O Guardião Invisível: Superando os Wearables com Sensoriamento Passivo por Wi-Fi e IA Profunda

Sumário Executivo

O cenário global da saúde está atualmente atravessando uma profunda transformação demográfica, caracterizada por uma população que envelhece rapidamente e uma contração simultânea da força de trabalho de cuidadores disponível. Essa divergência catalisou uma busca desesperada por multiplicadores de força tecnológicos—soluções capazes de estender o alcance de clínicos e responsáveis até o lar. Durante a última década, a principal resposta do setor tem sido o "Monitoramento Ativo": a implantação de dispositivos vestíveis, botões de pânico e smartwatches projetados para rastrear sinais vitais e detectar emergências. No entanto, uma análise rigorosa de dados longitudinais revela uma falha crítica nessa abordagem: ela depende da adesão exatamente da população menos capaz de oferecê-la. O monitor de saúde mais eficaz não é o que tem os sensores mais avançados ou a maior autonomia de bateria; é aquele que não exige interação alguma.

Este whitepaper, de autoria da consultoria especializada em IA Veriprajna, serve como um projeto arquitetônico definitivo para a próxima geração de Vida Assistida por Ambiente (AAL). Argumentamos que o setor deve pivotar do monitoramento ativo centrado em dispositivos para o Sensoriamento Passivo por Wi-Fi, um paradigma que reaproveita os sinais onipresentes de radiofrequência (RF) em nossos ambientes em um tecido de sensoriamento sofisticado e invisível. Ao analisar as Informações de Estado do Canal (CSI)—os dados complexos da camada física inerentes ao Wi-Fi moderno—podemos detectar quedas, monitorar a respiração e analisar padrões de sono com precisão de grau clínico, tudo sem um único dispositivo vestível.

No entanto, a transição para o sensoriamento por Wi-Fi não é apenas um upgrade de hardware; é um desafio de processamento de sinais da mais alta ordem. Exige ir além de métodos estatísticos simplistas e abraçar a IA Profunda . Este relatório detalha por que wrappers genéricos de Large Language Model (LLM) são insuficientes para essa tarefa e por que a Veriprajna defende arquiteturas de aprendizado profundo sob medida—especificamente Convolutional Neural Networks (CNNs), redes Long Short-Term Memory (LSTM) e Transformers—para decodificar a linguagem sutil das ondas de rádio. Apresentamos uma análise abrangente da física da CSI, dos modos de falha dos wearables ativos, das arquiteturas de redes neurais profundas exigidas para a interpretação do sinal e dos caminhos regulatórios para implantar biometria invisível em um contexto empresarial.

Parte I: A Crise de Adesão na Saúde por Wearables

Tecnologia

1.1 A Falácia da Cooperação Ativa

O modelo predominante de Monitoramento Remoto de Pacientes (RPM) e da tecnologia de "Envelhecer em Casa" está fundamentalmente predicado no conceito de cooperação ativa. Esse modelo pressupõe que o usuário—muitas vezes uma pessoa idosa potencialmente sofrendo de declínio cognitivo, artrite ou comprometimento sensorial—atuará como um administrador responsável do sistema de sua própria tecnologia de saúde. Espera-se que se lembrem de usar um dispositivo todas as manhãs, garantir que esteja carregado diariamente e interagir com sua interface durante emergências. Embora esse modelo funcione razoavelmente bem para os "jovens-idosos" (65-75 anos) que são digitalmente alfabetizados e ativos, ele falha catastroficamente para a população dos "muito idosos" (85+) em que os riscos de quedas e emergências médicas são mais altos.

Pesquisas sobre os ciclos de vida de adoção de monitores de saúde vestíveis revelam uma realidade nítida e preocupante: os dispositivos são frequentemente abandonados por aqueles que mais precisam deles. Estudos que analisam o comportamento do usuário indicam que aproximadamente 30% dos usuários interrompem o uso de seus rastreadores dentro de seis meses após a aquisição. ¹ Essa taxa de atrito não é meramente um reflexo da insatisfação do consumidor; representa um buraco enorme na rede de segurança. Quando um dispositivo fica em uma gaveta, o sistema de monitoramento não está apenas degradado—ele é inexistente. A dependência de que o usuário seja um participante ativo da própria vigilância cria uma "lacuna de adesão", um abismo perigoso entre a segurança teórica oferecida pela tecnologia e a realidade prática de seu não uso na vida cotidiana.

1.1.1 O "Paradoxo do Chuveiro" e a Vulnerabilidade da Higiene

As limitações funcionais dos wearables são sentidas de forma mais aguda durante as Atividades da Vida Diária (AVDs/ADLs) que envolvem água ou o ato de se despir. O banheiro é estatisticamente o cômodo mais perigoso da casa para os idosos, com superfícies escorregadias e acessórios rígidos criando alta probabilidade de quedas lesivas. No entanto, é precisamente nesse ambiente que os wearables estão mais frequentemente ausentes. Chamamos isso de "Paradoxo do Chuveiro."

Apesar das classificações de resistência à água IP67 ou IP68 dos dispositivos modernos, muitos adultos mais velhos habitualmente retiram relógios ou pingentes antes de se banhar. Esse comportamento decorre de uma vida inteira de experiência com eletrônicos não à prova d'água, do medo de danificar um dispositivo caro, ou do simples desconforto físico causado por pulseiras molhadas contra a pele frágil. ² Consequentemente, o usuário fica sem monitoramento exatamente na janela temporal em que uma queda é mais provável de ocorrer. Se uma queda acontece no chuveiro enquanto o dispositivo está na bancada do banheiro, o sistema falhou completamente. A natureza "ativa" do dispositivo—exigindo que o usuário decida mantê-lo posto—torna-se o único ponto de falha.

1.1.2 Fadiga de Carregamento e Atrito Cognitivo

Além do banheiro, a exigência de carregamento regular constitui uma barreira significativa à proteção contínua. Para uma pessoa de 80 anos, as habilidades motoras finas necessárias para conectar um carregador magnético proprietário ou plugar um cabo micro-USB podem ser exigentes. Essa "fadiga de carregamento" leva a períodos em que o dispositivo é deixado no criado-mudo para carregar e é então esquecido pela manhã.

Dados de usuários de Sistemas de Resposta a Emergências Pessoais (PERS) pintam um quadro preocupante de adesão. Um estudo constatou que 24% dos usuários nunca usaram o pingente, e apenas 14% alcançaram adesão verdadeira de 24 horas. ³ A carga cognitiva de gerenciar a vida útil da bateria do dispositivo compete com outros estressores diários e, em populações com Comprometimento Cognitivo Leve (MCI) ou demência em estágio inicial, o dispositivo é simplesmente esquecido. O resultado é um paciente "monitorado" que, na realidade, está completamente desprotegido durante grandes trechos do dia.

1.2 Barreiras Psicológicas: O Estigma da Fragilidade

A adoção de tecnologia não é um cálculo puramente funcional; é profundamente emocional. Muitos dispositivos vestíveis, particularmente os onipresentes pingentes de "SOS", são projetados com uma estética distintamente médica. Eles sinalizam ao mundo—e ao próprio usuário—que eles são frágeis, vulneráveis e precisam de ajuda. Essa estigmatização é um potente motor de rejeição.

Metassínteses qualitativas de experiências de usuários revelam que adultos mais velhos frequentemente veem esses dispositivos como "marcando-os" como velhos. ⁴ O desejo de manter uma fachada de independência e vitalidade leva muitos idosos a esconder os dispositivos sob a roupa (reduzindo sua eficácia) ou recusar-se a usá-los em ambientes públicos ou sociais. O dispositivo torna-se um símbolo de autonomia perdida, em vez de uma ferramenta para preservá-la.

Além disso, o "medo de alarmes falsos" cria uma estrutura de incentivos perversa. Os usuários frequentemente ficam aterrorizados de acionar acidentalmente uma sirene ou convocar serviços de emergência por um não evento, o que pode ser constrangedor e caro. Essa ansiedade leva alguns usuários a deixar o dispositivo para trás a fim de evitar o risco de um falso positivo ou, pior, a hesitar em pressionar o botão durante uma emergência genuína, perguntando-se se a situação é "grave o suficiente" para justificar o distúrbio. Esse atrito psicológico torna o mecanismo de acionamento ativo não confiável.

1.3 As Implicações Econômicas da Gestão de Dispositivos

Para stakeholders empresariais—seguradoras, Accountable Care Organizations (ACOs) e operadores de instituições de vida assistida—a dependência de wearables representa uma significativa ineficiência econômica. A implantação de uma frota de wearables envolve substancial Despesa de Capital (CapEx) em hardware propenso a perda, quebra e obsolescência.

A Despesa Operacional (OpEx) é igualmente punitiva. Gerenciar uma frota de milhares de dispositivos envolve desafios logísticos: substituir baterias, lidar com devoluções de unidades quebradas e prestar suporte técnico a usuários não técnicos que podem ter dificuldade para emparelhar o dispositivo com um smartphone ou uma rede Wi-Fi. O "churn" de dispositivos perdidos corrói o Retorno sobre o Investimento (ROI) do programa de monitoramento. Mais criticamente, a "falsa segurança" proporcionada por um wearable que não está sendo usado cria responsabilidade massiva. Se uma instituição afirma oferecer monitoramento 24/7 mas um residente cai enquanto o dispositivo está carregando, a instituição pode enfrentar repercussões legais e reputacionais pela falha da rede de segurança. O setor exige uma mudança estrutural do monitoramento "centrado no dispositivo" para o monitoramento "centrado no espaço"—uma solução que está embutida na infraestrutura do próprio edifício, exige zero esforço do residente e é impossível de perder ou esquecer.

Parte II: A Física do Sensoriamento Invisível

2.1 De RSSI às Informações de Estado do Canal (CSI)

Para apreciar a abordagem da Veriprajna, é essencial distinguir entre as formas primitivas de sensoriamento por Wi-Fi que existem há anos e a análise profunda de sinais que defendemos. As primeiras tentativas de aproveitar o Wi-Fi para detecção de presença baseavam-se na Received Signal Strength Indication (RSSI). A RSSI é uma métrica grosseira disponível em quase todas as stacks sem fio; ela representa a potência total do sinal recebido, tipicamente média sobre todo o pacote e a largura de banda de frequência.

Embora a RSSI diminua quando um objeto bloqueia o caminho entre transmissor e receptor (sombreamento), ela é uma métrica fundamentalmente instável e de baixa resolução. É altamente suscetível ao desvanecimento por multipercurso—em que os sinais ricocheteiam nas paredes e interferem de forma construtiva ou destrutiva—e ao ruído ambiental. Uma mudança de umidade, o movimento de um animal de estimação ou até o funcionamento de um forno de micro-ondas pode causar flutuações de RSSI que imitam a presença humana. Crucialmente, a RSSI carece da sensibilidade para detectar movimentos de granulação fina; ela pode dizer se uma pessoa está no cômodo, mas não pode dizer se ela está respirando. ⁵

A verdadeira Inteligência Ambiental exige acesso à camada física (PHY) da transmissão sem fio, especificamente Informações de Estado do Canal (CSI) . Os padrões modernos de Wi-Fi (802.11n, 802.11ac, 802.11ax e o futuro 802.11be) utilizam Orthogonal Frequency-Division Multiplexing (OFDM). No OFDM, o canal sem fio (p. ex., um canal de 20 MHz ou 40 MHz) é dividido em dezenas ou centenas de subportadoras. A CSI descreve a propagação do sinal do transmissor ao receptor para cada subportadora individual .

Matematicamente, se $X$ é o vetor do sinal transmitido e $Y$ é o vetor do sinal recebido, a relação é modelada como:

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

Onde $N$ é o vetor de ruído e $H$ é a matriz de Informações de Estado do Canal. Ao contrário da RSSI, que é um valor escalar, $H$ é uma matriz complexa contendo dois componentes distintos para cada subportadora:

1.​ Amplitude ($|H|$): A atenuação da intensidade do sinal naquela frequência específica.

2.​ Fase ($\angle H$): O atraso ou deslocamento de fase do sinal naquela frequência específica.

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

Essa matriz fornece uma "imagem" de alta resolução do ambiente sem fio. Porque diferentes subportadoras têm comprimentos de onda diferentes, elas interagem com objetos no cômodo de forma diferente. A CSI captura o espalhamento, a reflexão e a difração causados pelo corpo humano com detalhe granular que a RSSI simplesmente não consegue ver. ⁶

2.2 O Modelo de Zona de Fresnel e a Detecção de Micromovimento

O arcabouço teórico que nos permite extrair o movimento humano desses dados eletromagnéticos é o Modelo de Zona de Fresnel . As zonas de Fresnel são uma série de elipsoides prolatos concêntricos com o transmissor (Tx) e o receptor (Rx) atuando como os focos.

Quando uma onda de rádio viaja de Tx a Rx, ela não segue uma única linha reta. Ela se propaga pelo volume de espaço definido por essas zonas de Fresnel. Se um objeto dinâmico (um humano) existe dentro dessas zonas, ele reflete uma porção do sinal. O sinal recebido no Rx é uma superposição do caminho direto de Linha de Visada (LoS) e do caminho dinâmico refletido no corpo humano.

O comprimento do caminho do sinal refletido muda à medida que a pessoa se move. Essa mudança no comprimento, $d(t)$, introduz um deslocamento de fase no componente dinâmico da CSI. A relação é governada pelo comprimento de onda ($\lambda$) do sinal:

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

Para um sinal Wi-Fi padrão de 5 GHz, o comprimento de onda $\lambda$ é de aproximadamente 6 centímetros. Isso significa que um movimento de apenas 3 centímetros (meio comprimento de onda) é suficiente para deslocar o sinal da interferência construtiva (pico) para a interferência destrutiva (nulo). Essa sensibilidade extrema é a chave para a detecção da respiração . Durante a respiração, o tórax se desloca aproximadamente 4 a 12 milímetros. Embora esse movimento seja invisível a olho nu a uma distância, no domínio do Wi-Fi de 5 GHz ou 6 GHz, ele representa uma significativa fração de um comprimento de onda. À medida que o tórax se expande e se contrai, ele atravessa as zonas de Fresnel, causando uma oscilação rítmica e periódica na fase e na amplitude dos dados de CSI. Ao analisar essas ondulações sutis no fluxo de CSI, os algoritmos da Veriprajna podem reconstruir a forma de onda da respiração com precisão comparável à de cintos respiratórios de grau médico. ⁸

2.3 Assinaturas Doppler e Análise Cinemática

Para macromovimentos como andar ou cair, olhamos além de simples deslocamentos de fase para os Deslocamentos de Frequência Doppler. O efeito Doppler afirma que uma onda refletida em um objeto em movimento sofrerá uma mudança de frequência proporcional à velocidade do objeto.

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

Onde $v$ é a velocidade da parte do corpo e $\theta$ é o ângulo de movimento em relação à direção de propagação da onda. Diferentes atividades humanas geram "Assinaturas Doppler" únicas.

●​ Andar: O balanço de braços e pernas cria um padrão complexo de deslocamentos Doppler positivos e negativos, à medida que os membros se movem em direção ao receptor e se afastam dele.

●​ Queda: Uma queda é caracterizada por uma sequência cinemática específica: uma perda de equilíbrio (pré-queda), uma descida rápida e acelerada devido à gravidade (a queda) e um impacto súbito seguido de imobilidade.

Ao aplicar Short-Time Fourier Transforms (STFT) ou Discrete Wavelet Transforms (DWT) aos dados de séries temporais de CSI, podemos gerar um Espectrograma—uma representação visual da velocidade ao longo do tempo. Uma queda aparece como um surto distinto de alta energia no espectrograma, acelerando para baixo, seguido de uma cessação abrupta de energia (o "Long Lie"). Isso permite que o sistema distinga uma queda perigosa de uma ação controlada como sentar-se ou deitar em uma cama. ¹⁰

2.4 Sensoriamento Através de Paredes e Capacidades NLOS

Uma das vantagens mais profundas do sensoriamento por Wi-Fi sobre sistemas ópticos (baseados em câmera) ou infravermelhos (LIDAR) é sua capacidade de operar em condições de Sem Linha de Visada (NLOS) . Sinais Wi-Fi em 2.4 GHz e 5 GHz têm excelentes propriedades de penetração para materiais de construção padrão como drywall, madeira e vidro.

Em um ambiente doméstico típico, o sinal Wi-Fi ricocheteia em paredes, pisos, tetos e móveis, criando um ambiente de "multipercurso". Mesmo se o Access Point estiver no corredor e o usuário estiver no quarto atrás de uma porta fechada, o sinal penetra o cômodo, reflete no usuário e penetra de volta até o receptor. O usuário não precisa ser "visto" pelo roteador em um sentido visual. A distorção que criam no campo eletromagnético se propaga através dos obstáculos. Essa ubiquidade baseada na física garante que os "pontos cegos"—que assolam os sistemas de câmera (p. ex., atrás de uma cortina de chuveiro ou de um divisor)—sejam virtualmente eliminados. Um único enlace de sensoriamento por Wi-Fi pode monitorar efetivamente um cômodo inteiro ou mesmo cômodos adjacentes, proporcionando um nível de cobertura que exigiria uma constelação de câmeras para replicar. ¹²

Parte III: Do Sinal ao Insight – A Arquitetura de IA Profunda

3.1 Além dos "Wrappers de LLM": A Necessidade de IA de Processamento de Sinais

No mercado tecnológico contemporâneo, o termo "IA" tornou-se quase sinônimo de Large Language Models (LLMs) como o GPT. Embora os LLMs sejam transformadores para texto e código, eles são fundamentalmente inadequados para a tarefa de interpretar dados brutos de radiofrequência. Os dados de CSI são contínuos, de valores complexos, de alta dimensionalidade e governados pelas leis da física, não pelas regras da gramática.

A Veriprajna se distingue como provedora de soluções de IA Profunda. Não nos limitamos a encapsular uma API em torno de um modelo de texto pré-treinado. Projetamos redes neurais profundas sob medida, especificamente para processamento temporal de sinais. Um LLM não consegue "ler" uma forma de onda de 5 GHz; isso exige arquiteturas que compreendam tempo, frequência e correlação espacial. Nossa abordagem utiliza uma stack sofisticada de Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) e Transformers para extrair insights clínicos do ruído de RF.

3.2 O Pipeline de Pré-processamento: Limpando o Éter

Os dados brutos de CSI extraídos de chipsets Wi-Fi comerciais são inerentemente ruidosos. São corrompidos por imperfeições de hardware como Carrier Frequency Offset (CFO), Sampling Frequency Offset (SFO) e perda aleatória de pacotes. Alimentar esses dados brutos diretamente em uma rede neural levaria a um desempenho ruim. Por isso, a Veriprajna emprega um pipeline rigoroso de pré-processamento informado pela física:

1.​ Sanitização de Fase: Os dados brutos de fase de um chip Wi-Fi estão "embrulhados" dentro da faixa de $[-\pi, \pi]$. Empregamos algoritmos de transformação linear para "desembrulhar" a fase, reconstruindo a mudança contínua de fase causada pelo movimento. Além disso, aplicamos ajuste linear para remover a inclinação de fase introduzida por relógios não sincronizados entre o transmissor e o receptor. ¹¹

2.​ Remoção de Outliers: Utilizamos Filtros de Hampel e filtragem mediana para remover ruído impulsivo causado por interferência elétrica súbita ou falhas de hardware.

3.​ Redução de Dimensionalidade: Um fluxo típico de CSI pode conter dados de 3 antenas $\times$ 56 subportadoras = 168 fluxos de dados. Nem todos carregam informação útil; alguns podem estar em um "desvanecimento profundo" (interferência destrutiva) e conter principalmente ruído. Empregamos Análise de Componentes Principais (PCA) para extrair os componentes principais que respondem pela máxima variância no sinal. O primeiro componente principal tipicamente corresponde ao movimento dominante no cômodo (p. ex., respiração), enquanto os subsequentes componentes capturam ruído. ⁵

3.3 Modelos de Aprendizado Profundo para Análise de CSI

Uma vez sanitizados, os dados são alimentados nos modelos proprietários de aprendizado profundo da Veriprajna. Defendemos uma arquitetura híbrida que aproveita os pontos fortes de diferentes tipos de rede neural.

3.3.1 Convolutional Neural Networks (CNNs) para Features Espaciais

Tratamos a matriz de dados de CSI (Subportadoras $\times$ Tempo) como uma pseudoimagem. Assim como uma CNN pode identificar as bordas de um gato em uma fotografia, ela pode identificar as "bordas" de um evento de movimento no espectro de RF. Uma 2D-CNN ou 1D-CNN desliza um kernel ao longo da dimensão das subportadoras. Isso permite que o modelo aprenda correlações espaciais—por exemplo, percebendo que um evento de queda causa uma queda simultânea de amplitude em um agrupamento específico de subportadoras. Essa extração de features espaciais é crucial para distinguir o movimento humano de ruído de fundo como um ventilador girando, que tem uma assinatura espectral diferente. ¹⁵

3.3.2 Long Short-Term Memory (LSTM) para Contexto Temporal

Atividades humanas são inerentemente sequências temporais. Uma "queda" não é um único ponto no tempo; é uma sequência de eventos: em pé $\rightarrow$ perdendo o equilíbrio $\rightarrow$ descendo $\rightarrow$ impacto $\rightarrow$ deitado imóvel. Uma CNN sozinha pode classificar o quadro de "impacto" como uma queda, mas também pode classificar pular na cama como uma queda.

Para resolver isso, alimentamos a saída da CNN em uma Long Short-Term Memory (LSTM) rede. LSTM é um tipo de Recurrent Neural Network (RNN) projetada para lembrar de longo prazo dependências. Ela mantém uma "célula de memória" que carrega contexto de passos de tempo anteriores. Isso permite que o modelo compreenda a sequência : "O usuário estava andando (velocidade X), depois acelerou para baixo (velocidade Y) e agora está estacionário (velocidade 0) no chão." Esse contexto temporal é o que permite ao sistema diferenciar uma queda de uma ação controlada como sentar-se. ¹⁵

3.3.3 Transformers de Duplo Ramo e Mecanismos de Atenção

A fronteira da nossa pesquisa está nas arquiteturas Transformer . Ao contrário das RNNs, que processam dados sequencialmente, os Transformers processam a sequência inteira de uma vez usando mecanismos de "Self-Attention". Isso permite que o modelo pondere a importância de diferentes partes do sinal.

A Veriprajna propõe uma Arquitetura de Duplo Ramo :

●​ Ramo A (Amplitude): Processa as mudanças de magnitude para detectar movimentos motores grosseiros (andar, cair).

●​ Ramo B (Fase): Processa deslocamentos de fase para detectar micromovimentos (respiração, variabilidade da frequência cardíaca).

Esses dois ramos são fundidos via uma Camada de Atenção . O mecanismo de atenção prioriza dinamicamente o fluxo mais relevante com base no contexto. Por exemplo, se o usuário está dormindo, o modelo aprende a prestar mais atenção ao ramo de Fase (onde o sinal de respiração é mais forte) e ignorar o ramo de Amplitude. Reciprocamente, se o usuário está andando, o ramo de Amplitude recebe peso maior. Essa fusão multimodal aprimora significativamente a robustez do sistema. ¹⁷

3.4 Resolvendo a Dependência do Ambiente: Adaptação de Domínio

Uma crítica histórica da pesquisa em sensoriamento por Wi-Fi tem sido a falta de generalizabilidade. Um modelo treinado com dados coletados no "Laboratório A" frequentemente falha quando implantado no "Apartamento B" porque o ambiente de multipercurso (tamanho do cômodo, disposição dos móveis) é diferente. O modelo sofre overfitting às reflexões específicas do cômodo de treinamento.

A Veriprajna aborda isso com Redes Neurais Adversariais de Domínio (DANNs) . Essa técnica envolve treinar a rede com dois objetivos concorrentes:

1.​ Classificador de Atividade: Minimizar o erro ao prever a atividade (p. ex., "Queda" vs. "Andar").

2.​ Discriminador de Domínio: Maximizar o erro ao prever o ambiente (p. ex., "Laboratório" vs. "Casa").

Ao forçar o Extrator de Features a confundir o Discriminador de Domínio, a rede é compelida a aprender features que são invariantes ao ambiente—o "ideal platônico" de uma assinatura de queda que parece a mesma independentemente de ocorrer em um studio ou em um corredor de uma casa de repouso. Isso viabiliza um modelo "treine uma vez, implante em qualquer lugar", essencial para a escalabilidade empresarial. ¹⁹

Parte IV: Aplicações Clínicas e Casos de Uso

4.1 Monitoramento Respiratório: O Sinal Vital do Futuro

A Frequência Respiratória (FR) é frequentemente chamada de "sinal vital esquecido", ainda assim é um indicador líder de deterioração clínica em condições como Doença Pulmonar Obstrutiva Crônica (DPOC/COPD), Insuficiência Cardíaca Congestiva (ICC/CHF) e pneumonia. O monitoramento tradicional exige usar uma faixa torácica ou uma cânula, o que é desconfortável para uso de longo prazo.

Usando a análise de diferença de fase descrita na Seção 2.2, o sensoriamento por Wi-Fi fornece monitoramento respiratório contínuo e sem contato.

●​ Precisão: Avaliações experimentais usando Beamforming Feedback Matrices (BFMs) demonstraram erros de estimativa da frequência respiratória inferiores a 3.2 respirações/minuto. ⁵ Mais modelos avançados de aprendizado profundo alcançam coeficientes de correlação superiores a 0.92 com cintos respiratórios de referência. ²¹

●​ Detecção de Apneia do Sono: O sistema é particularmente revolucionário para detectar a Apneia Obstrutiva do Sono (AOS/OSA). Ao monitorar a cessação do movimento respiratório durante o sono, o sistema pode sinalizar potenciais eventos de apneia (índice AHI) sem a necessidade de um estudo trabalhoso de Polissonografia (PSG) em um laboratório do sono. Isso permite a triagem longitudinal da população idosa, identificando distúrbios do sono não diagnosticados que contribuem para o risco cardiovascular. ²²

4.2 Detecção de Quedas: O "Long Lie" e a Consciência de Contexto

Quedas são a principal causa de lesão fatal entre adultos mais velhos. No entanto, o impacto imediato é frequentemente menos perigoso do que o "Long Lie"—permanecer no chão por horas sem conseguir se levantar, o que leva a rabdomiólise, desidratação e úlceras de pressão.

A solução de sensoriamento por Wi-Fi da Veriprajna oferece um sistema abrangente de gestão de quedas:

1.​ Análise de Marcha Pré-Queda: Ao monitorar continuamente a velocidade de caminhada e a consistência da passada (velocidade da marcha) ao longo de semanas, o sistema pode detectar a deterioração sutil na mobilidade que frequentemente precede uma queda. Uma desaceleração gradual da velocidade de caminhada é um preditor clinicamente validado de risco de queda, permitindo intervenção preventiva (p. ex., fisioterapia) antes que um acidente ocorra. ²

2.​ Detecção em Tempo Real: Usando as assinaturas Doppler descritas anteriormente, o sistema detecta o evento de queda com alta sensibilidade (>97%). ²³

3.​ Contexto Pós-Queda: Crucialmente, o sistema continua a monitorar o sujeito após a queda. Se a CSI indicar ausência de movimento motor grosso, mas presença de micromovimento (respiração) ao nível do chão, o sistema confirma uma "queda com incapacidade de se recuperar" e escala o alerta. Essa consciência de contexto reduz significativamente os alarmes falsos em comparação com acelerômetros vestíveis, que podem registrar a queda do dispositivo no chão como uma queda. ²⁴

4.3 Análise da Qualidade e Higiene do Sono

A qualidade do sono é um determinante massivo da saúde nos idosos. Os rastreadores de sono de consumo atuais (smartwatches) estimam os estágios do sono com base no movimento do pulso (actigrafia) e na frequência cardíaca óptica. O sensoriamento por Wi-Fi oferece "Actigrafia de Corpo Inteiro."

Ao analisar a intensidade e a periodicidade dos movimentos corporais na cama, o sistema pode classificar os estágios do sono:

●​ Vigília: Movimentos de alta amplitude e irregulares.

●​ Sono Leve: Movimento reduzido, respiração regular.

●​ Sono Profundo/REM: Estado corporal atônico (paralisado) com assinaturas de respiração altamente rítmicas.

O sistema gera relatórios de "Higiene do Sono" detalhando a Latência de Início do Sono (tempo para adormecer), Wake After Sleep Onset (WASO) e Duração Total do Sono. Crucialmente, também pode rastrear Saídas da Cama, alertando cuidadores se um paciente com demência vagueia para fora da cama à noite e não retorna dentro de uma janela segura. ³

Parte V: O Paradoxo da Privacidade – Sensoriar Sem Vigilância

5.1 O Debate "Câmera vs. Sensor"

A privacidade visual é uma preocupação primordial para os idosos. Embora as câmeras sejam eficazes para monitoramento, elas são amplamente rejeitadas em espaços privados como quartos e banheiros. A sensação de ser "observado", o risco de capturar nudez e o potencial de os feeds de vídeo serem hackeados criam imensa resistência a soluções de AAL baseadas em câmera.

O sensoriamento por Wi-Fi resolve esse paradoxo da privacidade. Ele é visualmente cego . Os dados coletados—matrizes de CSI—consistem em números complexos que representam a propagação do sinal. É impossível para um humano olhar para um pacote de CSI e "ver" o rosto ou o corpo de uma pessoa. Mesmo se um ator malicioso interceptasse o fluxo de dados brutos, não recuperaria uma imagem ou um vídeo, mas um fluxo de distorções de sinal ininteligíveis. Isso torna o sensoriamento por Wi-Fi unicamente adequado para o monitoramento do banheiro—o cômodo mais perigoso da casa, onde câmeras são estritamente proibidas. ³

5.2 Conformidade com GDPR e HIPAA

Para clientes empresariais, a conformidade regulatória é inegociável. Os dados de sensoriamento por Wi-Fi, especificamente a CSI, são classificados como Dados Biométricos sob o Regulamento Geral de Proteção de Dados (GDPR) (Artigo 9) porque potencialmente podem ser usados para identificar indivíduos com base na marcha ou na forma do corpo (identificação biométrica). ²⁸ Da mesma forma, sob a Health Insurance Portability and Accountability Act (HIPAA), dados de saúde derivados do lar são Protected Health Information (PHI).

A arquitetura da Veriprajna garante conformidade por meio de uma estratégia estrita de Processamento na Borda:

1.​ Minimização de Dados: Os dados brutos de CSI são processados localmente no Access Point Wi-Fi ou em um gateway local de borda (usando a NPU). O sinal biométrico bruto de alta largura de banda nunca é transmitido para a nuvem. Ele é descartado imediatamente após a inferência.

2.​ Insights Abstraídos: Apenas o evento de inferência é transmitido. A nuvem recebe um pacote JSON: {"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}. Essa string de texto não contém dados biométricos e não pode ser engenheirada reversamente para identificar a fisiologia do usuário.

3.​ Anonimização: Em configurações padrão, o sistema rastreia "presença" e "movimento" sem vinculá-los a uma identidade específica. Detecta que uma pessoa caiu, não quem caiu, a menos que seja especificamente configurado para rastreamento de múltiplas pessoas com o consentimento do usuário.

4.​ Segurança: Toda a transmissão de dados é criptografada via TLS 1.3/WPA3, e os dispositivos locais de borda são protegidos com autenticação 802.1X para impedir acesso não autorizado. ³⁰

5.3 O Problema do Visitante e a Aceitabilidade Social

Um grande ponto de atrito das câmeras é o monitoramento de visitantes. Quando familiares ou cuidadores visitam, eles também são gravados, levantando questões de consentimento. O sensoriamento por Wi-Fi é inerentemente menos intrusivo. Embora detecte a presença de outras pessoas, não grava seus rostos nem conversas. Essa "vigilância suave" é muito mais aceitável socialmente em espaços semiprivados como áreas comuns de vida assistida ou apartamentos compartilhados, reduzindo a complexidade jurídica de obter consentimento de cada visitante. ³³

Parte VI: Infraestrutura e o Ecossistema de Hardware

6.1 A Commoditização do Hardware de Sensoriamento

Uma vantagem estratégica do sensoriamento por Wi-Fi é que ele utiliza a infraestrutura existente. Não exige perfurar buracos para instalar sensores proprietários em cada parede. A transição do Wi-Fi de um padrão puramente de comunicação para um padrão de sensoriamento está sendo formalizada no IEEE 802.11bf (WLAN Sensing), com ratificação plena esperada para o final de 2024/2025. Esse padrão garantirá que os futuros chipsets Wi-Fi suportem nativamente a extração de CSI e as solicitações de sensoriamento, transformando cada roteador em um radar padronizado. ³⁵

6.2 Principais Habilitadores de Silício

A stack de software da Veriprajna é agnóstica em relação ao hardware, mas otimizada para os principais chipsets que fornecem acesso aos dados de CSI:

●​ Qualcomm: As plataformas "Networking Pro Series" e "FastConnect" da Qualcomm (Wi-Fi 7) são habilitadores críticos. Crucialmente, a Qualcomm integra a Hexagon NPU (Neural Processing Unit) em seus SoCs. Isso permite que a Veriprajna execute os modelos de aprendizado profundo (Transformers/CNNs) diretamente no roteador ou gateway com alta eficiência energética, viabilizando a estratégia de processamento na borda descrita acima. A Qualcomm AI Stack e o AI Hub fornecem as toolchains para converter modelos PyTorch em binários quantizados que rodam no o Hexagon DSP, garantindo desempenho em tempo real sem latência de nuvem. ³⁶

●​ Broadcom: Com o ecossistema Wi-Fi 8 recém-anunciado e os chips Wi-Fi 7 (BCM6726, BCM4390), a Broadcom introduziu o motor de telemetria sem fio "BroadStream". Esse bloco de hardware é projetado especificamente para descarregar a coleta e o processamento dos dados de sensoriamento, fornecendo os fluxos de CSI de alta frequência e baixa latência exigidos para treinamento e inferência de IA. ⁴⁰

●​ Espressif (ESP32): Para nós de sensoriamento distribuídos e de baixo custo (p. ex., criando uma malha densa em uma grande instalação), o microcontrolador ESP32 é um divisor de águas. O ESP-CSI Toolkit permite que desenvolvedores extraiam dados de CSI desses chips baratos ($5). Embora menos potente que um roteador, um ESP32 pode atuar como receptor dedicado de sensoriamento, alimentando dados a um gateway central. Isso viabiliza o escalonamento custo-efetivo do tecido de sensoriamento. ⁴³

6.3 O Panorama do Software Comercial

A Veriprajna atua como integradora especializada e desenvolvedora de IA sobre plataformas fundamentais de sensoriamento:

●​ Cognitive Systems (Aura WiFi Motion): Fornece uma API madura e amplamente implantada para sobreposição de movimento. Sua stack lida com a extração de CSI de nível inferior e a classificação básica de movimento, permitindo que a Veriprajna se concentre na interpretação médica de nível superior. ²⁶

●​ Origin Wireless (AI Sensing): Pioneiros na tecnologia "Time Reversal Machine" para análise de multipercurso. Seus motores "TruPresence" e de detecção de quedas são referências da indústria em precisão. O software da Origin roda inteiramente na borda, alinhando-se perfeitamente à nossa arquitetura privacy-first. ³⁵

Parte VII: Implementação Estratégica para Empresas

7.1 O Retrofit "Zero-Hardware"

Para casas de repouso, instituições de vida assistida e provedores de hospital em casa, a proposição de valor primária do sensoriamento por Wi-Fi é o "Retrofit Zero-Hardware." Essas instituições já possuem redes Wi-Fi de grau empresarial para conectividade. Ao implantar a stack de software da Veriprajna (ou atualizar o firmware para uma versão habilitada para sensoriamento), a instituição transforma sua rede de comunicação existente em uma rede de segurança.

●​ Economia de CapEx: Elimina a necessidade de comprar milhares de wearables ou instalar câmeras em cada cômodo.

●​ Manutenção: Sem baterias para trocar em pingentes. Sem dispositivos perdidos para substituir.

●​ Escalabilidade: Uma atualização de software pode habilitar a detecção de quedas em 100 cômodos instantaneamente.

7.2 Metodologia de Implantação

Implementar o sensoriamento por Wi-Fi exige uma abordagem estruturada para garantir cobertura e precisão:

1.​ Levantamento do Site: Avaliar a densidade do Wi-Fi. O sensoriamento exige certa densidade de sinais. Um único roteador pode cobrir um apartamento pequeno, mas uma rede mesh (pods em cômodos diferentes) é ideal para cobertura "Whole Home", para garantir que haja enlaces de sensoriamento suficientes cruzando o banheiro e o quarto. ⁴⁹

2.​ Auditoria de Hardware: Verificar se os Access Points existentes utilizam chipsets compatíveis (Qualcomm/Broadcom) que suportem extração de CSI.

3.​ Configuração do Gateway de Borda: Determinar se os APs têm computação suficiente (NPU/CPU) para inferência no dispositivo. Se não, um servidor local de borda (p. ex., um pequeno PC industrial executando os modelos de IA) pode agregar dados de APs leves.

4.​ Calibração: Executar os modelos DANN (Domain Adversarial) por um breve período de "burn-in" (p. ex., 24 horas) para adaptar-se à disposição específica dos móveis e aos materiais estruturais do edifício, estabelecendo uma linha de base para o ambiente estático.

7.3 ROI e Realização de Valor

●​ Readmissões Hospitalares Reduzidas: Ao detectar mudanças na marcha precocemente, fisioterapia preventiva pode ser administrada, evitando a queda que leva a uma fratura de quadril e a uma hospitalização custosa.

●​ Eficiência da Equipe: As "rondas noturnas" podem ser orientadas por dados. Em vez de acordar cada residente para verificá-lo (interrompendo o sono), a equipe pode monitorar o dashboard central em busca de distúrbios do sono ou saídas da cama, atendendo apenas quem precisa.

●​ Prêmios de Seguro: Instituições equipadas com monitoramento contínuo e não invasivo podem qualificar-se para prêmios reduzidos de seguro de responsabilidade civil devido ao menor risco de acidentes não descobertos e à capacidade de fornecer evidência de cuidado orientada por dados.

Conclusão: A Inevitabilidade da Inteligência Ambiental

A era dos "gadgets" no cuidado aos idosos está chegando ao fim. O atrito da adesão, a indignidade do estigma dos wearables e as limitações funcionais dos dispositivos alimentados por bateria os tornam uma tecnologia de transição. O futuro do monitoramento de saúde não é sobre prender sensores sobre as pessoas; é sobre construir sensores ao redor delas.

O Sensoriamento Passivo por Wi-Fi representa a convergência de física avançada, infraestrutura onipresente e IA Profunda. Ele respeita a santidade do lar ao permanecer invisível, ainda assim fornece vigilância de grau clínico. Resolve o "Paradoxo do Chuveiro", elimina a fadiga de carregamento e preserva a privacidade do usuário. Para a Veriprajna, isso não é apenas uma evolução técnica; é um imperativo moral de oferecer dignidade e segurança à população que envelhece por meio de inteligência que se sente, mas não se vê.

O ar ao nosso redor está cheio de informação. Está na hora de o escutarmos.

Tabela 1: Análise Comparativa das Tecnologias de Monitoramento

Recurso	Wearables (Monitoramento Ativo)	Câmeras (Monitoramento Visual)	Sensoriamento Passivo por Wi-Fi (Veriprajna)
Adesão do Usuário	Alto Atrito: Exige uso, carregamento e alertas manuais.	Zero Esforço: Passivo.	Zero Esforço: Passivo.
Impacto na Privacidade	Baixo: apenas dados (aceleração/FC).	Grave: Gravação visual de espaços íntimos.	Baixo: CSI abstrata sinais; sem identificadores visuais.
Segurança no Banheiro	Falha Crítica: Frequentemente retirado para banho/ducha.	Inaceitável: Preocupações de privacidade proíbem o uso.	Excelente: Funciona em NLOS; penetra vapor/cortinas.
Manutenção	Alta: Bateria	Média: Lente	Baixa: Software

Col1	substituição, perdido dispositivo gestão.	limpeza, fonte de energia.	atualizações; aproveita o Wi-Fi existente.
Pontos Cegos	Nenhum (se usado).	Altos: Bloqueados por móveis, paredes, escuridão.	Mínimos: Os sinais penetram paredes e móveis.
Riqueza de Dados	Aceleração, Frequência Cardíaca.	Marcha, Pose, Contexto.	Respiração, Marcha, Estágios do Sono, Quedas.
Adequação para Demência	Fraca: Usuários esquecem de usar ou retiram os dispositivos ativamente.	Média.	Alta: Não pode ser retirado ou esquecido.

Tabela 2: Marco Regulatório e Técnico

Requisito	Padrão / Regulamento	Implicação para o Sensoriamento por Wi-Fi
Privacidade de Dados	GDPR (Artigo 9)	A CSI é dado biométrico. Exige consentimento explícito e proteção rigorosa de dados (IA na Borda).
Dados de Saúde	HIPAA	O monitoramento de saúde no lar cria PHI. Os dados devem ser criptografados em trânsito e em repouso.
Padrão de Hardware	IEEE 802.11bf	O futuro padrão "WLAN Sensing" padronizará a extração de CSI entre fornecedores.
Processamento de IA	IA na Borda (NPU)	O processamento deve ocorrer no dispositivo (Qualcomm Hexagon/Broadcom) para

Tabela 3: Stack de IA Profunda da Veriprajna vs. Abordagens Genéricas

Camada	Genérica / Concorrente Abordagem	IA Profunda da Veriprajna Abordagem
Dados de Entrada	RSSI (Intensidade do Sinal) ou CSI Bruta	CSI Sanitizada (Desembrulho de Fase, PCA Denoising, Hampel Filtering)
Extração de Features	Features Estatísticas (Média, Variância)	CNNs (Convolutional Neural Networks) para Features Espaciais/Espectrais
Lógica Temporal	Baseada em limiar (Se o sinal cair > X)	LSTM / GRU (Recurrent Neural Networks) para Contexto de Sequência
Fusão	Fluxo Único	Transformer de Duplo Ramo (Amplitude + Fase) com Mecanismo de Atenção
Generalização	Calibração Específica do Local exigida	Redes Neurais Adversariais de Domínio (DANN) para Independência do Ambiente

Citações: ¹

Obras citadas

1. Beyond Technical Motives: Perceived User Behavior in Abandoning Wearable Health & Wellness Trackers - arXiv, acessado em 12 de dezembro de 2025, https://arxiv.org/pdf/1904.07986

2. Fall Detection Using Wi-Fi Sensing, acessado em 12 de dezembro de 2025, https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 2025, https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia, acessado em 12 de dezembro de 2025, https://en.wikipedia.org/wiki/Channel_state_information

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

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

11. Full Respiration Rate Monitoring Exploiting Doppler Information with Commodity Wi-Fi Devices - ResearchGate, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 2025, https://arxiv.org/html/2407.12537v1

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org, acessado em 12 de dezembro de 2025, http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

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

16. Enhanced Wi-Fi Sensing: Leveraging Phase and Amplitude of CSI for Superior Accuracy, acessado em 12 de dezembro de 2025, https://www.preprints.org/manuscript/202412.2585

17. Enhanced Human Activity Recognition Using Wi-Fi Sensing ..., acessado em 12 de dezembro de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11859840/

18. Transformer-Based Person Identification via Wi-Fi CSI Amplitude and Phase Perturbations, acessado em 12 de dezembro de 2025, https://arxiv.org/html/2507.12854v1

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

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

22. Doppler radar remote sensing of respiratory function - PMC - NIH, acessado em 12 de dezembro de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10172641/

23. Wearable Fall Detection System with Real-Time Localization and Notification Capabilities, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 2025, https://www.researchgate.net/publication/372813063_WiFi-based_indoor_passive_fall_detection_for_medical_Internet_of_Things

26. WiFi Motion - Cognitive Systems, acessado em 12 de dezembro de 2025, https://www.cognitivesystems.com/wifi-motion/

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

29. Biometric recognition | ICO, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 2025, https://hipaatimes.com/making-wi-fi-hipaa-compliant

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

32. HIPAA Compliance for Guest WiFi: Essential Guidelines - Beambox, acessado em 12 de dezembro de 2025, https://beambox.com/townsquare/how-to-provide-hipaa-compliant-guest-wifi

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

34. Surveillance Risks in Wi-Fi Sensing, acessado em 12 de dezembro de 2025, https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless, acessado em 12 de dezembro de 2025, https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets, acessado em 12 de dezembro de 2025, https://www.qualcomm.com/wi-fi

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

38. NPU AI Engine - Qualcomm, acessado em 12 de dezembro de 2025, https://www.qualcomm.com/processors/ai-engine

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

42. Accessing the IoT ecosystem - Broadcom Inc., acessado em 12 de dezembro de 2025, https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit, acessado em 12 de dezembro de 2025, https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 2025, https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™, acessado em 12 de dezembro de 2025, https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless, acessado em 12 de dezembro de 2025, https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook, acessado em 12 de dezembro de 2025, https://iconoutlook.com/origin-wireless/

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

51. Wi-Fi 8 | Edge AI | Broadband - Broadcom Inc., acessado em 12 de dezembro de 2025, https://www.broadcom.com/solutions/wireless-mobile-communications/wifi8

52. Wi-Fi 7 Chips & Tech | Next-Generation WiFi - Qualcomm, acessado em 12 de dezembro de 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, acessado em 12 de dezembro de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9830631/