基于无缝场景的智慧养老系统的关键技术研究

魏雨枫 路 敏 李彩虹 邬 渊(兰州市第三人民医院 甘肃 兰州 730000)(兰州大学信息科学与工程学院 甘肃 兰州 730000)

0 引 言

随着物联网、大数据以及可穿戴技术的飞速发展，智能化、自动化为解决养老问题提供了一个新的方向。目前，主流的可穿戴设备有智能手表、运动手环和智慧服饰等。其中，智慧服饰是一种具有灵活性高、舒适感强等优点的智能设备。智慧服饰能够容纳更多种类的传感器来收集老年人的体征数据，实时掌握老年人的生理健康状况，及时发现潜在的意外情况并对护理人员发出预警。

目前已经被报道的用于辅助老年人护理工作的智慧服饰，其功能主要集中于检测老年人的生理特征，如血压、心率等[1]。考虑到老年人护理的特殊需求，在本次研究中，我们对已有的智慧服饰理念进行了扩展，研发了能够对老年人进行实时定位的智慧服饰，并通过收集到的老年人行为数据，结合大数据技术，分析老年人的健康状况。

本系统中的智慧服饰主要采用室内定位技术，目前成熟的室内定位技术主要有蓝牙、WiFi/WLAN、射频识别(RFID)，以及超宽带(UWB)等[2]。其中，RFID技术具有非视距、穿透力强、功耗低、快速精准地定位目标位置等优点。因此我们使用RFID技术进行智慧养老系统中室内定位模块的开发[3]。

在本实验中，我们对老年人的日常活动(例如睡觉、吃饭、沐浴、看书、散步、看电视等基本活动)情况进行检测，作为评估其身体健康状况的手段，由此提出基于无缝看护场景的智慧养老系统。该系统将RFID标签内嵌在老年人日常生活所穿戴的服饰上，确保服饰的轻便性、耐磨性，以及不会对使用者的生活带来影响。系统通过RFID阅读器收集标签信息从而确定老年人在养老院中的位置，并将收集到的位置信息作数据预处理，去除冗余得到老年人日常活动的特征属性。系统使用这些特征属性结合BP神经网络或支持向量机(SVM)建立老年人健康状况预测模型，所建立的模型能够输出被监护老年人的健康状况。BP神经网络和SVM均为能够处理分类任务的监督式机器学习算法，将基于这两种算法的老年人健康状况预测模型的预测结果进行对比检验，使用具有更好预测识别结果的模型来检测老年人在养老院中的活动是否异常[4]。

另外，为了更好地实现人机交互，我们开发了基于移动平台的监管应用，看护人员可以通过手机等移动设备来实时地查看被监护者的活动信息，一旦发生意外，设备会发出警报提醒看护人员及时查看。

1 系统描述

1.1 系统构成

本文所述的智慧养老系统由两部分构成：位置监测记录模块和智能健康管理模块。

位置监测记录模块使用基于RFID的室内定位系统来收集老年人在特定场景下的位置信息。智能健康管理模块利用机器学习算法对位置信息进行分析处理，并建立预测模型来判断老年人的健康状况。医护人员和老人的家属可以通过手机等移动设备实时查看老年人的活动及健康状况。

为了检测智慧养老系统的可行性及鲁棒性，我们在甘肃省兰州市第三人民医院老年病科进行了实验。

实验中，我们将老年病科区域划分为5个部分：卧室、治疗区域、餐厅、浴室和卫生间。为了保证无线信号在实验区域中的全覆盖，我们在每个房间天花板的几何中心位置安装RFID激励天线，RFID阅读器则固定在实验区域中央位置的天花板上，它们的工作频率和辐射半径如表1所示。

表1 RFID激励器与RFID阅读器工作参数

在此无缝实验场景下，RFID标签被内嵌至老年人日常所穿的衣服当中，这保证了实验过程中，参与实验的老年人的日常生活不会受到任何干预，图1为实验所用服饰。在定位模块中，RFID激励天线激励RFID标签将信号传递到RFID阅读器，RFID阅读器捕获RFID标签信号，并将该信号通过Wi-Fi网络传输到远程数据库。定位系统每分钟采样RFID标签信号一次，全天24小时工作，本次实验过程为20天。参与本次实验的5位老人均为自愿参加，并且我们也取得了其主治医生及家属的同意。

图1 嵌有标签的服饰

1.2 数据预处理

RFID标签发送的位置数据包含5个部分：身份标识、采样日期、采样时间、阅读器标识和激励器标识(图2)。其中，激励器标识被用于判断在RFID标签信号被捕获的当前一分钟内，老年人在实验场所中所处的位置。由于RFID标签只有在RFID激励天线的激励范围内才会受到激励并向RFID阅读器发送信号，因此RFID激励天线的激励区域可被粗略估计为老年人当前所处的位置。图3给出了存储在数据库中的位置信息的示例。

图3 数据库中的位置数据(部分)

图2 位置数据的结构

对于每一位参与实验的老年人，系统每天能够获取1 440条位置数据，我们对这些原始数据进行预处理，以期取得更高的建模效率及更加准确的结果。

本次实验区域共划分为5个类型，将老年人一天内在每个类型区域的活动时间进行累加，作为训练模型的输入数据，如图4所示。数据预处理不仅能提高建模速度，并且能剔除冗余数据，避免一些错误与异常数据，使得输入层数据变得简单有效，提高了预测模型的性能[5]。

图4 经过预处理后的位置数据

由于我们要研究老年人的日常活动与其健康状况是否存在某种联系，因此还需要参加实验的老年人的主治医生在每天特定时间评估并记录他们的健康状况(评估记录为健康，意味着在当天，该老人的身体没有出现不适，并且精神状况稳定)，以将评估记录作为标签用于本次监督式机器学习任务。

2 实验结果

我们将收集到的5位老年人前15天的数据作为模型训练集，用余下5天的数据作为测试集来分别测试BP神经网络模型和SVM模型的准确率和鲁棒性。

在建模过程中，我们将老年人日常活动的位置数据作为模型的输入，将医生对老年人健康情况的评估结果作为模型的输出，通过预测模型在测试集的预测结果与实际老人的健康状况评估记录进行对比来评估我们所建立模型的可靠性。

图5显示了两种模型在测试数据集上的分类精度，在5位老人5天共25组实验数据中，BP神经网络模型对老年人健康情况的预测准确率为80%，有5个预测结果出现误差；而SVM模型预测的准确率可达到96%，只有一个数据点预测错误，较BP模型有了很大的提高。依据表2的对比数据可知，在有限的训练数据下，基于SVM算法训练的预测模型性能优于基于BP神经网络训练的模型。因此，在智慧养老系统中，我们采用基于SVM的老年人健康状况预测模型。同时，该实验结果表明利用老年人的日常活动数据来预测其健康状况这种模式是可行的。

图5 模型预测结果

表2 BP和SVM模型预测对比

智慧养老系统的智能健康管理模块能够将采集到的数据和模型的预测结果存储在远程数据库中，老年人的家属及医护人员可以通过与智慧养老系统匹配的App实时查询老年人的健康状况信息，如图6所示。

图6 移动设备显示

3 结 语

本文展示了一个基于RFID技术，能够实现室内区域信号全面覆盖的智慧养老系统。该系统能够追踪记录老年人的位置信息，并利用这些位置信息来判断相关老人的健康状况。我们在兰州市第三人民医院老年科进行了为期20天的实验，验证了机器学习算法应用在智慧养老场景中的可行性。

在今后的研究中，我们可以把体温、血压等人体体征参数扩充到健康预测模型的输入中，同时可以请医生对老年人身体的各项健康指数做出更加详细的报告，作为老年人健康模型的输出。另外，我们还可以探讨研究老年人的活动数据是否与某些老年疾病有关，如抑郁症、阿兹海默症等，从而做出相应的预防与治疗。

参 考 文 献

[1] Alemdar H,Ersoy C.Wireless sensor networks for healthcare:A survey[J].Computer Networks,2010,54(15):2688- 2710.

[2] 单承赣.射频识别(RFID)原理与应用[M].北京:电子工业出版社,2015.

[3] Yao W,Chu C H,Li Z.The adoption and implementation of RFID technologies in healthcare:A literature review[J].Journal of Medical Systems,2012,36(6):3507- 3525.

[4] 张蕾,章毅.大数据分析的无限深度神经网络方法[J].计算机研究与发展,2016,53(1):68- 79.

[5] Zhang X,Qiu D,Chen F.Support vector machine with parameter optimization by a novel hybrid method and its application to fault diagnosis[J].Neurocomputing,2015,149:641- 651.