Voorbij de wearable met passieve Wi-Fi-sensing en Deep AI
De meest effectieve gezondheidsmonitor is niet degene met de meest geavanceerde sensoren of de langste batterijduur; het is degene die helemaal geen interactie vereist.
De oplossing voor passieve Wi-Fi-sensing van Veriprajna detecteert valpartijen, bewaakt de ademhaling en analyseert slaappatronen met klinische nauwkeurigheid—geheel zonder een enkele wearable. Door Channel State Information (CSI) uit bestaande Wi-Fi-infrastructuur te analyseren, hebben we de compliancecrisie opgelost die de ouderenzorg plaagt.
Veriprajna werkt samen met verpleeghuizen, woonzorgcentra, aanbieders van hospital-at-home en verzekeringsmaatschappijen om onzichtbare vangnetten uit te rollen die waardigheid respecteren en tegelijk klinische alertheid bieden.
Transformeer uw bestaande Wi-Fi-netwerk tot een integraal veiligheidssysteem. Nul hardware-installatie, geen batterijen te beheren, geen kwijtgeraakte apparaten. Bewaak 100+ bewoners met een software-update.
Maak echt "Hospital at Home" mogelijk met continue ademhalingsmonitoring, ganganalyse voor valpreventie en slaapkwaliteitbewaking—allemaal HIPAA-conform met edge-AI-verwerking.
Verkrijg objectieve, longitudinale data over patiëntactiviteit, mobiliteitsafname en valrisico. Datagedreven interventies verminderen claims en verbeteren tegelijk de uitkomsten voor de groep "oud-oud" (85+).
Het heersende model van Remote Patient Monitoring veronderstelt actieve medewerking van juist die bevolkingsgroep die daartoe het minst in staat is.
De badkamer is de gevaarlijkste ruimte voor ouderen, en tegelijk precies de plek waar wearables worden uitgedaan. Ondanks IP67/IP68-classificaties doen gebruikers gewoontematig hun apparaat uit voordat ze gaan baden—wat een dektingsgat creëert op het moment van het hoogste risico.
Voor mensen met artritis of Mild Cognitive Impairment is dagelijks opladen een last. Studies tonen dat 24% van de PERS-gebruikers hun hanger nooit droeg en slechts 14% werkelijk 24 uur per dag volhield.
Medische alarmhangers "brandmerken" gebruikers als oud en kwetsbaar. Veel ouderen verbergen apparaten onder kleding of weigeren ze in het openbaar te dragen, wat het hele monitoringsysteem ondermijnt. Angst voor valse alarmen leidt tot aarzeling om de SOS-knop te gebruiken.
"Het vertrouwen op de gebruiker als actieve deelnemer aan de eigen bewaking creëert een compliancegat—een gevaarlijke kloof tussen de theoretische veiligheid die de technologie biedt en de praktische realiteit van het niet-gebruik ervan in het dagelijks leven."
— Veriprajna-whitepaper: De onzichtbare beschermer, 2024
Waarom passieve sensing traditionele benaderingen overstijgt
| Kenmerk | Wearables (Actieve monitoring) |
Camera's (Visuele monitoring) |
Passieve Wi-Fi-sensing (Veriprajna) |
|---|---|---|---|
| Gebruikerscompliance | ❌ Hoge wrijving: Vereist dragen, opladen, handmatige alarmen | ✓ Nul inspanning: Passief | ✓ Nul inspanning: Passief |
| Privacy-impact | ✓ Laag: Alleen data (acceleratie/hartslag) | ❌ Ernstig: Visuele opname van intieme ruimtes | ✓ Laag: Abstracte CSI-signalen; geen visuele identificatoren |
| Badkamerveiligheid | ❌ Kritiek falen: Wordt vaak uitgedaan voor douchen/baden | ❌ Onacceptabel: Privacybezwaren verbieden gebruik | ✓ Uitstekend: Werkt in NLOS; dringt door stoom/gordijnen |
| Onderhoud | ❌ Hoog: Batterijvervanging, beheer van kwijtgeraakte apparaten | Gemiddeld: Lenzenreiniging, stroomvoorziening | ✓ Laag: Software-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, hartslag | Gang, houding, context | ✓ Ademhaling, gang, slaapfasen, valpartijen |
| Geschiktheid bij dementie | ❌ Slecht: Gebruikers vergeten het apparaat te dragen of verwijderen het actief | Gemiddeld | ✓ Hoog: Kan niet worden uitgedaan of vergeten |
Echte Ambient Intelligence vereist toegang tot Channel State Information (CSI)—het high-resolution "beeld" van de draadloze omgeving dat RSSI niet kan bieden.
Vroege Wi-Fi-sensing was gebaseerd op Received Signal Strength Indication (RSSI)—een grove maatstaf die aanwezigheid kan detecteren maar de gevoeligheid mist voor fijne bewegingen zoals ademhaling.
Moderne Wi-Fi (802.11n/ac/ax) gebruikt OFDM en verdeelt kanalen in tientallen subcarriers. CSI legt vast hoe elke subcarrier met objecten interageert, en biedt granulair detail dat RSSI niet kan zien.
Radiogolven planten zich voort door concentrische ellipsoïden (Fresnelzones) tussen zender en ontvanger. Menselijke beweging binnen deze zones veroorzaakt faseverschuivingen die in CSI waarneembaar zijn.
Ademhalingsdetectie: Een borstverplaatsing van 4-12mm is voldoende om ritmische CSI-oscillaties te veroorzaken—vergelijkbaar met medische ademhalingsbanden.
Verschillende menselijke activiteiten genereren unieke Doppler-frequentieverschuivingen. Een val wordt gekenmerkt door snelle versnelling (zwaartekracht), gevolgd door plotselinge immobiliteit (de "Long Lie").
Wi-Fi-signalen op 2.4/5 GHz dringen door gipsplaten, hout en glas. Zelfs als het toegangspunt in de gang staat en de gebruiker achter een gesloten deur zit, weerkaatsen signalen tegen de gebruiker en keren ze terug naar de ontvanger.
Deze fysische alomtegenwoordigheid elimineert de "blinde vlekken" die camerasystemen plagen. Eén enkele Wi-Fi-verbinding kan een hele kamer of aangrenzende kamers monitoren—dekking die meerdere camera's zou vergen.
Zie hoe Channel State Information menselijke beweging vastlegt die traditionele RSSI niet kan detecteren. Schakel tussen de modi voor ademhalingsdetectie en valdetectie.
CSI-data wordt beheerst door de wetten van de fysica, niet door grammatica. Veriprajna ontwikkelt op maat gemaakte diepe neurale netwerken voor temporele signaalverwerking—geen generieke taalmodellen.
Phase unwrapping, Hampelfiltering, PCA-dimensiereductie. Verwijder hardware-artefacten (CFO/SFO) en extraheer hoofdcomponenten.
Behandel de CSI-matrix als pseudo-afbeelding. 2D-convoluties leren ruimtelijke correlaties tussen subcarriers—waarbij menselijke beweging wordt onderscheiden van draaiende ventilatoren.
Vallen zijn reeksen: staan → evenwicht verliezen → dalen → impact → stil liggen. LSTM behoudt geheugen om context te begrijpen, geen geïsoleerde frames.
Tak A (Amplitude): Macrobewegingen. Tak B (Fase): Microbewegingen. Het attention-mechanisme prioriteert dynamisch de relevante stream.
Waarom Domain Adversarial Neural Networks (DANN)?
Een model getraind in "Lab A" faalt vaak in "Appartement B" door andere kamerindelingen. DANN dwingt het netwerk om omgevingsinvariante kenmerken te leren—het "platons ideaal" van een valsignatuur die er in een studio-appartement of een gang van een verpleeghuis hetzelfde uitziet. Eén keer trainen, overal inzetten.
Van ademhalingsmonitoring tot valdetectie tot slaapanalyse—klinische nauwkeurigheid zonder één enkele wearable.
De ademhalingsfrequentie (RR) is het "vergeten vitaal teken"—toch een leidende indicator voor achteruitgang bij COPD, CHF en longontsteking. Een borstverplaatsing van 4-12mm veroorzaakt ritmische CSI-faseoscillaties.
Detectie van slaapapneu zonder omslachtige PSG-labonderzoeken
Vallen zijn de belangrijkste oorzaak van fataal letsel bij ouderen. De "Long Lie" (uren op de vloer blijven liggen) veroorzaakt rabdomyolyse en doorligwonden. Veriprajna detecteert de gehele reeks.
"Whole Body Actigraphy" analyseert bewegingsintensiteit en periodiciteit om slaapfasen te classificeren. Volg beduitgangen voor detectie van rondzwerven bij dementie.
Inslaaptijd (sleep onset latency), WASO, totale duur—allemaal zonder polsactigrafie
Visuele privacy is van het grootste belang voor ouderen. Wi-Fi-sensing beslecht het debat "camera versus sensor"—het is visueel blind.
CSI-matrices bestaan uit complexe getallen die de golfvoortplanting vertegenwoordigen. Het is onmogelijk voor een mens om naar CSI-pakketten te kijken en het gezicht of lichaam van een persoon te "zien". Zelfs indien onderschept is de data onbegrijpelijke signaaldistorties—geen afbeeldingen of video.
CSI is biometrische data onder AVG-artikel 9. Veriprajna waarborgt compliance via strikte edge-AI-verwerking:
"Dit maakt Wi-Fi-sensing uniek geschikt voor badkamerbewaking—de gevaarlijkste ruimte in huis waar camera's streng verboden zijn."
IEEE 802.11bf (WLAN Sensing) gaat CSI-extractie tegen 2024/2025 standaardiseren, waardoor elke router een radar wordt.
Wi-Fi 7-chipsets met geïntegreerde Hexagon NPU maken deep-learning-inferentie op het apparaat mogelijk. Veriprajna converteert PyTorch-modellen naar gekwantiseerde binaire bestanden voor realtime edge-verwerking.
BroadStream draadloze telemetry-engine die specifiek is ontworpen voor offload van sensingdata. Hoogfrequente CSI-streams met lage latentie voor AI-training/-inferentie.
Goedkope ($5) microcontrollers met ESP-CSI Toolkit maken een dicht sensing-mesh mogelijk in grote faciliteiten. De ESP32 fungeert als toegewijde ontvanger die de centrale gateway voedt.
Biedt fundamentele CSI-extractie en een API voor basale bewegingsclassificatie. Veriprajna integreert daarbovenop voor interpretatie op medisch niveau.
Time Reversal Machine-technologie voor multipathanalyse. TruPresence- en valdetectie-engines draaien volledig op de edge—in lijn met een privacy-first-architectuur.
De "zero-hardware-retrofit" transformeert bestaande Wi-Fi-netwerken in integrale veiligheidssystemen.
Moderne Wi-Fi met OFDM verdeelt kanalen in tientallen subcarriers, die elk worden vastgelegd als complexe amplitudes en fasegegevens in Channel State Information (CSI). Menselijke beweging binnen de Fresnelzones tussen zender en ontvanger veroorzaakt faseverschuivingen die in CSI waarneembaar zijn. Een val produceert een kenmerkende Doppler-piek met hoge energie, gevolgd door plotse stilstand, te onderscheiden van gaan zitten door analyse van het snelheidsprofiel. Bij 5 GHz is de golflengte ongeveer 6cm; een beweging van 3cm creëert een volledige faseverschuiving.
Ja. Een borstverplaatsing van 4-12mm tijdens de ademhaling creëert ritmische CSI-faseoscillaties die vergelijkbaar zijn met medische ademhalingsbanden, met een fout onder 3.2 ademhalingen per minuut en een correlatie groter dan 0.92 ten opzichte van referentiebanden. Voor slaapanalyse verricht het systeem whole-body actigrafie door bewegingsintensiteit en periodiciteit te analyseren om waken, lichte slaap en diepe slaap/REM-fasen te classificeren, waarbij de inslaaptijd, het aantal malen wakker worden na het inslapen (WASO) en de totale duur worden bijgehouden.
Een model dat in de ene kamer is getraind, faalt vaak in een andere kamer door andere indelingen en materialen. Domain Adversarial Neural Networks (DANN) dwingen het netwerk om omgevingsinvariante kenmerken te leren door een adversary toe te voegen die probeert te achterhalen welke omgeving de data heeft geproduceerd. Als de adversary slaagt, wordt het hoofdnetwerk gestraft, zodat het de universele valsignatuur leert die er in een studio-appartement of een gang van een verpleeghuis hetzelfde uitziet. Dit maakt één keer trainen en overal inzetten mogelijk.
De passieve Wi-Fi-sensing van Veriprajna is niet zomaar een verbetering ten opzichte van wearables—het elimineert de compliancebelasting fundamenteel.
Plan een consultatie om de uitrol voor uw faciliteit te modelleren, onze Deep AI-architectuur te verkennen en het pad naar zero-hardware ambient intelligence te begrijpen.
Volledig technisch rapport: CSI-fysica, Fresnelzone-wiskunde, CNN/LSTM/Transformer-architecturen, DANN-domain adaptation, AVG/HIPAA-compliance, analyse van het hardware-ecosysteem, 53 academische bronvermeldingen.