基于無縫場景的智慧養老系統的關鍵技術研究

魏雨楓 路 敏 李彩虹 鄔 淵(蘭州市第三人民醫院 甘肅 蘭州 730000)(蘭州大學信息科學與工程學院 甘肅 蘭州 730000)

0 引 言

隨著物聯網、大數據以及可穿戴技術的飛速發展，智能化、自動化為解決養老問題提供了一個新的方向。目前，主流的可穿戴設備有智能手表、運動手環和智慧服飾等。其中，智慧服飾是一種具有靈活性高、舒適感強等優點的智能設備。智慧服飾能夠容納更多種類的傳感器來收集老年人的體征數據，實時掌握老年人的生理健康狀況，及時發現潛在的意外情況并對護理人員發出預警。

目前已經被報道的用于輔助老年人護理工作的智慧服飾，其功能主要集中于檢測老年人的生理特征，如血壓、心率等[1]。考慮到老年人護理的特殊需求，在本次研究中，我們對已有的智慧服飾理念進行了擴展，研發了能夠對老年人進行實時定位的智慧服飾，并通過收集到的老年人行為數據，結合大數據技術，分析老年人的健康狀況。

本系統中的智慧服飾主要采用室內定位技術，目前成熟的室內定位技術主要有藍牙、WiFi/WLAN、射頻識別(RFID)，以及超寬帶(UWB)等[2]。其中，RFID技術具有非視距、穿透力強、功耗低、快速精準地定位目標位置等優點。因此我們使用RFID技術進行智慧養老系統中室內定位模塊的開發[3]。

在本實驗中，我們對老年人的日?；顒?例如睡覺、吃飯、沐浴、看書、散步、看電視等基本活動)情況進行檢測，作為評估其身體健康狀況的手段，由此提出基于無縫看護場景的智慧養老系統。該系統將RFID標簽內嵌在老年人日常生活所穿戴的服飾上，確保服飾的輕便性、耐磨性，以及不會對使用者的生活帶來影響。系統通過RFID閱讀器收集標簽信息從而確定老年人在養老院中的位置，并將收集到的位置信息作數據預處理，去除冗余得到老年人日?；顒拥奶卣鲗傩浴Ｏ到y使用這些特征屬性結合BP神經網絡或支持向量機(SVM)建立老年人健康狀況預測模型，所建立的模型能夠輸出被監護老年人的健康狀況。BP神經網絡和SVM均為能夠處理分類任務的監督式機器學習算法，將基于這兩種算法的老年人健康狀況預測模型的預測結果進行對比檢驗，使用具有更好預測識別結果的模型來檢測老年人在養老院中的活動是否異常[4]。

另外，為了更好地實現人機交互，我們開發了基于移動平臺的監管應用，看護人員可以通過手機等移動設備來實時地查看被監護者的活動信息，一旦發生意外，設備會發出警報提醒看護人員及時查看。

1 系統描述

1.1 系統構成

本文所述的智慧養老系統由兩部分構成：位置監測記錄模塊和智能健康管理模塊。

位置監測記錄模塊使用基于RFID的室內定位系統來收集老年人在特定場景下的位置信息。智能健康管理模塊利用機器學習算法對位置信息進行分析處理，并建立預測模型來判斷老年人的健康狀況。醫護人員和老人的家屬可以通過手機等移動設備實時查看老年人的活動及健康狀況。

為了檢測智慧養老系統的可行性及魯棒性，我們在甘肅省蘭州市第三人民醫院老年病科進行了實驗。

實驗中，我們將老年病科區域劃分為5個部分：臥室、治療區域、餐廳、浴室和衛生間。為了保證無線信號在實驗區域中的全覆蓋，我們在每個房間天花板的幾何中心位置安裝RFID激勵天線，RFID閱讀器則固定在實驗區域中央位置的天花板上，它們的工作頻率和輻射半徑如表1所示。

表1 RFID激勵器與RFID閱讀器工作參數

在此無縫實驗場景下，RFID標簽被內嵌至老年人日常所穿的衣服當中，這保證了實驗過程中，參與實驗的老年人的日常生活不會受到任何干預，圖1為實驗所用服飾。在定位模塊中，RFID激勵天線激勵RFID標簽將信號傳遞到RFID閱讀器，RFID閱讀器捕獲RFID標簽信號，并將該信號通過Wi-Fi網絡傳輸到遠程數據庫。定位系統每分鐘采樣RFID標簽信號一次，全天24小時工作，本次實驗過程為20天。參與本次實驗的5位老人均為自愿參加，并且我們也取得了其主治醫生及家屬的同意。

圖1 嵌有標簽的服飾

1.2 數據預處理

RFID標簽發送的位置數據包含5個部分：身份標識、采樣日期、采樣時間、閱讀器標識和激勵器標識(圖2)。其中，激勵器標識被用于判斷在RFID標簽信號被捕獲的當前一分鐘內，老年人在實驗場所中所處的位置。由于RFID標簽只有在RFID激勵天線的激勵范圍內才會受到激勵并向RFID閱讀器發送信號，因此RFID激勵天線的激勵區域可被粗略估計為老年人當前所處的位置。圖3給出了存儲在數據庫中的位置信息的示例。

圖3 數據庫中的位置數據(部分)

圖2 位置數據的結構

對于每一位參與實驗的老年人，系統每天能夠獲取1 440條位置數據，我們對這些原始數據進行預處理，以期取得更高的建模效率及更加準確的結果。

本次實驗區域共劃分為5個類型，將老年人一天內在每個類型區域的活動時間進行累加，作為訓練模型的輸入數據，如圖4所示。數據預處理不僅能提高建模速度，并且能剔除冗余數據，避免一些錯誤與異常數據，使得輸入層數據變得簡單有效，提高了預測模型的性能[5]。

圖4 經過預處理后的位置數據

由于我們要研究老年人的日常活動與其健康狀況是否存在某種聯系，因此還需要參加實驗的老年人的主治醫生在每天特定時間評估并記錄他們的健康狀況(評估記錄為健康，意味著在當天，該老人的身體沒有出現不適，并且精神狀況穩定)，以將評估記錄作為標簽用于本次監督式機器學習任務。

2 實驗結果

我們將收集到的5位老年人前15天的數據作為模型訓練集，用余下5天的數據作為測試集來分別測試BP神經網絡模型和SVM模型的準確率和魯棒性。

在建模過程中，我們將老年人日?；顒拥奈恢脭祿鳛槟Ｐ偷妮斎?，將醫生對老年人健康情況的評估結果作為模型的輸出，通過預測模型在測試集的預測結果與實際老人的健康狀況評估記錄進行對比來評估我們所建立模型的可靠性。

圖5顯示了兩種模型在測試數據集上的分類精度，在5位老人5天共25組實驗數據中，BP神經網絡模型對老年人健康情況的預測準確率為80%，有5個預測結果出現誤差；而SVM模型預測的準確率可達到96%，只有一個數據點預測錯誤，較BP模型有了很大的提高。依據表2的對比數據可知，在有限的訓練數據下，基于SVM算法訓練的預測模型性能優于基于BP神經網絡訓練的模型。因此，在智慧養老系統中，我們采用基于SVM的老年人健康狀況預測模型。同時，該實驗結果表明利用老年人的日?；顒訑祿眍A測其健康狀況這種模式是可行的。

圖5 模型預測結果

表2 BP和SVM模型預測對比

智慧養老系統的智能健康管理模塊能夠將采集到的數據和模型的預測結果存儲在遠程數據庫中，老年人的家屬及醫護人員可以通過與智慧養老系統匹配的App實時查詢老年人的健康狀況信息，如圖6所示。

圖6 移動設備顯示

3 結 語

本文展示了一個基于RFID技術，能夠實現室內區域信號全面覆蓋的智慧養老系統。該系統能夠追蹤記錄老年人的位置信息，并利用這些位置信息來判斷相關老人的健康狀況。我們在蘭州市第三人民醫院老年科進行了為期20天的實驗，驗證了機器學習算法應用在智慧養老場景中的可行性。

在今后的研究中，我們可以把體溫、血壓等人體體征參數擴充到健康預測模型的輸入中，同時可以請醫生對老年人身體的各項健康指數做出更加詳細的報告，作為老年人健康模型的輸出。另外，我們還可以探討研究老年人的活動數據是否與某些老年疾病有關，如抑郁癥、阿茲海默癥等，從而做出相應的預防與治療。

參 考 文 獻

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

[2] 單承贛.射頻識別(RFID)原理與應用[M].北京:電子工業出版社,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] 張蕾,章毅.大數據分析的無限深度神經網絡方法[J].計算機研究與發展,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.