基于無縫場(chǎng)景的智慧養(yǎng)老系統(tǒng)的關(guān)鍵技術(shù)研究

魏雨楓 路 敏 李彩虹 鄔 淵(蘭州市第三人民醫(yī)院 甘肅 蘭州 730000)(蘭州大學(xué)信息科學(xué)與工程學(xué)院 甘肅 蘭州 730000)

0 引 言

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)以及可穿戴技術(shù)的飛速發(fā)展，智能化、自動(dòng)化為解決養(yǎng)老問題提供了一個(gè)新的方向。目前，主流的可穿戴設(shè)備有智能手表、運(yùn)動(dòng)手環(huán)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(qiáng)等優(yōu)點(diǎn)的智能設(shè)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(shù)據(jù)，實(shí)時(shí)掌握老年人的生理健康狀況，及時(shí)發(fā)現(xiàn)潛在的意外情況并對(duì)護(hù)理人員發(fā)出預(yù)警。

目前已經(jīng)被報(bào)道的用于輔助老年人護(hù)理工作的智慧服飾，其功能主要集中于檢測(cè)老年人的生理特征，如血壓、心率等[1]。考慮到老年人護(hù)理的特殊需求，在本次研究中，我們對(duì)已有的智慧服飾理念進(jìn)行了擴(kuò)展，研發(fā)了能夠?qū)夏耆诉M(jìn)行實(shí)時(shí)定位的智慧服飾，并通過收集到的老年人行為數(shù)據(jù)，結(jié)合大數(shù)據(jù)技術(shù)，分析老年人的健康狀況。

本系統(tǒng)中的智慧服飾主要采用室內(nèi)定位技術(shù)，目前成熟的室內(nèi)定位技術(shù)主要有藍(lán)牙、WiFi/WLAN、射頻識(shí)別(RFID)，以及超寬帶(UWB)等[2]。其中，RFID技術(shù)具有非視距、穿透力強(qiáng)、功耗低、快速精準(zhǔn)地定位目標(biāo)位置等優(yōu)點(diǎn)。因此我們使用RFID技術(shù)進(jìn)行智慧養(yǎng)老系統(tǒng)中室內(nèi)定位模塊的開發(fā)[3]。

在本實(shí)驗(yàn)中，我們對(duì)老年人的日?；顒?dòng)(例如睡覺、吃飯、沐浴、看書、散步、看電視等基本活動(dòng))情況進(jìn)行檢測(cè)，作為評(píng)估其身體健康狀況的手段，由此提出基于無縫看護(hù)場(chǎng)景的智慧養(yǎng)老系統(tǒng)。該系統(tǒng)將RFID標(biāo)簽內(nèi)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(huì)對(duì)使用者的生活帶來影響。系統(tǒng)通過RFID閱讀器收集標(biāo)簽信息從而確定老年人在養(yǎng)老院中的位置，并將收集到的位置信息作數(shù)據(jù)預(yù)處理，去除冗余得到老年人日?；顒?dòng)的特征屬性。系統(tǒng)使用這些特征屬性結(jié)合BP神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)(SVM)建立老年人健康狀況預(yù)測(cè)模型，所建立的模型能夠輸出被監(jiān)護(hù)老年人的健康狀況。BP神經(jīng)網(wǎng)絡(luò)和SVM均為能夠處理分類任務(wù)的監(jiān)督式機(jī)器學(xué)習(xí)算法，將基于這兩種算法的老年人健康狀況預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比檢驗(yàn)，使用具有更好預(yù)測(cè)識(shí)別結(jié)果的模型來檢測(cè)老年人在養(yǎng)老院中的活動(dòng)是否異常[4]。

另外，為了更好地實(shí)現(xiàn)人機(jī)交互，我們開發(fā)了基于移動(dòng)平臺(tái)的監(jiān)管應(yīng)用，看護(hù)人員可以通過手機(jī)等移動(dòng)設(shè)備來實(shí)時(shí)地查看被監(jiān)護(hù)者的活動(dòng)信息，一旦發(fā)生意外，設(shè)備會(huì)發(fā)出警報(bào)提醒看護(hù)人員及時(shí)查看。

1 系統(tǒng)描述

1.1 系統(tǒng)構(gòu)成

本文所述的智慧養(yǎng)老系統(tǒng)由兩部分構(gòu)成：位置監(jiān)測(cè)記錄模塊和智能健康管理模塊。

位置監(jiān)測(cè)記錄模塊使用基于RFID的室內(nèi)定位系統(tǒng)來收集老年人在特定場(chǎng)景下的位置信息。智能健康管理模塊利用機(jī)器學(xué)習(xí)算法對(duì)位置信息進(jìn)行分析處理，并建立預(yù)測(cè)模型來判斷老年人的健康狀況。醫(yī)護(hù)人員和老人的家屬可以通過手機(jī)等移動(dòng)設(shè)備實(shí)時(shí)查看老年人的活動(dòng)及健康狀況。

為了檢測(cè)智慧養(yǎng)老系統(tǒng)的可行性及魯棒性，我們?cè)诟拭C省蘭州市第三人民醫(yī)院老年病科進(jìn)行了實(shí)驗(yàn)。

實(shí)驗(yàn)中，我們將老年病科區(qū)域劃分為5個(gè)部分：臥室、治療區(qū)域、餐廳、浴室和衛(wèi)生間。為了保證無線信號(hào)在實(shí)驗(yàn)區(qū)域中的全覆蓋，我們?cè)诿總€(gè)房間天花板的幾何中心位置安裝RFID激勵(lì)天線，RFID閱讀器則固定在實(shí)驗(yàn)區(qū)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(lì)器與RFID閱讀器工作參數(shù)

在此無縫實(shí)驗(yàn)場(chǎng)景下，RFID標(biāo)簽被內(nèi)嵌至老年人日常所穿的衣服當(dāng)中，這保證了實(shí)驗(yàn)過程中，參與實(shí)驗(yàn)的老年人的日常生活不會(huì)受到任何干預(yù)，圖1為實(shí)驗(yàn)所用服飾。在定位模塊中，RFID激勵(lì)天線激勵(lì)RFID標(biāo)簽將信號(hào)傳遞到RFID閱讀器，RFID閱讀器捕獲RFID標(biāo)簽信號(hào)，并將該信號(hào)通過Wi-Fi網(wǎng)絡(luò)傳輸?shù)竭h(yuǎn)程數(shù)據(jù)庫。定位系統(tǒng)每分鐘采樣RFID標(biāo)簽信號(hào)一次，全天24小時(shí)工作，本次實(shí)驗(yàn)過程為20天。參與本次實(shí)驗(yàn)的5位老人均為自愿參加，并且我們也取得了其主治醫(yī)生及家屬的同意。

圖1 嵌有標(biāo)簽的服飾

1.2 數(shù)據(jù)預(yù)處理

RFID標(biāo)簽發(fā)送的位置數(shù)據(jù)包含5個(gè)部分：身份標(biāo)識(shí)、采樣日期、采樣時(shí)間、閱讀器標(biāo)識(shí)和激勵(lì)器標(biāo)識(shí)(圖2)。其中，激勵(lì)器標(biāo)識(shí)被用于判斷在RFID標(biāo)簽信號(hào)被捕獲的當(dāng)前一分鐘內(nèi)，老年人在實(shí)驗(yàn)場(chǎng)所中所處的位置。由于RFID標(biāo)簽只有在RFID激勵(lì)天線的激勵(lì)范圍內(nèi)才會(huì)受到激勵(lì)并向RFID閱讀器發(fā)送信號(hào)，因此RFID激勵(lì)天線的激勵(lì)區(qū)域可被粗略估計(jì)為老年人當(dāng)前所處的位置。圖3給出了存儲(chǔ)在數(shù)據(jù)庫中的位置信息的示例。

圖3 數(shù)據(jù)庫中的位置數(shù)據(jù)(部分)

圖2 位置數(shù)據(jù)的結(jié)構(gòu)

對(duì)于每一位參與實(shí)驗(yàn)的老年人，系統(tǒng)每天能夠獲取1 440條位置數(shù)據(jù)，我們對(duì)這些原始數(shù)據(jù)進(jìn)行預(yù)處理，以期取得更高的建模效率及更加準(zhǔn)確的結(jié)果。

本次實(shí)驗(yàn)區(qū)域共劃分為5個(gè)類型，將老年人一天內(nèi)在每個(gè)類型區(qū)域的活動(dòng)時(shí)間進(jìn)行累加，作為訓(xùn)練模型的輸入數(shù)據(jù)，如圖4所示。數(shù)據(jù)預(yù)處理不僅能提高建模速度，并且能剔除冗余數(shù)據(jù)，避免一些錯(cuò)誤與異常數(shù)據(jù)，使得輸入層數(shù)據(jù)變得簡(jiǎn)單有效，提高了預(yù)測(cè)模型的性能[5]。

圖4 經(jīng)過預(yù)處理后的位置數(shù)據(jù)

由于我們要研究老年人的日?；顒?dòng)與其健康狀況是否存在某種聯(lián)系，因此還需要參加實(shí)驗(yàn)的老年人的主治醫(yī)生在每天特定時(shí)間評(píng)估并記錄他們的健康狀況(評(píng)估記錄為健康，意味著在當(dāng)天，該老人的身體沒有出現(xiàn)不適，并且精神狀況穩(wěn)定)，以將評(píng)估記錄作為標(biāo)簽用于本次監(jiān)督式機(jī)器學(xué)習(xí)任務(wù)。

2 實(shí)驗(yàn)結(jié)果

我們將收集到的5位老年人前15天的數(shù)據(jù)作為模型訓(xùn)練集，用余下5天的數(shù)據(jù)作為測(cè)試集來分別測(cè)試BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型的準(zhǔn)確率和魯棒性。

在建模過程中，我們將老年人日?；顒?dòng)的位置數(shù)據(jù)作為模型的輸入，將醫(yī)生對(duì)老年人健康情況的評(píng)估結(jié)果作為模型的輸出，通過預(yù)測(cè)模型在測(cè)試集的預(yù)測(cè)結(jié)果與實(shí)際老人的健康狀況評(píng)估記錄進(jìn)行對(duì)比來評(píng)估我們所建立模型的可靠性。

圖5顯示了兩種模型在測(cè)試數(shù)據(jù)集上的分類精度，在5位老人5天共25組實(shí)驗(yàn)數(shù)據(jù)中，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)老年人健康情況的預(yù)測(cè)準(zhǔn)確率為80%，有5個(gè)預(yù)測(cè)結(jié)果出現(xiàn)誤差；而SVM模型預(yù)測(cè)的準(zhǔn)確率可達(dá)到96%，只有一個(gè)數(shù)據(jù)點(diǎn)預(yù)測(cè)錯(cuò)誤，較BP模型有了很大的提高。依據(jù)表2的對(duì)比數(shù)據(jù)可知，在有限的訓(xùn)練數(shù)據(jù)下，基于SVM算法訓(xùn)練的預(yù)測(cè)模型性能優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的模型。因此，在智慧養(yǎng)老系統(tǒng)中，我們采用基于SVM的老年人健康狀況預(yù)測(cè)模型。同時(shí)，該實(shí)驗(yàn)結(jié)果表明利用老年人的日常活動(dòng)數(shù)據(jù)來預(yù)測(cè)其健康狀況這種模式是可行的。

圖5 模型預(yù)測(cè)結(jié)果

表2 BP和SVM模型預(yù)測(cè)對(duì)比

智慧養(yǎng)老系統(tǒng)的智能健康管理模塊能夠?qū)⒉杉降臄?shù)據(jù)和模型的預(yù)測(cè)結(jié)果存儲(chǔ)在遠(yuǎn)程數(shù)據(jù)庫中，老年人的家屬及醫(yī)護(hù)人員可以通過與智慧養(yǎng)老系統(tǒng)匹配的App實(shí)時(shí)查詢老年人的健康狀況信息，如圖6所示。

圖6 移動(dòng)設(shè)備顯示

3 結(jié) 語

本文展示了一個(gè)基于RFID技術(shù)，能夠?qū)崿F(xiàn)室內(nèi)區(qū)域信號(hào)全面覆蓋的智慧養(yǎng)老系統(tǒng)。該系統(tǒng)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(guān)老人的健康狀況。我們?cè)谔m州市第三人民醫(yī)院老年科進(jìn)行了為期20天的實(shí)驗(yàn)，驗(yàn)證了機(jī)器學(xué)習(xí)算法應(yīng)用在智慧養(yǎng)老場(chǎng)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(shù)擴(kuò)充到健康預(yù)測(cè)模型的輸入中，同時(shí)可以請(qǐng)醫(yī)生對(duì)老年人身體的各項(xiàng)健康指數(shù)做出更加詳細(xì)的報(bào)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(dòng)數(shù)據(jù)是否與某些老年疾病有關(guān)，如抑郁癥、阿茲海默癥等，從而做出相應(yīng)的預(yù)防與治療。

參 考 文 獻(xiàn)

[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(shí)別(RFID)原理與應(yīng)用[M].北京:電子工業(yè)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(shù)據(jù)分析的無限深度神經(jīng)網(wǎng)絡(luò)方法[J].計(jì)算機(jī)研究與發(fā)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.