独居老人智慧健康监测系统

杨照宇，王梅霞，张培培

（华北理工大学 管理学院，河北唐山，063210）

0 引言

2022 年国务院在《“十四五”国家老龄事业发展和养老服务体系规划》中指出农村养老服务水平不高、居家社区养老和优质普惠服务供给不足、专业人才特别是护理人员短缺、科技创新和产品支撑有待加强、事业产业协同发展尚需提升等方面。为响应国家号召，我们研发了独居老人智慧健康监测系统。

1 智慧养老国内研究现状

当前我国人口老龄化进入快速发展阶段，老年人自我健康异常检测已经成为一个痛点。如何使老年人得到更加有效地、全面地保护已经成为亟待解决的问题。为了推进智慧养老的发展，在2018 年我国政府就出台了智慧医疗相关意见。2019 年，为了更进一步发展智慧养老，国家正式批准了我国养老服务领域第一项强制性国家标准《养老机构服务安全基本规范》（GB 38600-2019）[1]。

由此可见智慧养老越来越被国家所重视，然而许多老年人不愿意离开自己生活几十年的土地，并且许多子女会离开家乡外出工作，长时间生活在其他城市，这就造成了大量独居老人的出现。对于老人来说，在日常的生活中存在许多安全隐患。若老人摔倒或突发心脏病，并且没有接受及时的救治，那么老人可能会出现生命危险。对于独居老人，以上出现的问题造成的后果可能会无限放大。对于子女来说，不能只关注老人的身体安全更应该关注心理问题，尤其是独居老人的心理问题。

2 成果报告

■2.1 心跳异常检测

（1）流程设计。心跳异常检测系统每经过0.004 秒就采集一次用户的心跳数据，系统监测分为两种检测方式，一种是阈值检测，一种是基于深度学习的异常检测。①阈值监测。系统每秒进行一次阈值监测，若发生异常，则发送一封邮件到厂内医务室或安保室进行告警，或每5 秒向钉钉发送异常消息。②基于深度学习的异常监测。系统定期进行基于深度学习的异常监测，最终生成图片报告发送到家属或医生进行告警。具体操作流程如图1 所示。

图1 心跳异常监测系统

（2）技术路线。本系统通过传感器采集老人心跳数据，再通过循环神经网络（Recurrent Neural Network,RNN）算法，根据以往心跳数据拟合心跳预测值，将预测值与实际值进行比较，生成残差，当心跳模式发生改变时，残差变化较大，再利用Grafana 对残差进行阈值监测[2]，出现异常进行告警。技术路线如图2 所示。

图2 老人健康监测技术路线

（3）研究结果。RNN 循环神经网络（Recurrent Neural Network,RNN）的实现基于一种Python 的PyTorch 深度学习框架。首先将RNN 输出的每一帧的预测值与目标值通过PyTorch 训练出来的模型来通过Multivariate Gaussian Distribution model（公式1）分析、比较出残差后，在Grafana 的dashboard 中新建一个panel 来图形化残差，最后再通过Grafana 阈值检测残差，如图3 所示，在心跳正常时，残差起伏并不大，但当心跳出现异常时，残差将会有很大的起伏，由此，便可以结合Grafana 阈值检测的方式来检测残差，当残差高于一定值时，向用户发送异常。

图3 残差效果图

如图3 所示，上面的绿色序列是心跳数据，下面的红色序列是高斯分布的概率值的倒数，当心跳模式发生异常时，其对应的概率倒数是非常大的，这样可以利用可视化技术，迅速找到异常序列所在位置。

■2.2 跌倒检测

（1）流程设计。当老人出现跌倒时救助的及时性是十分重要的，系统每0.03 秒采集一帧图像，使用基于Openpose[3]人体关键节点识别技术识别并标注人体关键节点，下一步计算每一帧与上一帧相比较头部节点高度梯度变化，进行判断，危险动作检测系统如图4 所示。如果梯度大于阈值则计算头部与脚部节点之间的距离，否则继续监测，再比较距离是否小于阈值，如果小于就再判断跌倒时间，如果都为真，则利用邮件的方式通知家属，否则继续监测，不抛出异常。

图4 危险动作检测系统

（2）技术路线。首先，通过摄像头捕捉室内的图像信息，通过Openpose 检测出人体，并进行人体关键节点的识别，并将节点数据存入实时数据库，再利用SVM 进行跌倒的识别。

（3）研究结果。本设计使用了基于Openpose 的人体节点识别技术和自研的跌倒识别算法，来监测老人生活过程中的危险行为，在跌倒识别的反应速度上达到了毫秒级别。如图5 所示，Openpose可以实时监测全身包括鼻子、肩膀、膝盖等18 个关键节点。

图5 跌倒检测

一旦检测到跌倒，将及时抛出异常，实现了对于居家生活的跌倒检测。

为确保跌倒监测精确度真实可信，我们将测试摔倒情况分为6 种：前倒、后倒、随机地向各方向侧倒、下蹲系鞋带、从座位上倒地、晕倒跪地俯身。实验者共6 人，每人分别对上述6 种情况做10 次实验。实验结果如表1 所示，经确认，识别准确率高达96.43%，达到了行业内算法的顶尖水准。

表1 实验者每人进行10次记录成功次数

■2.3 情绪检测

（1）流程设计。对于情绪监测而言，首先通过摄像头采集老人人脸图像，采用Dlib[4]检测出人脸后，再提取面部关键节点，再利用支持向量机SVM[5]实现情绪的识别，最后利用机器学习的方法对不同表情的面部关键节点模式进行分类，以此来实现对老人情绪的监测。若情绪不正常，则在后台生成报告，并给出辅助决策，通知家属；若情绪正常，则将数据返回，继续进行监测。具体流程如图6 所示。

图6 情绪监测系统

（2）技术路线。系统对于情绪监测主要依靠摄像头，不断捕捉老人人脸图像信息，将图像信息进行实时分析，采用Dlib 检测出人脸，提取面部关键节点信息，然后利用支持向量机(Support Vector Machine,SVM)实现情绪的识别。

（3）研究结果。情绪监测系统主要通过Dlib人脸识别和SVM 支持向量机这两种算法来实现。

首先基于Dlib 对人脸的各个关键节点进行识别，图7 为Dlib 检测出的68 个关键节点，通过这68 个关键节点分别获取眼睛与嘴巴的索引实现对脸部细节的检测。

图7 情绪监测结果示意图

再通过支持向量机对其进行分类，SVM 基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如图8 所示，W×X+B=0 即为分离超平面，对于线性可分的数据集来说，这样的超平面有无穷多个，但是几何间隔最大的分离超平面却是唯一的。

图8 情绪监测结果示意图

以不同脸型做出的表情（如：喜、怒、哀、乐）作为庞大的数据库，同时对这四个表情做出的概率进行估算并返回概率最高的那一个表情，其检测结果如图9 所示。当我们做出不同表情时，Dlib 获取了嘴巴和眼睛关键节点的索引，SVM 划分平面并输出表情。

图9 情绪监测结果示意图

3 结语

本系统是为独居老人子女设计一套实时监测老人健康与情绪的系统。通过使用RNN 算法与Grafana 相结合的心跳异常检测功能、基于Openpose 人体关键节点识别技术的跌倒检测功能以及基于Dlib 与支持向量机SVM 算法的情绪识别功能，方便在外子女关心老人，助力智慧医疗的发展。