王長清 馮惠粉 豐明奎

摘? 要： 傳統(tǒng)居家養(yǎng)老模式中，對獨居老人的日常生活健康狀況的監(jiān)測及室內(nèi)活動的異常行為檢測，依賴于各種可穿戴傳感器設(shè)備，易給老人造成行動不便和隱私問題。為此，提出一種基于位置信息的老人異常狀態(tài)檢測方法。該方法根據(jù)藍(lán)牙信號的信號強(qiáng)度指示（Received Signal Strength Indication，RSSI）測距定位，獲得老人當(dāng)前位置，由交互式多模型的卡爾曼濾波方法實現(xiàn)老人在室內(nèi)的移動軌跡跟蹤;對老人在室內(nèi)移動軌跡進(jìn)行生理監(jiān)測，而對老人突發(fā)異常狀態(tài)，通過設(shè)置不同室內(nèi)空間區(qū)域的時間閾值，以停留點檢測方式進(jìn)行判斷。實驗結(jié)果表明，該方法簡單易于實現(xiàn)，且對于獨居老人的日常監(jiān)護(hù)方法優(yōu)于傳統(tǒng)可穿戴傳感器設(shè)備。

關(guān)鍵詞： 獨居老人; 異常狀態(tài)檢測; 低功耗藍(lán)牙技術(shù); 異常狀態(tài)判斷; 軌跡跟蹤; 生理監(jiān)測; 停留點檢測

中圖分類號： TN911.23?34; TP391? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）16?0182?05

0? 引? 言

隨著社會的發(fā)展，老齡化問題日益嚴(yán)重，獨居老人的數(shù)量和比例呈快速上升的趨勢[1]。目前，對獨居老人的日常生活狀態(tài)監(jiān)測，大多依賴各種可穿戴傳感器[2?3]，該方式穿戴不便、體驗感不好。室內(nèi)居住環(huán)境中的臥室、衛(wèi)生間等敏感區(qū)域涉及生活隱私，則視頻監(jiān)控技術(shù)不能應(yīng)用于敏感區(qū)域，且視頻監(jiān)控技術(shù)的數(shù)據(jù)量大[4?6]。傳統(tǒng)的老人健康監(jiān)護(hù)模式是把老人送到醫(yī)院，借助醫(yī)療設(shè)備進(jìn)行身體檢查[7]，給老人生活帶來不便或產(chǎn)生心理壓力。而對于由老人的生活習(xí)慣所表現(xiàn)出的老人興趣愛好或隱藏健康問題，比如：老人經(jīng)常不間斷地去往洗手間，或者是一直待在臥室等情況，上述方式未能有效的監(jiān)測或直觀的體現(xiàn)。為解決上述問題，本文基于RSSI測距和交互式多模型的卡爾曼濾波跟蹤定位算法實現(xiàn)老人在室內(nèi)的移動軌跡跟蹤建模，通過老人在室內(nèi)的移動軌跡及在室內(nèi)某空間停留的時間，對老人的興趣愛好或生理健康狀況進(jìn)行監(jiān)測和了解。針對老人在日常生活中可能因突發(fā)疾病或摔倒，長時間停留在室內(nèi)某位置而不能得到及時救治，通過停留點檢測方法，實現(xiàn)對老人的遠(yuǎn)程監(jiān)護(hù)及緊急情況報警等服務(wù)，提高獨居老人的室內(nèi)安全指數(shù)。

1? 系統(tǒng)的整體架構(gòu)

1.1? 系統(tǒng)的應(yīng)用場景概述

本文對獨居老人的日常生活狀況及室內(nèi)活動的異常行為進(jìn)行監(jiān)測，由老人在室內(nèi)的移動軌跡跟蹤，得到老人進(jìn)入臥室、廚房、客廳、衛(wèi)生間等室內(nèi)任何空間下的位置信息;由老人在室內(nèi)不同空間區(qū)域的移動軌跡，對老人的興趣愛好或突發(fā)異常狀態(tài)進(jìn)行監(jiān)測，提高居家養(yǎng)老服務(wù)的質(zhì)量。系統(tǒng)應(yīng)用框架結(jié)構(gòu)圖如圖1所示。

獨居老人在室內(nèi)空間區(qū)域移動，由接收到的RSSI值獲得老人的室內(nèi)位置，由交互式卡爾曼跟蹤濾波算法獲取老人在室內(nèi)的移動軌跡。根據(jù)老人的移動軌跡分析老人的生活習(xí)慣、興趣愛好等。對于老人突發(fā)異常，根據(jù)停留點檢測方法對老人異常狀態(tài)進(jìn)行判斷。

1.2? 系統(tǒng)的組成結(jié)構(gòu)

本文基于位置信息的老人異常行為檢測技術(shù)的實現(xiàn)主要由一定數(shù)量的藍(lán)牙iBeacon基站、藍(lán)牙終端和服務(wù)器組成，如圖2所示。其中，iBeacon基站為整個系統(tǒng)的硬件部分，其功率小，可以做到無源，通常一枚紐扣電池可以工作2～3年。iBeacon是低功耗藍(lán)牙技術(shù)的一種，2013年由蘋果公司發(fā)布的用于檢測周圍BLE設(shè)備的低功耗、低成本基站技術(shù)[8]。藍(lán)牙終端采集一定空間范圍內(nèi)的藍(lán)牙廣播數(shù)據(jù)包，提取有效數(shù)據(jù)通過串口傳送數(shù)據(jù)到服務(wù)器。服務(wù)器部分為整個系統(tǒng)的核心部分，主要是接收藍(lán)牙終端傳輸?shù)臄?shù)據(jù)包和位置計算，并進(jìn)行數(shù)據(jù)的存儲。

3? 系統(tǒng)實現(xiàn)

3.1? 系統(tǒng)狀態(tài)的判斷

假設(shè)系統(tǒng)的初始狀態(tài)為S0，老人在室內(nèi)正常活動時的狀態(tài)為S1，當(dāng)老人進(jìn)入室內(nèi)某空間，根據(jù)RSSI測距定位算法獲取當(dāng)前位置，由交互式多模型卡爾曼濾波跟蹤算法獲得老人在室內(nèi)的移動軌跡，由停留點檢測的方式計算老人在該空間位置的時間，進(jìn)行時間約束。當(dāng)老人從進(jìn)入空間某位置到離開該位置的時間差T，小于當(dāng)前位置的時間閾值，則老人處于S1狀態(tài)，然后系統(tǒng)自動恢復(fù)到初始狀態(tài)S0，重新開始下一空間位置的判斷;否則，老人可能出現(xiàn)異常狀態(tài)S2，系統(tǒng)的狀態(tài)將跳轉(zhuǎn)到異常狀態(tài)S2，生成報警信息通知其監(jiān)護(hù)人處理。系統(tǒng)狀態(tài)轉(zhuǎn)換如圖4所示。

3.2? 異常狀態(tài)的實現(xiàn)流程

基于位置信息的老人異常狀態(tài)檢測系統(tǒng)的工作流程為：當(dāng)老人進(jìn)入室內(nèi)空間某區(qū)域時，根據(jù)RSSI測距定位算法獲取老人在室內(nèi)的位置;由交互式多模型卡爾曼濾波方法進(jìn)行移動軌跡跟蹤，獲取老人在室內(nèi)移動軌跡;對老人突發(fā)異常狀態(tài)，通過停留點檢測方法，計算老人開始進(jìn)入室內(nèi)某

空間區(qū)域到老人離開該空間區(qū)域的時間差值。當(dāng)

老人在某空間停留的結(jié)束時間與開始時間的差值小于該區(qū)域預(yù)設(shè)的時間閾值時，則表示此時老人在此空間區(qū)域安全，系統(tǒng)狀態(tài)返回到初始狀態(tài)，進(jìn)行下一個系統(tǒng)狀態(tài)判斷;否則，表示老人在此位置空間可能出現(xiàn)異常情況，系統(tǒng)跳轉(zhuǎn)至異常狀態(tài)，生成報警信息，通知其監(jiān)護(hù)人進(jìn)行及時處理。具體工作流程如圖5所示。

4? 仿真與測試

本文將通過Matkab仿真分析的方式，根據(jù)實際的室內(nèi)場景進(jìn)行模擬。首先，基于藍(lán)牙iBeacon信標(biāo)節(jié)點組合，在辦公室環(huán)境下布設(shè)藍(lán)牙定位網(wǎng)絡(luò)，根據(jù)圓環(huán)定位算法得到定位結(jié)果，并對定位結(jié)果進(jìn)行保存作為濾波輸入;然后由交互式多模型的卡爾曼濾波方法對輸入的定位數(shù)據(jù)進(jìn)行濾波跟蹤，得到老人在室內(nèi)的移動軌跡。

本文根據(jù)室內(nèi)環(huán)境，首先模擬了信標(biāo)位置固定時，在室內(nèi)環(huán)境下的定位結(jié)果以及對其進(jìn)行濾波后得到的該次定位結(jié)果的濾波效果。測試實驗中，信標(biāo)在每個位置采集100次數(shù)據(jù)給出一組數(shù)據(jù)包括算法定位結(jié)果坐標(biāo)值，定位結(jié)果及濾波效果如圖6所示。

圖6a）藍(lán)色部分是信標(biāo)位置固定，RSSI測距定位算法定位結(jié)果，紅色部分是濾波結(jié)果;圖6b）是定位結(jié)果中x坐標(biāo)的濾波效果;圖6c）是定位結(jié)果中對y坐標(biāo)的濾波效果。由于固定位置時接收數(shù)據(jù)較穩(wěn)定，所以濾波效果不顯著。為了驗證該方法的濾波效果，在室內(nèi)環(huán)境下，測試信標(biāo)節(jié)點位置從大廳變換到研究室的過程中，算法的定位結(jié)果與濾波效果如圖7所示。

由圖7可知，從算法定位結(jié)果可以看出，信標(biāo)位置發(fā)生變化時，定位結(jié)果并不是連續(xù)跳動的。圖7a）藍(lán)色部分是算法定位結(jié)果，紅色部分是跟蹤軌跡;圖7b）是x坐標(biāo)的變化以及濾波效果;圖7c）是對y坐標(biāo)的變化趨勢以及濾波效果。濾波之后的坐標(biāo)是慢慢移動，不像定位結(jié)果那樣跳變。

5? 結(jié)? 語

本文基于RSSI測距的定位算法及交互式多模型的卡爾曼濾波方法實現(xiàn)老人在室內(nèi)的軌跡跟蹤，通過對老人在室內(nèi)的移動軌跡分析獲取老人在室內(nèi)不同區(qū)域的興趣熱點及對老人日常生活健康狀況進(jìn)行監(jiān)測，并對老人在日常生活中的突發(fā)異常行為狀態(tài)，由停留點檢測的方式進(jìn)行判斷，從而提高居家養(yǎng)老服務(wù)質(zhì)量。在后續(xù)的研究中，可以將獲取的老人的位置信息，構(gòu)成一條帶有時間戳的老人移動軌跡儲存在數(shù)據(jù)庫中形成軌跡數(shù)據(jù)庫，通過大數(shù)據(jù)對采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，進(jìn)一步了解老人的生活習(xí)慣及興趣愛好，從而為老人健康生活提出合理化的建議。

參考文獻(xiàn)

[1] 陳習(xí)瓊.中國獨居老年人問題研究現(xiàn)狀[J].中國老年學(xué)雜志，2015，35（22）：6624?6626.

CHEN Xiqiong. Research status of elderly people living alone in China [J]. Chinese journal of gerontology， 2015， 35（22）： 6624?6626.

[2] 瞿暢，孫杰，王君澤，等.基于Kinect體感傳感器的老年人跌倒自動檢測[J].傳感技術(shù)學(xué)報，2016，29（3）：378?383.

QU Chang， SUN Jie， WANG Junze， et al. Automatic fall detection for the elderly using Kinect sensor [J]. Journal of sensing technology， 2016， 29（3）： 378?383.

[3] 李建立.基于運動傳感器的日常生活智能監(jiān)護(hù)[D].重慶：重慶大學(xué)，2014.

LI Jianli. Intelligent monitoring of daily life based on motion sensor [D]. Chongqing： Chongqing University， 2014.

[4] 米曉萍，李雪梅.基于物聯(lián)網(wǎng)智能的獨居老人自動監(jiān)控方法研究[J].計算機(jī)仿真，2014，31（2）：378?381.

MI Xiaoping， LI Xuemei. Old people who live alone automatic monitoring method based on IoT intelligence research [J]. Computer simulation， 2014， 31（2）： 378?381.

[5] 吳揚(yáng).基于監(jiān)控視頻的人體異常行為檢測研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

WU Yang. Human abnormal behavior detection research based on video monitoring [D]. Harbin： Harbin Institute of Technology， 2015.

[6] 李曉東.基于監(jiān)控視頻的異常行為檢測技術(shù)研究[D].廣州：廣東工業(yè)大學(xué)，2012.

LI Xiaodong. Research on abnormal behavior detection technology based on video monitoring [D]. Guangzhou： Guangdong University of Technology， 2012.

[7] 楊志海.遠(yuǎn)程護(hù)理中老人跌倒檢測研究[D].大連：大連海事大學(xué)，2015.

YANG Zhihai. Research on fall detection of elderly people in remote nursing [D]. Dalian： Dalian Maritime University， 2015.

[8] 郭星.基于BLE的3D室內(nèi)定位系統(tǒng)的設(shè)計與實現(xiàn)[D].西安：長安大學(xué)，2015.

GUO Xing. Design and implementation of 3D indoor positioning system based on BLE [D]. Xian： Changan University， 2015.

[9] 秦俊平，鄧慶緒，孫詩文，等.基于時間序列啟發(fā)式信息的室內(nèi)軌跡跟蹤算法[J].計算機(jī)研究與發(fā)展，2017（12）：2698?2710.

QIN Junping， DENG Qingxu， SUN Shiwen， et al. Indoor trajectory tracking algorithm based on time series heuristic information [J]. Computer research and development， 2017（12）： 2698?2710.

[10] XIAO Hao， WANG Wenjun， ZHANG Xu. Identifying the stay point using GPS trajectory of taxis [J]. Applied mechanics and materials， 2013， 353/356： 3511?3515.

[11] 馮錦海.基于多模的室內(nèi)POI推薦系統(tǒng)分析和設(shè)計[D].天津：天津工業(yè)大學(xué)，2014.

FENG Jinhai. Analysis and design of indoor POI recommendation system based on multiple models [D]. Tianjin： Tianjin University of Technology， 2014.