0 引言

    根據南京市三所養老院養老機構內愿意合作的老人進行跌倒現狀的問卷調查顯示：養老機構老年人跌倒發生率為39.2%，影響因素包括睡眠狀況、慢性病史、外界環境和服藥史^[1]。因此，針對中高齡老人意外傷害發生率較高的問題，建立一套完整的遠程監護系統，用于監測老人的日?；顒訝顟B以及周邊環境是很有必要的。

    目前對獨居老人監護系統已有相關研究，如浙江工業大學2007年設計的基于活動量分析的獨居老人遠程監護系統^[2]，能夠通過采集數據建立預測模型，但不具有實時監控功能；如楊海建^[3]等人設計的基于物聯網技術的老人監護智能系統，具備及時報警功能，但會出現謊報、誤報等情況；重慶郵電大學2012年設計的智能家居中老人跌倒遠程監護系統^[4]，在增加了取消報警按鍵后減小了誤報率，但仍有誤報可能，并且監測系數單一；如石棟^[5]等人通過支持向量機算法（SVM）對數據進行處理后進行上傳，但其僅通過跌倒特征量 SVM 的閾值判斷，算法單一，無法測量除跌倒以外的其他異常行為。

    本設計基于以上問題，通過多傳感器感知設備采集老人的日?；顒有畔?，除了及時報警功能，采用異常判定算法等多混合算法定期更新計算老人日常生活規律數據，其在防止跌倒誤報產生的同時，對老人除跌倒以外的其他異常行為通過算法進行預測判斷，并通過 WiFi上傳到大數據平臺，用戶可以通過APP隨時隨地查看老人當前狀態，以及階段性生活規律。

1 系統總體方案設計

    本設計的智能監護系統主要由三部分組成: 智能監護設備、網絡傳輸模塊、監護中心服務平臺。系統總拓撲圖如圖1所示。

1.1 智能監護設備

    智能監護設備硬件電路主要包括：主處理芯片電路、具備多個傳感器的傳感器單元電路（其中包括溫度、濕度、環境光、磁場、加速度、震動等多個高精度傳感器）、無線WiFi傳輸電路 、DC/DC電壓轉換電路、數據存儲電路、時鐘電路、模塊轉換開關電路等。系統硬件結構圖如圖2所示。

1.2 網絡傳輸模塊

    網絡傳輸模塊介于智能監護設備與監護中心平臺、監護端之間，是通信的橋梁，由數據鏈路層、網絡層、數據傳輸層構成，實現對智能監護設備采集信息的獲取與發送功能。其中數據鏈路層采用IEEE 802.11 WiFi傳輸協議，直接與互聯網相連；網絡層與數據傳輸層通過TCP/IP傳輸協議將智能監護設備所采集的老人及周邊環境的特定狀態數據通過無線WiFi直接同步到監護中心服務平臺中。

1.3 監護中心服務平臺

    監護中心服務平臺即數據應用層，采用HTTP超文本傳輸協議，主要由數據平臺、PC監護端、手機監護端構成。數據平臺主要負責對智能監護設備所上傳數據進行接收、分析、整合、報警并保存。PC監護端用于方便醫護人員以及老人家人觀察老人的活動狀態以及周邊環境數據，以圖表的形式顯示所采集數據，并可以直接下載到指定文件夾，以EXCEL的形式保存，使其在沒有網絡的情況下也可以查看所采集到的數據。

2 系統實現及關鍵技術

2.1 數據實時采集與校驗

    智能監護設備即系統的數據采集端，采集數據的精度和正確性決定了誤報率的高低以及是否能準確預測出老人的健康狀況，但現實生活中數據采集會受到傳感器精度、測量電路性能以及人為誤操作等其他很多因素影響。僅僅采用高精度傳感器和優化電路的方法是不夠的。為了確保數據傳輸的正確性和完整性，本設計采用CRC校驗技術（即循環冗余檢驗技術）^[7]。對通過CRC校驗的傳感器輸出數據進行發送和存儲，對未通過CRC校驗的傳感器輸出數據讀取CRC校驗錯誤值。

2.2 無線通信與配置模塊設計

    當智能監測設備需要向監護中心服務平臺上傳數據時，首先通過無線通信模塊進行WiFi連接，當WiFi連接成功時，處理模塊進行待上傳的數據的讀取操作，若讀取成功則進行所述智能監測設備與監護中心服務平臺之間的連接。無線通信模塊能夠工作在AP模式和STA模式，采用無線AP模式配置方法對設備進行配置。設備作為主機發送WiFi，目前支持TCP和HTTP模式，用戶可通過手機或PC無線配置操作并查看設備當前的配置信息、傳感器讀取信息、錯誤信息等，還可將數據直接存入大數據平臺，用戶可隨時隨地查看。

2.3 算法的研究與實現

    根據石棟等人所使用的支持向量機(SVM)的算法^[10]，其采用信號向量模SVM特征量將空間的加速度或角速度變化集合為一矢量^[11]，然而高齡老人所處的狀態是多樣、易變的，僅通過閾值來判斷跌倒情況，測量范圍具有局限性，并且不具備防止誤報警的功能。

    本設計采用個性化異常判定算法，針對不同應用與場景選擇最優算法。其在防止跌倒誤報產生的同時，對老人除跌倒以外的其他異常行為進行預測判斷，下面以加速度傳感器為例，通過舉例詳細說明本設計所應用的算法。

    圖3給出的是加速度在運動過程中的變化曲線，是老人跌倒時的運動曲線。假設設備此時應用于老人的跌倒檢測被固定在被測的人體上。

    如圖3所示(此圖中縱坐標為加速度幅值的256倍，即加速度幅值=縱坐標值/256，單位為g)，其中y軸（垂直方向）的加速度曲線，其正常靜止狀態下應該為-1 g；x軸（前后方向）和z軸（左右方向）的加速度曲線，其正常靜止狀態下應該為0 g；最上方曲線為三軸加速度的矢量和，其正常靜止狀態下應該為+1 g。

    此時采用峰值檢測的方法，峰值檢測算法的基本原理：設備根據x、y、z三軸中加速度變化最大的一個軸來判斷老人是否跌倒。算法步驟如下：

    (1)首先獲得所述加速度傳感器在s時間段內依次輸出的加速度數據，所述加速度數據具有x軸加速度、y軸加速度和z軸加速度，執行步驟(2)；

    (2)判斷加速度傳感器的采樣頻率是否高于預設采樣頻率(注：在采樣頻率過高時，可以采用奇偶校驗的方式進行采樣，這種方法可以在減少采樣頻率的同時最大程度地還原原始形態)，是則執行步驟(4)，否則執行步驟(3)；

    (3)計算：

    然后執行步驟(5)；

    (5)將F(s)與預設值進行比較，并根據比較結果確定用戶當前是否處于跌倒狀態。

    如圖4所示，可以準確測量出老人的跌倒情況，但是如果跌倒造成了嚴重的后果(如導致了人的昏迷)，那么人體會在更長的一段時間內都保持靜止，并不會產生峰值。由于老年人的運動相對比較慢，在普通的步行過程中，加速度變化不會很大。圖4所示是老人正常行走時的運動曲線，也不會出現較大峰值。此時，無法判斷老人當前狀態，一旦老人跌倒了而不是行走緩慢，后果將會是很嚴重的。

    如圖4所示，此時應采用動態閾值檢測算法。動態閾值檢測算法的步驟如下：

    (1)首先獲得所述加速度傳感器在s時間段內依次輸出的加速度數據；所述加速度數據具有x軸、y軸和z軸加速度，執行步驟(2)；

    (2)當所采集加速度數據達到N個后，計算N個加速度數據的均值作為動態閾值，執行步驟(3)；

    (3)將計算出動態閾值后每次獲得的加速度數據與該動態閾值進行比較，并根據比較結果確定用戶是否邁出步伐，執行步驟(4)；

    (4)當計算出動態閾值后獲得的加速度數據再次達到N個后，重新計算N個加速度數據的均值并更新動態閾值，返回步驟(3)。

    這種算法具有自適應性，能夠測量出老人的運動與靜止情況，但無法判斷出異常峰值（例如老人跌倒）。

    通過上面的舉例說明可以看出，單就一種算法無法滿足不同用戶的需求，本設計針對不同用戶，應用不同算法用于檢測不同環境。實現個性化異常判定算法，根據用戶需求、使用場景等對設備進行個性化設置，滿足用戶需求。此類算法不僅應用于加速度傳感器，還可應用于其他傳感器。

3 試驗與結果分析

    本系統在錦州市某養老院部分中高齡獨居老人家中進行試驗，基于WiFi的中高齡老人多算法智能監護系統，讓每個老人隨身攜帶智能監護設備，同時在他們家中的床下、衛生間門上、藥瓶上、房間內都布置了智能監護設備。

    實驗證明，通過多維度的數據組合可全方位實時監測到老人的活動狀態、房間內溫濕度、老人半夜的翻身情況、上衛生間次數以及時間長度、是否按時吃藥等數據，并能分析得出老人睡眠狀況、慢性病史、外界環境和服藥史等。

    另外，為了驗證本設計中防止誤報的異常判定算法的正確性，進行了跌倒后昏迷狀態判斷及跌倒后起身緩慢運動狀態判斷兩組附加實驗測試。由于本實驗具有偶然性和危險性，所以實驗由10名同學盡量模擬老人緩慢行走的步速完成。每組項目都進行100次測試，其中一組實驗結果如圖5、圖6、圖7所示。

    如圖5所示，老人在第3 s～8 s之間摔倒，之后起身緩慢運動。則在第3 s～8 s之間系統采用峰值檢測算法，一旦峰值來臨之后（在第8 s之后）采用閾值檢測算法檢測出老人起身并緩慢運動。此時系統不進行報警，避免了誤報警的發生。

    如圖6所示，老人在第3 s～8 s之間摔倒，之后陷入昏迷狀態。在第3 s～8 s之間系統采用峰值檢測算法，在第8 s之后采用閾值檢測算法檢測出老人陷入昏迷。此時系統立即報警并通知醫生和老人的家人。

    如圖7所示，老人在第3 s～13 s時加速度幅值明顯大于在第13 s～33 s時，此時采用動態閾值檢測算法，在第3 s～13 s時的動態閾值為在此時間段內加速度數據的均值經計算為0.73，同理計算在第13 s～33 s時間段內動態閾值為0.17?？梢钥闯鰞蓚€時間段內閾值相差較大，在第13 s～33 s時，如果不變化閾值則根本無法判斷老人是否處于運動狀態。

4 結論

    針對以往相關研究^[1-4，11]中出現的誤報率高的問題，本設計采用個性化異常判定算法，針對不同應用與場景，對比不同算法的傳感器反應靈敏度、準確度結果進行計算。經實驗測試:系統可在精準地預測老人日常生活規律的同時減少95%的誤報率。

參考文獻

[1] 丁亞媛，何貴蓉，陳洋，等.養老機構老人跌倒現狀分析[J].全科護理，2014(31)：2883-2884.

[2] 湯一平，顧校凱，孫黌杰，等.基于活動量分析的獨居老人遠程監護系統的研究[J].計算機工程與應用，2007(3)：211-213.

[3] 楊海健，席桂清，辛元明，等.基于物聯網技術的老人監護智能系統的研究與設計[J].科技創新與應用，2016(2)：66-67.

[4] 肖麗，付蔚，王平.智能家居中老人跌倒遠程監護系統的設計[J].電視技術，2012(13)：131-134.

[5] 石棟，張克華，徐彪.獨居老人云智能跌倒實時檢測系統的開發[J].計算機工程與應用，2016(19)：259-264.

[6] 姚七棟，張春玉.CRC校驗及其軟件實現[J].現代電子技術，2006(13)：67-68，71.

[7] 楊理勤，穆新華，鄭振云.常量金標準物質定值中離群值的統計識別[J].巖礦測試，2013(3)：483-486.

[8] 郁丹紅，賈曉斌.基于生物藥劑學性質的中藥組分相似性分析方法的建立[J].中國中藥雜志，2013(12)：1847-1850.

[9] 張強，王寶華，楊成梧.基于二階平均法和Melnikov法準周期負荷擾動電力系統混沌振蕩分析[J].電工技術學報，2006，21(6)：115-121.

[10] 張衛東，張偉年.電力系統混沌振蕩的參數分析[J].電網技術，2000，24(12)：17-20.

[11] 王榮，章韻，陳建新.基于三軸加速度傳感器的人體跌倒檢測系統設計與實現[J].計算機應用，2012(5)：1450-1452，1456.

作者信息：

王  暢1，孫福明1，李  漾2

（1.遼寧工業大學 電子與信息工程學院，遼寧 錦州121001；2.大連云動力科技有限公司，遼寧 大連116000）