijv. 24 uur) om zich aan te passen aan de specifieke meubelopstelling en structurele materialen van het gebouw, en een baseline voor de statische omgeving vast te stellen.

7.3 ROI en waardegerealisatie

●​ Minder ziekenhuisheropnames: Door gangveranderingen vroeg te detecteren, kan preventieve fysio therapie worden toegediend, waardoor de val die tot een heupfractuur en kostbare hospitalisatie leidt, wordt voorkomen.

●​ Personeelsefficiëntie: "Nachtrondes" kunnen datagedreven zijn. In plaats van elke bewoner wakker te maken om hen te controleren (wat slaap verstoort), kan personeel het centrale dashboard monitoren op slaap stoornissen of bedverlatingen, en alleen aanwezig zijn bij wie hulp nodig heeft.

●​ Verzekeringspremies: Faciliteiten met continue, non-invasieve monitoring kunnen in aanmerking komen voor lagere aansprakelijkheidspremies door het lagere risico op onontdekte ongevallen en het vermogen datagedreven bewijs van zorg te leveren.

Conclusie: de onvermijdelijkheid van Ambient Intelligence

Het tijdperk van "gadgets" in de ouderenzorg loopt ten einde. De frictie van naleving, de vernedering van wearable-stigma, en de functionele beperkingen van batterijgevoede apparaten maken De toekomst van gezondheidsmonitoring gaat niet over het vastbinden van sensoren op mensen; het gaat over het bouwen van sensoren om hen heen.

Passieve Wi-Fi-sensing vertegenwoordigt de convergentie van geavanceerde fysica, alomtegenwoordige infrastructuur en Deep AI. Het eerbiedigt de heiligheid van het huis door onzichtbaar te blijven, en biedt toch klinische waakzaamheid. Het lost de "Doucheparadox" op, elimineert oplaadvermoeidheid, en behoudt de privacy van de gebruiker. Voor Veriprajna is dit niet slechts een technische evolutie; het is een morele verplichting om waardigheid en veiligheid te bieden aan de vergrijzende bevolking via intelligentie die wordt gevoeld, maar niet gezien.

De lucht om ons heen is gevuld met informatie. Het is tijd dat we ernaar luisteren.

Tabel 1: Vergelijkende analyse van monitoringtechnologieën

Kenmerk	Wearables (actieve monitoring)	Camera's (visuele monitoring)	Passieve Wi-Fi- sensing (Veriprajna)
Gebruikersnaleving	Hoge frictie: Vereist dragen, opladen en handmatige meldingen.	Nul inspanning: Passief.	Nul inspanning: Passief.
Privacy-impact	Laag: alleen data (acceleratie/HR).	Ernstig: visuele opname van intieme ruimtes.	Laag: abstracte CSI- signalen; geen visuele identificatoren.
Badkamer veiligheid	Kritiek falen: Vaak afgedaan voor douchen/baden.	Onacceptabel: Privacybezwaren verbieden gebruik.	Uitstekend: werkt in NLOS; dringt door stoom/gordijnen.
Onderhoud	Hoog: batterij	Gemiddeld: lens	Laag: software

Col1	vervanging, verloren apparaat beheer.	reiniging, stroom voorziening.	updates; benut bestaande Wi-Fi.
Blinde vlekken	Geen (indien gedragen).	Hoog: geblokkeerd door meubels, muren, duisternis.	Minimaal: signalen dringen door muren en meubels.
Datarijkdom	Acceleratie, hart slag.	Gang, pose, context.	Ademhaling, gang, slaapstadia, vallen.
Geschiktheid voor dementie	Slecht: gebruikers vergeten te dragen of doen apparaten actief af.	Gemiddeld.	Hoog: kan niet worden afgedaan of vergeten.

Tabel 2: Regelgevend en technisch kader

Vereiste	Standaard / regelgeving	Implicatie voor Wi-Fi- sensing
Dataprivacy	AVG/GDPR (artikel 9)	CSI is biometrische data. Vereist expliciete toestemming en rigoureuze data bescherming (edge-AI).
Gezondheidsdata	HIPAA	In-huis gezondheidsmonitoring creëert PHI. Data moet onderweg en in rust worden versleuteld.
Hardwarestandaard	IEEE 802.11bf	Toekomstige "WLAN Sensing"- standaard zal CSI-extractie over vendors standaardiseren.
AI-verwerking	Edge-AI (NPU)	Verwerking moet plaatsvinden on-device (Qualcomm Hexagon/Broadcom) om

Tabel 3: Veriprajna Deep AI-stack versus generieke aanpakken

Laag	Generieke / concurrentie aanpak	Veriprajna Deep AI- aanpak
Invoerdata	RSSI (signaalsterkte) of ruwe CSI	Gesaneerde CSI (fase unwrapping, PCA- denoising, Hampel filtering)
Kenmerkextractie	Statistische kenmerken (gemiddelde, variantie)	CNN's (convolutionele neurale netwerken) voor ruimtelijke/spectrale kenmerken
Temporele logica	Drempelgebaseerd (als signaal daalt > X)	LSTM / GRU (recurrente neurale netwerken) voor sequentiecontext
Fusie	Enkele stroom	Dual-branch Transformer (amplitude + fase) met aandachtmechanisme
Generalisatie	Locatiespecifieke kalibratie vereist	Domain Adversarial Neural Networks (DANN) voor omgevings onafhankelijkheid

Bronnen: ¹

Geraadpleegde bronnen

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

2. Fall Detection Using Wi-Fi Sensing, geraadpleegd op 12 december 2025, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, geraadpleegd op 12 december 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, geraadpleegd op 12 december 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, geraadpleegd op 12 december 2025, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, geraadpleegd op 12 december 2025, https://en.wikipedia.org/wiki/Channel_state_information

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

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

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

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, geraadpleegd op 12 december 2025, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

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

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

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

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

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

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

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

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

26. WiFi Motion - Cognitive Systems, geraadpleegd op 12 december 2025, https://www.cognitivesystems.com/wifi-motion/

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

29. Biometric recognition | ICO, geraadpleegd op 12 december 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, geraadpleegd op 12 december 2025, https://hipaatimes.com/making-wi-fi-hipaa-compliant

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

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

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

34. Surveillance Risks in Wi-Fi Sensing, geraadpleegd op 12 december 2025, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, geraadpleegd op 12 december 2025, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, geraadpleegd op 12 december 2025, https://www.qualcomm.com/wi-fi

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

38. NPU AI Engine - Qualcomm, geraadpleegd op 12 december 2025, https://www.qualcomm.com/processors/ai-engine

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

42. Accessing the IoT ecosystem - Broadcom Inc., geraadpleegd op 12 december 2025, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, geraadpleegd op 12 december 2025, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, geraadpleegd op 12 december 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, geraadpleegd op 12 december 2025, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, geraadpleegd op 12 december 2025, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, geraadpleegd op 12 december 2025, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, geraadpleegd op 12 december 2025, https://iconoutlook.com/origin-wireless/

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

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

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