Transparente Erklärung unseres WiFi-CSI-basierten Ansatzes – ohne Marketing-Buzzwords.
1. WiFi Channel State Information (CSI) Erfassung
Standard-WiFi-Router senden Signale, die von Objekten (inkl. Menschen) reflektiert werden.
Wir nutzen CSI-Daten (Amplitude & Phase von 56 Subcarriern bei 5 GHz) statt nur RSSI.
Hardware: Modifizierte WiFi-Chips (Intel 5300 / Atheros 9380) mit CSI-Tool-Firmware
2. Signal Processing & Feature Extraction
CSI-Rohdaten sind verrauscht. Wir wenden Butterworth-Filter,
Hampel-Outlier-Detection und Doppler-Shift-Analyse an,
um bewegungsrelevante Features zu extrahieren.
Output: Time-Series Feature Tensor (56 x 3 x 1000 @ 1 kHz)
3. Deep Learning: CSI → 3D Skelett-Keypoints
Proprietäre CNN-Transformer-Architektur schätzt grobe 3D-Position
(X, Y, Z) von bis zu 12 Körper-Keypoints. NICHT DensePose –
WiFi-Wellenlänge (~5 cm) limitiert Auflösung auf Skelett-Level.
Training: 50.000 annotierte Szenen (Motion-Capture Ground Truth)
4. Anwendungs-Layer: Sturz / Vitaldaten
Sturzerkennung: Klassifikation über Geschwindigkeits-Änderung + Pose-Orientierung
Vitaldaten: Extraktion von Mikro-Bewegungen (Brust → Respiration, ~Heart Rate)
Edge-Deployment: Raspberry Pi 4 / NVIDIA Jetson Nano (< 10W)
