隱形守護者：超越 穿戴裝置，以被動式 Wi-Fi 感測 與深度 AI

執行摘要

全球醫療照護版圖正經歷一場深刻的人口結構轉變， 特徵是人口急速老化，同時可用的 照顧人力卻在收縮。這道落差催化了對科技槓桿 倍增器的迫切尋求——能把臨床人員與監護者的觸角延伸進家庭的方案。過去 十年，產業的主要答案一直是「主動監測」：部署 穿戴裝置、緊急按鈕與智慧手錶，用以追蹤生命徵象並 偵測緊急狀況。然而，對縱貫資料的嚴謹分析揭示了此 取徑的關鍵缺陷：它依賴的，正是最無力提供配合的那群人。最 有效的健康監測器，不是感測器最先進或續航最久的那一個； 而是完全不需要任何互動的那一個。

本白皮書由專業 AI 顧問公司 Veriprajna 撰寫，作為下一代 環境輔助生活（AAL）的權威架構藍圖。我們主張 產業必須從以裝置為中心的主動監測，轉向 被動式 Wi-Fi 感測，這是一種 把環境中無所不在的射頻（RF）訊號重新用途化，變成 精密、隱形感測織網的典範。透過分析通道狀態資訊 （CSI）——現代 Wi-Fi 固有的複雜實體層資料——我們能偵測跌倒、監測 呼吸，並以臨床級準確度分析睡眠模式，全程無需任何一件 穿戴裝置。

然而，轉向 Wi-Fi 感測並非單純的硬體升級；它是最高等級的訊號 處理挑戰。它要求超越簡化的統計 方法，擁抱 深度 AI 。本報告詳述為何通用大型語言模型 （LLM）包裝層不足以勝任此任務，以及為何 Veriprajna 主張客製化深度 學習架構——特別是卷積神經網路（CNN）、長短期 記憶（LSTM）網路與 Transformer——來解碼無線電波的細微語言。 我們全面分析 CSI 的物理、主動 穿戴裝置的失效模式、訊號詮釋所需的深度神經網路架構，以及在企業情境中部署隱形生物辨識的 法規路徑。

第一部分：穿戴健康中的配合危機

科技

1.1 主動配合的謬誤

遠距病人監測（RPM）與「在地老化」科技的主流模型， 根本上建立在主動配合的概念上。此模型假設 使用者——往往是可能有認知衰退、關節炎或 感官損傷的高齡者——會充當自己健康 科技的盡責系統管理員。他們被期待每天早晨記得配戴裝置、確保它 每日充電，並在緊急時與其介面互動。雖然此模型對 具備數位素養且活躍的「年輕老人」（65–75 歲）運作尚可，卻 對跌倒與醫療風險最高的「超高齡」（85 歲以上）族群災難性地失效，該族群的 緊急狀況風險最高。

對穿戴健康監測器採用生命週期的研究，揭示了嚴峻且 令人不安的現實：最需要這些裝置的人，往往最先棄用。 分析使用者行為的研究顯示，約 30% 的使用者在取得後六個月內停止使用 其追蹤器。 ¹ 這項流失率不僅反映 消費者不滿；它代表安全網上一個巨大破洞。當裝置躺在 抽屜裡，監測系統不是降級——而是根本不存在。依賴 使用者主動參與對自己的監視，會製造「配合落差」，一道 介於科技理論上提供的安全，與日常生活中實際 未使用之間的危險鴻溝。

1.1.1 「淋浴悖論」與衛生情境的脆弱性

穿戴裝置的功能限制，在涉及水或更衣的日常生活活動 （ADL）中最為尖銳。統計上，浴室是家中對高齡者最危險的 房間，濕滑地面與堅硬設備造成高 傷害性跌倒機率。然而，這正是穿戴裝置最常 缺席的環境。我們稱之為「淋浴悖論」。

儘管現代裝置具備 IP67 或 IP68 防水等級，許多高齡者仍 習慣在沐浴前取下手錶或墜飾。此行為源自 一輩子對非防水電子產品的經驗、害怕損壞昂貴 裝置，或濕錶帶貼在脆弱皮膚上的單純身體不適。 ² 結果，使用者在跌倒最可能 發生的精確時間窗口內完全未被監測。若跌倒發生在淋浴間而裝置放在浴室化妝台上， 系統已徹底失敗。裝置的「主動」本質——要求使用者決定 持續配戴——成為單一故障點。

1.1.2 充電疲勞與認知摩擦

除了浴室之外，定期充電的要求構成持續保護的重大障礙。 對 80 歲的人而言，連接專用磁吸充電器或插入 micro-USB 線所需的精細動作技能 可能相當吃力。這種 「充電疲勞」導致裝置被留在床頭櫃充電，然後 在早晨被遺忘。

個人緊急應變系統（PERS）使用者的資料，描繪出令人擔憂的 遵從圖像。一項研究發現 24% 的使用者從未配戴墜飾，僅 14% 達成真正的 24 小時遵從。 ³ 管理裝置電池壽命的認知負荷 與其他日常壓力競爭，而在輕度認知障礙（MCI） 或早期失智族群中，裝置乾脆被遺忘。結果是一名「被監測」的病人 實際上在一天的大段時間裡完全沒有保護。

1.2 心理障礙：衰弱的汙名

科技採用不只是功能計算；它深具情緒性。許多穿戴 裝置，尤其是無所不在的「SOS」墜飾，被設計成明顯的醫療 美學。它們向世界——也向使用者自己——發出訊號：他們是衰弱的、 脆弱的、需要幫助的。這種汙名化是拒絕配戴的強大驅動因素。

對使用者經驗的質性後設綜合顯示，高齡者往往把這些 裝置視為把自己「烙印」成老人。 ⁴ 維持獨立與活力表象的渴望， 使許多長者把裝置藏在衣物下（降低其效能）或 拒絕在公開或社交場合配戴。裝置變成失去自主的象徵， 而非保全自主的工具。

此外，「誤報恐懼」創造了扭曲的誘因結構。使用者往往 害怕意外觸發警報或為非事件召喚緊急服務， 那既尷尬又昂貴。這種焦慮使部分使用者把裝置 留在家裡以避免偽陽性風險，或更糟的是，在真正緊急時猶豫是否按下按鈕， 懷疑自己的狀況是否「嚴重到」足以構成這種 打擾。這種心理摩擦使主動觸發機制變得不可靠。

1.3 裝置管理的經濟意涵

對企業利害關係人——保險業者、責任照護組織（ACO）、 以及安養機構營運者——而言，依賴穿戴裝置代表顯著的 經濟無效率。部署一批穿戴裝置涉及可觀的資本 支出（CapEx），硬體易於遺失、損壞與過時。

營運支出（OpEx）同樣嚴苛。管理數千臺 裝置帶來後勤挑戰：更換電池、處理故障退件， 以及為可能難以將裝置與智慧型手機或 Wi-Fi 網路配對的非技術使用者提供技術支援。 遺失裝置的「流失」侵蝕監測計畫的投資 報酬（ROI）。更關鍵的是，未被配戴的穿戴裝置所提供的「虛假安全感」 造成巨大責任。若機構宣稱提供全天候 監測，但住民在裝置充電時跌倒，機構可能因安全網失效而面臨法律與 聲譽後果。產業需要從「以裝置為中心」的監測，結構性地 轉向「以空間為中心」的監測——一種 嵌入建築基礎設施本身、對住民零負擔、 且不可能遺失或遺忘的方案。

第二部分：隱形感測的物理

2.1 從 RSSI 到通道狀態資訊（CSI）

要理解 Veriprajna 的取徑，必須區分已存在多年的原始 Wi-Fi 感測形式，與我們主張的深度訊號分析。 早期利用 Wi-Fi 做存在偵測的嘗試，依賴接收訊號強度 指示（RSSI）。RSSI 是幾乎所有無線堆疊都提供的粗粒度指標；它代表 接收訊號的總功率，通常對整個封包與頻率 頻寬取平均。

雖然當物體阻擋發射端與接收端路徑時 RSSI 會下降 （遮蔽），它本質上是不穩定且低解析度的指標。它高度易受 多路徑衰落影響——訊號從牆壁反射並建設性或 破壞性地干涉——以及環境雜訊。濕度變化、寵物移動，甚至 微波爐運轉，都能造成模仿人體存在的 RSSI 波動。 關鍵的是，RSSI 缺乏偵測細粒度動作的靈敏度；它能告訴你 房間裡有沒有人，卻不能告訴你他們是否在呼吸。 ⁵

真正的環境智慧需要存取無線傳輸的實體層（PHY）， 特別是 通道狀態資訊（CSI） 。現代 Wi-Fi 標準 （802.11n、802.11ac、802.11ax 與即將到來的 802.11be）採用正交 分頻多工（OFDM）。在 OFDM 中，無線通道（例如 20 MHz 或 40 MHz 通道）被分成數十或數百個子載波。CSI 描述 訊號從發射端到接收端對 每一個別子載波 的傳播。

數學上，若 $X$ 為發射訊號向量，而 $Y$ 為接收訊號向量， 其關係建模為：

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

其中 $N$ 為雜訊向量，而 $H$ 為通道狀態資訊矩陣。與 RSSI 不同， RSSI 是純量， $H$ 則是對每個子載波含兩個不同分量的複數 矩陣：

1.​ 振幅（$|H|$）： 該特定頻率上訊號強度的衰減。

2.​ 相位（$\angle H$）： 該特定頻率上訊號的延遲或相移。

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

此矩陣提供無線環境的高解析「影像」。因為不同 子載波有不同波長，它們與室內物體的交互也不同。CSI 捕捉人體造成的散射、反射與繞射，具有精細的 細節，那是 RSSI 完全無法看見的。 ⁶

2.2 菲涅耳區模型與微動作偵測

讓我們能從這些電磁資料萃取人體動作的理論框架 就是 菲涅耳區模型 。菲涅耳區是一系列同心長橢球， 以發射端（Tx）與接收端（Rx）為焦點。

當無線電波從 Tx 傳到 Rx，它並不走單一條直線。它在這些菲涅耳區所定義的 空間體積中傳播。若動態物體（人） 存在於這些區內，會反射一部分訊號。Rx 端的接收訊號是 直接視距（LoS）路徑與從人體反射的動態路徑的 疊加。

反射訊號的路徑長度隨人移動而改變。此路徑 長度， $d(t)$，會在 CSI 動態分量中引入相移。此關係 由訊號的波長（$\lambda$）所支配：

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

對標準 5 GHz Wi-Fi 訊號而言，波長 $\lambda$ 約為 6 公分。 這意味著僅 3 公分（半個波長）的移動，就足以把訊號從 建設性干涉（峰值）轉為破壞性干涉（零點）。 這種極端靈敏度正是 呼吸偵測 的關鍵。呼吸時，人體 胸壁位移約 4 至 12 毫米。雖然此動作從遠處肉眼 不可見，但在 5 GHz 或 6 GHz Wi-Fi 的尺度上，它代表波長的顯著 分數。當胸部擴張與收縮，它穿越菲涅耳區， 造成 CSI 資料相位與振幅中有節奏、週期性的振盪。透過 分析 CSI 串流中這些細微漣漪，Veriprajna 的演算法能重建 呼吸波形，準確度可與醫療級呼吸帶相比。 ⁸

2.3 都卜勒特徵與運動學分析

對行走或跌倒這類巨觀動作，我們超越單純相移，轉向都卜勒 頻移。都卜勒效應指出，從移動物體反射的波會 產生與物體速度成正比的頻率變化。

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

其中 $v$ 為身體部位的速度，而 $\theta$ 為移動角度，相對於 波傳播方向。 不同人體活動產生獨特的「都卜勒特徵」。

●​ 行走： 手臂與腿的擺動產生正負交錯的複雜 都卜勒頻移圖案，因為肢體朝向或遠離接收端移動。

●​ 跌倒： 跌倒具有特定運動學序列：失去平衡 （跌倒前）、因重力而快速加速下降（跌倒本身），以及突然撞擊 隨後不動。

透過套用短時傅立葉變換（STFT）或離散小波變換（DWT）於 CSI 時間序列資料，我們能產生 頻譜圖 ——速度的視覺 表徵隨時間變化。跌倒在頻譜圖上呈現獨特的高能量湧升、向下 加速，接著能量驟停（「長時躺臥」）。這讓 系統能把危險跌倒與坐下或躺到這類受控動作區分開來。 床上。 ¹⁰

2.4 穿牆感測與非視距能力

Wi-Fi 感測相對光學（攝影機）或 紅外線（LIDAR）系統最深刻的優勢之一，是能在 非視距（NLOS） 條件下運作。 2.4 GHz 與 5 GHz 的 Wi-Fi 訊號對標準建築材料具有優異穿透性， 例如石膏板、木材與玻璃。

在典型居家環境中，Wi-Fi 訊號從牆壁、地板、天花板與 家具反彈，形成「多路徑」環境。即使存取點在走廊，而 使用者在關上門的臥室裡，訊號仍穿透房間、從 使用者反射，再穿透回到接收端。使用者不必被路由器以視覺意義 「看見」。他們在電磁場中造成的畸變會穿過 障礙物傳播。這種基於物理的無所不在，確保困擾攝影機系統的「盲點」—— 例如浴簾後或隔間後——幾乎被消除。單一 Wi-Fi 感測鏈路能有效監測整個房間甚至相鄰房間，提供的覆蓋 程度需要一整組攝影機才能複製。 ¹²

第三部分：從訊號到洞見——深度 AI 架構

3.1 超越「LLM 包裝層」：訊號處理 AI 的必要性

在當代科技市場，「AI」一詞幾乎已與 GPT 這類 大型語言模型（LLM）畫上等號。雖然 LLM 對文字與程式碼具有變革力， 它們本質上不適於詮釋原始射頻資料。CSI 資料是連續、複數、高維度的，受物理定律支配， 而非文法規則。

Veriprajna 以 深度 AI 方案提供者自我定位。我們不只是把 API 包在 預訓練文字模型外圍。我們工程化客製深度神經網路，設計 專門用於時間訊號處理。LLM 無法「閱讀」5 GHz 波形；它 需要理解時間、頻率與空間相關的架構。我們的取徑 運用卷積神經網路（CNN）、遞迴神經 網路（RNN）與 Transformer 的精密堆疊，從 RF 雜訊中萃取臨床洞見。

3.2 預處理管線：淨化以太

從消費級 Wi-Fi 晶片組擷取的原始 CSI 資料本質上充滿雜訊。它被 載波頻率偏移（CFO）、取樣頻率偏移 （SFO）與隨機封包遺失等硬體缺陷污染。把此原始資料直接送入神經網路會 導致效能低落。因此 Veriprajna 採用嚴謹、物理知情的 預處理管線：

1.​ 相位淨化： Wi-Fi 晶片的原始相位資料被「包裹」在該範圍 於 $[-\pi, \pi]$。我們採用線性變換演算法來「解包裹」相位， 重建由動作造成的連續相位變化。此外，我們套用 線性擬合，去除不同步時鐘所引入的相位斜率，介於 發射端與接收端之間。 ¹¹

2.​ 離群值去除： 我們利用 Hampel 濾波器 與中值濾波去除脈衝 雜訊，其來源是突發電氣干擾或硬體毛刺。

3.​ 維度縮減： 典型 CSI 串流可能含來自 3 根天線 $\times$ 56 個子載波 = 168 條資料流的資料。並非全部帶有有用資訊； 有些可能處於「深衰落」（破壞性干涉）而幾乎全是雜訊。我們 採用 主成分分析（PCA） 來萃取 能解釋訊號中的最大變異。第一主成分通常 對應室內主導動作（例如呼吸），而後續 分量則捕捉雜訊。 ⁵

3.3 用於 CSI 分析的深度學習模型

資料淨化後，會送入 Veriprajna 的專有深度學習模型。我們 主張混合架構，以發揮不同神經網路 類型的長處。

3.3.1 用於空間特徵的卷積神經網路（CNN）

我們把 CSI 資料矩陣（子載波 $\times$ 時間）當作偽影像。正如 CNN 能在照片中辨識貓的邊緣，它也能辨識動作事件的「邊緣」 於 RF 頻譜中。2D-CNN 或 1D-CNN 在子載波維度上滑動核。 這讓模型學習空間相關——例如，意識到跌倒事件 會在特定子載波叢集上造成同時的振幅下降。這種空間 特徵萃取對區分人體動作與背景雜訊（例如 旋轉風扇，其頻譜特徵不同）至關重要。 ¹⁵

3.3.2 用於時間脈絡的長短期記憶（LSTM）

人體活動本質上是時間序列。一次「跌倒」不是單一時間點；它是 一連串事件：站立 $\rightarrow$ 失去平衡 $\rightarrow$ 下降 $\rightarrow$ 撞擊 $\rightarrow$ 靜臥。CNN 單獨可能把「撞擊」幀分類 為跌倒，但也可能把在床上跳躍分類為跌倒。

為解決此問題，我們把 CNN 輸出送入 長短期記憶（LSTM） 網路。LSTM 是一種遞迴神經網路（RNN），設計用來記住長期 依賴。它維持一個從先前時間步攜帶脈絡的「記憶單元」。這 讓模型理解 序列：「使用者正在行走（速度 X），然後 向下加速（速度 Y），現在於地板上靜止（速度 0）。」此 時間脈絡讓系統能把跌倒與這類受控動作區分開來，例如 坐下。 ¹⁵

3.3.3 雙分支 Transformer 與注意力機制

我們研究的前沿在於 Transformer 架構。與依序處理資料的 RNN 不同， Transformer 使用「自注意力」一次處理整個序列 機制。這讓模型能權衡訊號不同部分的重要性。

Veriprajna 提出 雙分支架構：

●​ 分支 A（振幅）： 處理幅度變化以偵測粗大動作 （行走、跌倒）。

●​ 分支 B（相位）： 處理相移以偵測微動作（呼吸、心 率變異）。

這兩支透過 注意力層 融合。注意力機制動態地 依脈絡優先處理最相關的串流。例如，若使用者在睡眠， 模型學會更關注相位分支（呼吸訊號 最強處）並忽略振幅分支。反之，若使用者在行走，振幅 分支被賦予較高權重。這種多模態融合顯著增強 系統的穩健性。 ¹⁷

3.4 解決環境依賴：領域適應

Wi-Fi 感測研究的歷史批評一直是缺乏可泛化性。模型 在「實驗室 A」蒐集的資料上訓練，部署到「公寓 B」時往往失敗，因為 多路徑環境（房間大小、家具佈局）不同。模型對訓練房間的 特定反射過擬合。

Veriprajna 以 領域對抗神經網路（DANN） 應對。此 技術以兩個相互競爭的目標訓練網路：

1.​ 活動分類器： 最小化預測活動的誤差（例如「跌倒」對「行走」）。

2.​ 領域判別器： 最大化預測環境的誤差（例如「實驗室」對 「住家」）。

藉由迫使特徵萃取器混淆領域判別器，網路被 驅使學習對環境 不變 的特徵——跌倒的「柏拉圖理想」 特徵，無論發生在套房公寓或 護理之家走廊都看起來相同。這實現「訓練一次、處處部署」模型，對 企業可擴展性至關重要。 ¹⁹

第四部分：臨床應用與使用案例

4.1 呼吸監測：未來的生命徵象

呼吸率（RR）常被稱為「被遺忘的生命徵象」，卻是 慢性阻塞性肺病（COPD）、 鬱血性心臟衰竭（CHF）與肺炎等病情臨床惡化的領先指標。傳統監測需要配戴 胸帶或鼻套管，長期使用並不舒適。

使用第 2.2 節所述的相位差分析，Wi-Fi 感測提供 連續、非接觸的呼吸監測。

●​ 準確度： 使用波束成形回饋矩陣（BFM）的實驗評估已 顯示呼吸率估計誤差低於每分鐘 3.2 次呼吸。 ⁵ 更 先進的深度學習模型達到超過 0.92 的相關係數，與 參考呼吸帶。 ²¹

●​ 睡眠呼吸中止偵測： 此系統對偵測 阻塞性睡眠呼吸中止（OSA）尤其具革命性。透過監測睡眠中呼吸動作的停止， 系統能標記潛在呼吸中止事件（AHI 指數），無需在睡眠實驗室進行繁瑣的 多導睡眠圖（PSG）檢查。這使得對高齡族群進行縱貫 篩檢成為可能，找出未確診、會 增加心血管風險的睡眠障礙。 ²²

4.2 跌倒偵測：「長時躺臥」與脈絡覺察

跌倒是高齡者致命傷害的首要原因。然而，立即撞擊 往往不如 「長時躺臥」 危險——在地板上躺數小時無法起 身，導致橫紋肌溶解、脫水與壓瘡。

Veriprajna 的 Wi-Fi 感測方案提供全面的跌倒管理系統：

1.​ 跌倒前步態分析： 透過連續監測步行速度與步幅 一致性（步態速度）達數週，系統能偵測跌倒前常出現的細微 行動力惡化。步行速度逐漸變慢是臨床 驗證的跌倒風險預測因子，可在意外發生前進行預防性介入（例如物理 治療）。 ²

2.​ 即時偵測： 使用稍早所述的都卜勒特徵，系統 以高敏感度（>97%）偵測跌倒事件。 ²³

3.​ 跌倒後脈絡： 關鍵的是，系統在跌倒 之後 持續監測受試者。若 CSI 顯示缺乏粗大動作但存在微動作 （呼吸）於地板高度，系統確認「跌倒且無法自行恢復」並 升級警報。此脈絡覺察相較於穿戴加速計顯著降低誤報，後者 可能把裝置掉到地板上登記為 跌倒。 ²⁴

4.3 睡眠品質與衛生分析

睡眠品質是高齡健康的重大決定因素。目前消費級睡眠 追蹤器（智慧手錶）依手腕動作（體動記錄）與 光學心率估計睡眠階段。Wi-Fi 感測提供 「全身體動記錄」。

透過分析床上身體動作的強度與週期性，系統能分類 睡眠階段：

●​ 清醒： 高振幅、不規則動作。

●​ 淺眠： 動作減少、呼吸規律。

●​ 深眠／REM 睡眠： 張力缺失（麻痺）的身體狀態，伴隨高度節律性呼吸 特徵。

系統產生「睡眠衛生」報告，詳列入睡潛伏期（入睡 時間）、入睡後清醒（WASO）與總睡眠時數。關鍵的是，它也能追蹤 離床，在失智患者夜間遊走離床且未能在安全時窗內 返回時警示照顧者。 ³

第五部分：隱私悖論——感測而不 監視

5.1 「攝影機對感測器」之爭

視覺隱私對高齡者至關重要。雖然攝影機對 監測有效，卻在臥室與浴室等私密空間廣被拒絕。 被「觀看」的感覺、捕捉裸露的風險，以及視訊串流被 駭入的可能，造成對攝影機式 AAL 方案的巨大抗拒。

Wi-Fi 感測化解此隱私悖論。它是 視覺盲 。所蒐集的資料——CSI 矩陣——由代表訊號傳播的複數構成。人不可能 看著 CSI 封包就「看見」某人的臉或身體。即使惡意行為者 攔截原始資料流，也無法取得影像或影片，而只是一串 無法理解的訊號畸變。這使 Wi-Fi 感測特別適於浴室 監測——家中最危險、攝影機被嚴格禁止的房間。 ³

5.2 GDPR 與 HIPAA 合規

對企業客戶而言，法規合規不可妥協。Wi-Fi 感測資料， 特別是 CSI，在一般資料保護規則下被歸類為 生物辨識資料 （GDPR）（第 9 條），因為它可能依步態 或體型識別個人（生物辨識身分）。 ²⁸ 同樣，在健康保險可攜與 責任法案（HIPAA）下，源自居家的健康資料是受保護健康資訊 （PHI）。

Veriprajna 的架構透過嚴格的 邊緣處理 策略確保合規：

1.​ 資料最小化： 原始 CSI 資料在 Wi-Fi 存取點或 本地邊緣閘道（使用 NPU）上本地處理。原始、高頻寬生物辨識訊號 從不 傳輸到雲端。推論後立即丟棄。

2.​ 抽象洞見： 僅傳輸 推論 事件。雲端收到 JSON 封包：{"event": "Fall", "location": "Bathroom", "timestamp": "14:02:01", "confidence": 0.98}。此文字字串不含生物辨識資料，無法被逆向工程以 識別使用者的生理。

3.​ 匿名化： 在標準組態中，系統追蹤「存在」與「動作」 而不連結到特定身分。它偵測的是 有人 跌倒，而非 誰 跌倒，除非 在使用者同意下特別設定為多人追蹤。

4.​ 安全： 所有資料傳輸以 TLS 1.3/WPA3 加密，本地邊緣 裝置以 802.1X 驗證保護，防止未授權存取。 ³⁰

5.3 訪客問題與社會可接受性

攝影機的一大摩擦點是對訪客的監測。當家人或 照顧者來訪，他們也會被錄影，引發同意問題。Wi-Fi 感測本質上較不 侵擾。雖然它偵測其他人的 存在，但不記錄其臉孔或 對話。這種「柔性監視」在半私密空間遠較社會可接受， 例如安養機構公共區域或合住公寓，降低向每位訪客 取得同意的法律複雜度。 ³³

第六部分：基礎設施與硬體生態系

6.1 感測硬體的商品化

Wi-Fi 感測的策略優勢是利用既有基礎設施。它不 需要在每面牆上鑽孔安裝專有感測器。Wi-Fi 從 純通訊標準轉向感測標準，正被正式化於 IEEE 802.11bf (WLAN Sensing)，預期於 2024 年末／2025 年完全批准。此標準將確保 未來 Wi-Fi 晶片組原生支援 CSI 擷取與感測請求，把每一臺 路由器變成標準化雷達。 ³⁵

6.2 關鍵矽晶賦能者

Veriprajna 的軟體堆疊與硬體無關，但針對能提供 CSI 資料的領先晶片組優化，那些晶片組 提供 CSI 資料的存取：

●​ Qualcomm： Qualcomm 的「Networking Pro Series」與「FastConnect」平台（Wi-Fi 7） 是關鍵賦能者。關鍵的是，Qualcomm 把 Hexagon NPU（神經 處理單元）整合進其 SoC。這讓 Veriprajna 能執行深度學習模型 （Transformer/CNN）直接在路由器或閘道上，具高電源效率， 實現上述邊緣處理策略。Qualcomm AI Stack 與 AI Hub 提供工具鏈，把 PyTorch 模型轉成在 Hexagon DSP 上執行的量化二進位， 確保即時效能而無雲端延遲。 ³⁶

●​ Broadcom： 憑藉新宣布的 Wi-Fi 8 生態系與 Wi-Fi 7 晶片（BCM6726、 BCM4390），Broadcom 推出 「BroadStream」 無線遙測引擎。此 硬體區塊專為卸載感測資料的蒐集與處理而設計， 提供 AI 所需的高頻、低延遲 CSI 串流，供 訓練與推論。 ⁴⁰

●​ Espressif（ESP32）： 對低成本、分散式感測節點（例如在大型設施建立密集網狀網路） 而言，ESP32 微控制器是改變遊戲規則的裝置。ESP-CSI Toolkit 讓開發者能從這些廉價（$5）晶片擷取 CSI 資料。雖然比路由器 算力較弱，ESP32 可作為專用感測接收端，把資料饋送到 中央閘道。這使感測織網能以具成本效益的方式擴展。 ⁴³

6.3 商業軟體版圖

Veriprajna 擔任專業整合者與 AI 開發者，建立在基礎感測 平台之上：

●​ Cognitive Systems（Aura WiFi Motion）： 提供成熟、廣泛部署的 API，用於 動作疊加。其堆疊處理較低層的 CSI 擷取與基本動作 分類，讓 Veriprajna 專注於較高層的醫療詮釋。 ²⁶

●​ Origin Wireless（AI Sensing）： 「時間反轉機器」技術的先驅，用於 多路徑分析。其 「TruPresence」 與跌倒偵測引擎是業界 準確度標竿。Origin 的軟體完全在邊緣執行，完美對齊 我們隱私優先的架構。 ³⁵

第七部分：企業的策略實施

7.1 「零硬體」改造

對護理之家、安養機構與居家住院提供者而言，Wi-Fi 感測的主要價值 主張是 「零硬體改造」。 這些機構已經 擁有企業級 Wi-Fi 網路以供連線。透過部署 Veriprajna 的軟體 堆疊（或把韌體更新為具備感測能力的版本），機構把既有 通訊網路轉成安全網路。

●​ 資本支出節省： 免除購買數千件穿戴裝置或在每間房間安裝 攝影機的需要。

●​ 維護： 墜飾無需換電池。無需更換遺失裝置。

●​ 可擴展性： 一次軟體更新可立即在 100 間房間啟用跌倒偵測。

7.2 部署方法

實施 Wi-Fi 感測需要結構化取徑以確保覆蓋與準確度：

1.​ 現場勘查： 評估 Wi-Fi 密度。感測需要一定的訊號密度。單一 路由器或可覆蓋小公寓，但網狀網路（不同房間的節點） 最理想，可達成「全宅」覆蓋，確保有足夠感測鏈路穿越 浴室與臥室。 ⁴⁹

2.​ 硬體稽核： 驗證既有存取點是否使用相容晶片組 （Qualcomm/Broadcom）且支援 CSI 擷取。

3.​ 邊緣閘道設置： 判斷 AP 是否有足夠運算（NPU/CPU）供 裝置上推論。若無，本地邊緣伺服器（例如執行 AI 的小型工業 PC 模型）可從輕量 AP 彙總資料。

4.​ 校正： 讓 DANN（領域對抗）模型進行短暫「磨合」期 （例如 24 小時），以適應該建築特定的家具佈局與結構材料， 建立靜態環境基線。

7.3 ROI 與價值實現

●​ 降低醫院再入院： 藉由及早偵測步態變化，可施行預防性物理 治療得以施行，防止導致髖骨骨折與昂貴 住院。

●​ 人力效率： 「夜間巡房」可以資料驅動。與其叫醒每位住民 去查看（打擾睡眠），人員可監測中央儀表板的睡眠 擾動或離床，只照顧有需要者。

●​ 保險保費： 配備連續、非侵入監測的機構可能 因未被發現意外的風險較低，而可能符合較低責任保險保費資格 意外，以及能提供資料驅動的照護證據。

結論：環境智慧的必然性

高齡照護中「小工具」的時代正走向終點。配合摩擦、 穿戴汙名的屈辱，以及電池供電裝置的功能限制，使其成為 過渡科技。健康監測的未來不是把感測器綁 到 人身上；而是把感測器建在他們 周圍。

被動式 Wi-Fi 感測代表先進物理、無所不在的 基礎設施與深度 AI 的匯流。它以保持隱形來尊重家庭的神聖，同時 提供臨床級警戒。它解決「淋浴悖論」、消除充電疲勞， 並保全使用者隱私。對 Veriprajna 而言，這不只是技術演進；這是 透過智慧為老化人口提供尊嚴與安全的道德義務，那智慧 被感受、卻不被看見。

我們周圍的空氣充滿資訊。是時候傾聽它了。

表 1：監測科技比較分析

特徵	穿戴裝置（主動 監測）	攝影機（視覺 監測）	被動式 Wi-Fi 感測 （Veriprajna）
使用者配合	高摩擦： 需要配戴、 充電，以及 手動警報。	零費力： 被動。	零費力： 被動。
隱私影響	低：僅資料 （加速度／心率）。	嚴重： 視覺 錄製 私密空間。	低： 抽象 CSI 訊號；無視覺 識別符。
浴室安全	關鍵失效： 經常取下以便 淋浴／泡澡。	不可接受： 隱私疑慮 禁止使用。	優異： 在 NLOS 下運作；穿透 蒸氣／浴簾。
維護	高： 電池	中：鏡頭	低： 軟體

Col1	更換、遺失 裝置 管理。	清潔、電源 供應。	更新；利用 既有 Wi-Fi。
盲點	無（若配戴）。	高：被阻擋於 家具、牆壁、 黑暗。	最小： 訊號 穿透牆壁與 家具。
資料豐富度	加速度、心臟 率。	步態、姿勢、脈絡。	呼吸、步態、 睡眠階段、 跌倒。
適用於 失智	差： 使用者忘記 配戴或主動 取下裝置。	中。	高： 無法被 取下或 遺忘。

表 2：法規與技術框架

要求	標準／法規	對 Wi-Fi 的意涵 感測
資料隱私	GDPR（第 9 條）	CSI 是生物辨識資料。 需要明示同意 以及嚴謹資料 保護（邊緣 AI）。
健康資料	HIPAA	居家健康監測 產生 PHI。資料必須 在傳輸中與於 靜止時加密。
硬體標準	IEEE 802.11bf	未來「WLAN Sensing」 標準將標準化 CSI 擷取，跨越 供應商。
AI 處理	邊緣 AI（NPU）	處理必須發生 在裝置上（Qualcomm Hexagon/Broadcom）以

表 3：Veriprajna 深度 AI 堆疊對通用取徑

層	通用／競爭者 取徑	Veriprajna 深度 AI 取徑
輸入資料	RSSI（訊號強度）或 原始 CSI	淨化 CSI（相位 解包裹、PCA 去噪、Hampel 濾波）
特徵萃取	統計特徵（平均、 變異數）	CNN（卷積 神經網路） 用於 空間／頻譜特徵
時間邏輯	基於閾值（若訊號 下降 > X）	LSTM／GRU（遞迴 神經網路） 用於 序列脈絡
融合	單一流	雙分支 Transformer （振幅 + 相位）搭配 注意力機制
泛化	特定場域校正 需要	領域對抗 神經網路（DANN） 用於環境 獨立性

參考文獻： ¹

引用文獻

1. Beyond Technical Motives: Perceived User Behavior in Abandoning Wearable Health & Wellness Trackers - arXiv，於 2025 年 12 月 12 日存取， https://arxiv.org/pdf/1904.07986

2. Fall Detection Using Wi-Fi Sensing，於 2025 年 12 月 12 日存取， https://www.wifisensing.io/use-cases/fall-detection

3. WiFi Sensing for Senior Independence - Aerial's AI，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://arxiv.org/pdf/2108.03170

6. Channel state information - Wikipedia，於 2025 年 12 月 12 日存取， https://en.wikipedia.org/wiki/Channel_state_information

7. Understanding CSI | Hands-on Wireless Sensing with Wi-Fi: A Tutorial，於 2025 年 12 月 12 日存取， https://tns.thss.tsinghua.edu.cn/wst/docs/pre/

8. Device-Free WiFi Human Sensing: From Pattern-Based to Model-Based Approaches，於 2025 年 12 月 12 日存取， https://ceca.pku.edu.cn/media/lw/de4947b5f57dd4fd5e3ac649f34ed557.pdf

9. Human Respiration Detection with Commodity WiFi Devices: Do User Location and Body Orientation Matter?，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://www.mdpi.com/1424-8220/24/3/862

11. Full Respiration Rate Monitoring Exploiting Doppler Information with Commodity Wi-Fi Devices - ResearchGate，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://arxiv.org/html/2407.12537v1

14. WiFi Amplitude and Phase-based Respiratory Rate Monitoring - ieeevtc.org，於 2025 年 12 月 12 日存取， http://ieeevtc.org/vtc2024spring/DATA/PID2024002410.pdf

15. Deep-Learning-Based Wi-Fi Indoor Positioning System Using Continuous CSI of Trajectories - PubMed Central，於 2025 年 12 月 12 日存取， https://pmc.ncbi.nlm.nih.gov/articles/PMC8434353/

16. Enhanced Wi-Fi Sensing: Leveraging Phase and Amplitude of CSI for Superior Accuracy，於 2025 年 12 月 12 日存取， https://www.preprints.org/manuscript/202412.2585

17. Enhanced Human Activity Recognition Using Wi-Fi Sensing ...，於 2025 年 12 月 12 日存取， https://pmc.ncbi.nlm.nih.gov/articles/PMC11859840/

18. Transformer-Based Person Identification via Wi-Fi CSI Amplitude and Phase Perturbations，於 2025 年 12 月 12 日存取， https://arxiv.org/html/2507.12854v1

19. A Survey on Wi-Fi Sensing Generalizability: Taxonomy, Techniques, Datasets, and Future Research Prospects - arXiv，於 2025 年 12 月 12 日存取， https://arxiv.org/html/2503.08008v2

20. Channel State Information (CSI) based sensing method work flow. ResearchGate，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://www.mdpi.com/2079-6374/15/8/486

22. Doppler radar remote sensing of respiratory function - PMC - NIH，於 2025 年 12 月 12 日存取， https://pmc.ncbi.nlm.nih.gov/articles/PMC10172641/

23. Wearable Fall Detection System with Real-Time Localization and Notification Capabilities，於 2025 年 12 月 12 日存取， https://www.mdpi.com/1424-8220/25/12/3632

24. [Literature Review] Real-Time Fall Detection Using Smartphone Accelerometers and WiFi Channel State Information，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://www.researchgate.net/publication/372813063_WiFi-based_indoor_passive_fall_detection_for_medical_Internet_of_Things

26. WiFi Motion - Cognitive Systems，於 2025 年 12 月 12 日存取， https://www.cognitivesystems.com/wifi-motion/

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

29. Biometric recognition | ICO，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://hipaatimes.com/making-wi-fi-hipaa-compliant

31. HIPAA-Compliant Wi-Fi with 802.1X and RADIUS Security - SecureW2，於 2025 年 12 月 12 日存取， https://www.securew2.com/blog/hipaa-compliant-wireless-802-1x

32. HIPAA Compliance for Guest WiFi: Essential Guidelines - Beambox，於 2025 年 12 月 12 日存取， https://beambox.com/townsquare/how-to-provide-hipaa-compliant-guest-wifi

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

34. Surveillance Risks in Wi-Fi Sensing，於 2025 年 12 月 12 日存取， https://www.wifisensing.io/risks/surveillance

35. WiFi Sensing - Origin Wireless，於 2025 年 12 月 12 日存取， https://www.originwirelessai.com/wifi-sensing/

36. Qualcomm Wi-Fi Products and Chipsets，於 2025 年 12 月 12 日存取， https://www.qualcomm.com/wi-fi

37. How to build model assets for Snapdragon NPU devices - ONNX Runtime，於 2025 年 12 月 12 日存取， https://onnxruntime.ai/docs/genai/howto/build-models-for-snapdragon.html

38. NPU AI Engine - Qualcomm，於 2025 年 12 月 12 日存取， https://www.qualcomm.com/processors/ai-engine

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

42. Accessing the IoT ecosystem - Broadcom Inc.，於 2025 年 12 月 12 日存取， https://www.broadcom.com/blog/accessing-the-iot-ecosystem

43. ESP32 CSI Toolkit，於 2025 年 12 月 12 日存取， https://stevenmhernandez.github.io/ESP32-CSI-Tool/

44. Introduction to ESP-CSI Solution - - — ESP-Techpedia latest documentation，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://docs.rs/esp-csi-rs

46. Cognitive | Creators of WiFi Motion™，於 2025 年 12 月 12 日存取， https://www.cognitivesystems.com/

47. WiFi Sensing | Origin Wireless，於 2025 年 12 月 12 日存取， https://www.originwirelessai.com/trupresence-2/

48. Origin Wireless - ICON Outlook，於 2025 年 12 月 12 日存取， https://iconoutlook.com/origin-wireless/

49. Qualcomm® Wi-Fi Ranging: Delivering ranging and location technologies of tomorrow today.，於 2025 年 12 月 12 日存取， 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，於 2025 年 12 月 12 日存取， https://pmc.ncbi.nlm.nih.gov/articles/PMC6473213/

51. Wi-Fi 8 | Edge AI | Broadband - Broadcom Inc.，於 2025 年 12 月 12 日存取， https://www.broadcom.com/solutions/wireless-mobile-communications/wifi8

52. Wi-Fi 7 Chips & Tech | Next-Generation WiFi - Qualcomm，於 12 月 12 日、2025 年存取，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，於 2025 年 12 月 12 日存取， https://pmc.ncbi.nlm.nih.gov/articles/PMC9830631/