WiFi-CSI (Channel State Information) macht aus jedem vorhandenen WLAN-Signal einen Raumsensor. Ohne Kamera, ohne Mikrofon, ohne Wearable am Körper. Hier erklären wir die Grundlagen — und legen die wissenschaftlichen Quellen offen, auf denen unser Ansatz aufbaut.
Jedes WLAN-Paket fragt den Empfänger gewissermaßen ab: „Wie hat sich mein Signal auf dem Weg zu dir verändert?" Diese Antwort nennt sich Channel State Information.
WLAN nach IEEE 802.11n/ac/ax sendet auf vielen schmalen Trägerfrequenzen gleichzeitig (OFDM-Subcarrier). Der Empfänger misst für jede einzelne Subcarrier-Frequenz Amplitude und Phase des empfangenen Signals und vergleicht sie mit dem bekannten Senderaster. Das Ergebnis — die CSI-Matrix — beschreibt den aktuellen Funkkanal sehr fein.
Bewegt sich eine Person durch den Raum, ändert sie die Reflexionen und Mehrwege-Pfade des Funksignals. Diese Veränderungen lassen sich aus der CSI-Zeitreihe statistisch herauslesen — als Anwesenheit, Bewegung, Bewegungslosigkeit, abrupte Lageänderung (Sturzverdacht).
Klassische RSSI-Anwesenheitsanzeigen kennen nur einen einzigen Pegelwert pro Paket. CSI liefert pro Paket viele dutzend bis hunderte Werte (eine Komplexzahl pro Subcarrier × Sender-/Empfangsantenne) und ist dadurch deutlich aussagekräftiger.
Diese Funktionen sind in der wissenschaftlichen Literatur seit Jahren reproduziert und mit ESP32-Hardware praktikabel umsetzbar.
Wissenschaftlich gezeigt, aber unter Laborbedingungen — für den klinischen Alltag noch nicht zuverlässig genug.
Theoretisch ja, praktisch noch nicht zuverlässig. Hier die ehrliche Einordnung mit den Forschungsarbeiten, die wir verfolgen.
Wasser hat eine sehr hohe relative Permittivität (≈ 80 bei Raumtemperatur, deutlich höher als Fett oder Knochen). Der Wassergehalt von Gewebe beeinflusst dadurch, wie sich Funkwellen darin ausbreiten — Amplitude, Phase, Reflexion. Da CSI genau diese Parameter pro WLAN-Subcarrier misst, gibt es einen theoretischen Pfad: aus CSI-Mustern Rückschlüsse auf Wassergehalt zu ziehen.
Verwandte Anwendungen sind bereits etabliert: Mikrowellen-basierte Schlaganfall-Diagnostik (Persson et al.), UWB-Brustkrebs-Screening, mmWave-Vital-Sensing. Alle diese Verfahren nutzen denselben Grundeffekt: Wasser dominiert die elektromagnetische Antwort von biologischem Gewebe.
In Laborstudien wurden Korrelationen zwischen RF-Signal und Hydratationszustand gezeigt — meist mit dedizierten Sensoren am Körper, nicht raumweit per WLAN-CSI.
| Autor:innen, Jahr | Beitrag | Relevanz für Hydratation |
|---|---|---|
| Gabriel, Lau, Gabriel — 1996 | „The dielectric properties of biological tissues" (Phys. Med. Biol.) | Grundlagenwerk: misst Permittivität und Leitfähigkeit von Geweben in Abhängigkeit u. a. vom Wassergehalt. Basis aller späteren RF-Hydration-Arbeiten. |
| Topfer, Schoebel — 2015 | „Millimeter-Wave Tissue Diagnosis: The Most Promising Fields for Medical Applications" (IEEE MWM) | Übersicht, in welchen Frequenzbereichen sich Gewebe-Wasser am stärksten im RF-Signal ausdrückt — wichtig für die Wahl der Sensorfrequenz. |
| Garrett, Fear — 2014 | „Stable and Flexible Microwave Imaging of Wrist for Hydration Monitoring" (IEEE Trans. Biomed. Eng., adjacent) | Direkte Mikrowellen-Hydration-Studie am Handgelenk: zeigt Machbarkeit kontaktnaher RF-Hydration-Messung — wir setzen aber auf raumweit, nicht kontaktnah. |
| Persson, Fhager u. a. — 2014 | „Microwave-Based Stroke Diagnosis Making Global Prehospital Thrombolytic Treatment Possible" (IEEE TBME) | Beleg, dass Mikrowellenmessung verschiedene Gewebezustände im Kopf unterscheiden kann — verwandte Methodik, aber dedizierter Sensorhelm, nicht WLAN-CSI. |
| Yousefi u. a. — 2017 bereits oben | „A Survey on Behavior Recognition Using WiFi CSI" | Übersicht macht klar, was CSI heute kann und was nicht. Hydratation wird nicht als zuverlässige Anwendung gelistet. |
Wir beobachten Veröffentlichungen, prüfen Methodik kritisch und nehmen Hydration nur dann ins Produkt, wenn sie unter realen Pflegebedingungen reproduzierbar ist.
Der ESP32-S3 in jedem Zimmer liest pro empfangenem WLAN-Paket die Subcarrier-Werte direkt aus der Funk-Hardware.
Rauschen, Phasensprünge und Pegelunterschiede werden gefiltert; relevante Merkmale (Varianzen, Spektren) bleiben übrig.
Einfache Schwellwerte für Anwesenheit/Bewegung; ML-Modelle für Sturzverdacht — am Rand des Netzes (Edge) oder lokal auf dem Stations-Server.
Erst auffällige Muster lösen einen Hinweis im Dashboard aus. Keine Dauerüberwachung, keine Datenflut.
Lange Zeit war CSI nur auf Spezial-Hardware mit Linux und Intel-/ Atheros-Karten zugänglich. Die ESP32-Familie hat das geändert: Espressif liefert mit dem ESP-CSI-Toolkit CSI direkt aus dem WLAN-Stack — als kostengünstiges, dediziertes Modul.
CSI nutzt nur das, was ohnehin schon im Raum sendet: WLAN-Funkwellen. Es entsteht kein Bild, kein Ton. Die Verarbeitung findet lokal in der Einrichtung statt. Personenbezug bleibt auf das Notwendige beschränkt.
Mehr dazu in unserer Technologie-Übersicht.
Unser Ansatz steht auf den Schultern eines aktiven Forschungsfelds. Diese Arbeiten haben unsere Architektur und unser Realismus-Verständnis geprägt.
| Autor:innen, Jahr | Titel / Beitrag | Wofür wir es nutzen |
|---|---|---|
| Halperin, Hu, Sheth, Wetherall — 2011 | „Tool Release: Gathering 802.11n Traces with Channel State Information" (ACM SIGCOMM CCR) | Pionierarbeit zur CSI-Extraktion aus Standard-WLAN-Hardware. Begründet das gesamte Forschungsfeld. |
| Wang, Liu, Shahzad u. a. — 2015 | „Understanding and Modeling of WiFi Signal Based Human Activity Recognition" (CARM) (MobiCom) | Modellierung, wie sich menschliche Bewegung in CSI-Mustern ausdrückt — Basis für Bewegungs- und Aktivitätserkennung. |
| Palipana, Rojas, Agrawal, Pesch — 2018 | „FallDeFi: Ubiquitous Fall Detection using Commodity Wi-Fi Devices" (IMWUT) | Sturzerkennung mit handelsüblicher WLAN-Hardware. Direkte Inspiration für unser Sturz-Hinweis-Modul. |
| Yousefi, Narui, Dayal, Ermon, Valaee — 2017 | „A Survey on Behavior Recognition Using WiFi Channel State Information" (IEEE Communications Magazine) | Übersichtsarbeit, ordnet die Möglichkeiten und Grenzen realistisch ein. |
| Pu, Gupta, Gollakota, Patel — 2013 | „Whole-Home Gesture Recognition Using Wireless Signals" (WiSee) (MobiCom) | Frühe Arbeit, dass WLAN-Funk feine Bewegungen quer durch Wände auflösen kann. |
| Adib, Katabi — 2013 | „See Through Walls with Wi-Fi!" (Wi-Vi) (SIGCOMM) | Beleg, dass ortsauflösende Funksensorik mit Commodity-WLAN grundsätzlich möglich ist. |
| Gringoli, Schulz, Link, Hollick — 2019 | „Free Your CSI: A Channel State Information Extraction Platform for Modern Wi-Fi Chipsets" (Nexmon CSI) (WiNTECH) | Macht CSI auf günstiger Embedded-Hardware (Raspberry Pi, BCM-Chips) zugänglich — wichtiger Wegbereiter für ESP32-CSI. |
| Geng, Huang, De La Torre — 2023 | „DensePose From WiFi" (arXiv:2301.00250) | Pose-Schätzung aus WLAN. Für uns Forschungs-Roadmap, nicht MVP — siehe oben. |
DOIs/arXiv-Links führen zu den jeweiligen Originalveröffentlichungen. Wir verlinken bewusst auf die Primärquellen, nicht auf Sekundärseiten.
Espressif Official
Offizielles CSI-Toolkit für die ESP32-Familie — Grundlage für unsere Funkbrücke.
Steven M. Hernandez
Praktisches CSI-Erfassungs-Tool und Datensätze für ESP32 — wertvoller Ausgangspunkt für eigene Pipelines.
SEEMOO Lab, TU Darmstadt
CSI-Plattform für Broadcom/Cypress-WLAN-Chips (u. a. Raspberry Pi) — Referenzimplementierung jenseits von ESP32.
Halperin u. a., University of Washington
Das ursprüngliche CSI-Tool für Intel-5300-Karten — historischer Ausgangspunkt vieler Folgearbeiten.
Xie u. a., NTU Singapore
CSI-Extraktion für Atheros-Chipsätze — wichtige Alternative für Forschungssetups.
Forschungs-Roadmap
Beispiel-Repository zur Pose-Schätzung aus WLAN-Reflexionen. Für uns Roadmap-Material — nicht im aktuellen MVP.
Originalpaper siehe oben (Geng et al., 2023).
Ein paar zentrale Open-Source-Bausteine — falls Sie selbst entwickeln, einsteigen oder beitragen wollen.
Espressif · offizielles SDK
FreeRTOS-basiertes SDK für ESP32-S3. Examples-Verzeichnis (`wifi`, `bluetooth/nimble`, `system/ota`, `storage/spiffs`) ist Pflichtlektüre.
Apache Mynewt · in ESP-IDF integriert
Leichter BLE-Stack für ESP32. Central + Notification-Subscribe ist unser Muster für die Smartwatch-Anbindung.
1technophile · ESP32-BLE→MQTT-Gateway
Direktes Vorbild für unsere Bridge-Architektur. BLE-Scan, Vendor- Decoder, MQTT-Publish — viele Smartwatch-Modelle out-of-the-box.
theengs · BLE-Vendor-Frame-Bibliothek
JSON-basierte Decoder für hunderte BLE-Sensoren und billige Smartwatches. Portierbar auf ESP32 — Inspiration für unseren Plugin-Adapter-Layer.
Open-Source-Android-Gateway
Größte offene Sammlung an Smartwatch-BLE-Protokollen (Colmi, D-Serie, Mi-Band, Amazfit u. v. m.). Wir vergleichen Frame-Layouts gegen deren Quellcode.
Espressif · Cloud-Referenz
Patterns für Provisioning, Per-Device-Keys, OTA, Telemetrie.
Architektur-Vorbild für unseren es_cloud-Endpunkt.
Vollständige
Liste mit konkreten Aktions-Items siehe interne Doku
docs/firmware-quellen.md im Quellcode-Repository.
Wir zeigen Ihnen in einer halben Stunde, was unser Hinweissystem kann — und was bewusst nicht. Ehrlich, ohne Marketing-Lärm.
Pilotgespräch vereinbaren