0 引言

    根据南京市三所养老院养老机构内愿意合作的老人进行跌倒现状的问卷调查显示：养老机构老年人跌倒发生率为39.2%，影响因素包括睡眠状况、慢性病史、外界环境和服药史^[1]。因此，针对中高龄老人意外伤害发生率较高的问题，建立一套完整的远程监护系统，用于监测老人的日常活动状态以及周边环境是很有必要的。

    目前对独居老人监护系统已有相关研究，如浙江工业大学2007年设计的基于活动量分析的独居老人远程监护系统^[2]，能够通过采集数据建立预测模型，但不具有实时监控功能；如杨海建^[3]等人设计的基于物联网技术的老人监护智能系统，具备及时报警功能，但会出现谎报、误报等情况；重庆邮电大学2012年设计的智能家居中老人跌倒远程监护系统^[4]，在增加了取消报警按键后减小了误报率，但仍有误报可能，并且监测系数单一；如石栋^[5]等人通过支持向量机算法（SVM）对数据进行处理后进行上传，但其仅通过跌倒特征量 SVM 的阈值判断，算法单一，无法测量除跌倒以外的其他异常行为。

    本设计基于以上问题，通过多传感器感知设备采集老人的日常活动信息，除了及时报警功能，采用异常判定算法等多混合算法定期更新计算老人日常生活规律数据，其在防止跌倒误报产生的同时，对老人除跌倒以外的其他异常行为通过算法进行预测判断，并通过 WiFi上传到大数据平台，用户可以通过APP随时随地查看老人当前状态，以及阶段性生活规律。

1 系统总体方案设计

    本设计的智能监护系统主要由三部分组成: 智能监护设备、网络传输模块、监护中心服务平台。系统总拓扑图如图1所示。

1.1 智能监护设备

    智能监护设备硬件电路主要包括：主处理芯片电路、具备多个传感器的传感器单元电路（其中包括温度、湿度、环境光、磁场、加速度、震动等多个高精度传感器）、无线WiFi传输电路 、DC/DC电压转换电路、数据存储电路、时钟电路、模块转换开关电路等。系统硬件结构图如图2所示。

1.2 网络传输模块

    网络传输模块介于智能监护设备与监护中心平台、监护端之间，是通信的桥梁，由数据链路层、网络层、数据传输层构成，实现对智能监护设备采集信息的获取与发送功能。其中数据链路层采用IEEE 802.11 WiFi传输协议，直接与互联网相连；网络层与数据传输层通过TCP/IP传输协议将智能监护设备所采集的老人及周边环境的特定状态数据通过无线WiFi直接同步到监护中心服务平台中。

1.3 监护中心服务平台

    监护中心服务平台即数据应用层，采用HTTP超文本传输协议，主要由数据平台、PC监护端、手机监护端构成。数据平台主要负责对智能监护设备所上传数据进行接收、分析、整合、报警并保存。PC监护端用于方便医护人员以及老人家人观察老人的活动状态以及周边环境数据，以图表的形式显示所采集数据，并可以直接下载到指定文件夹，以EXCEL的形式保存，使其在没有网络的情况下也可以查看所采集到的数据。

2 系统实现及关键技术

2.1 数据实时采集与校验

    智能监护设备即系统的数据采集端，采集数据的精度和正确性决定了误报率的高低以及是否能准确预测出老人的健康状况，但现实生活中数据采集会受到传感器精度、测量电路性能以及人为误操作等其他很多因素影响。仅仅采用高精度传感器和优化电路的方法是不够的。为了确保数据传输的正确性和完整性，本设计采用CRC校验技术（即循环冗余检验技术）^[7]。对通过CRC校验的传感器输出数据进行发送和存储，对未通过CRC校验的传感器输出数据读取CRC校验错误值。

2.2 无线通信与配置模块设计

    当智能监测设备需要向监护中心服务平台上传数据时，首先通过无线通信模块进行WiFi连接，当WiFi连接成功时，处理模块进行待上传的数据的读取操作，若读取成功则进行所述智能监测设备与监护中心服务平台之间的连接。无线通信模块能够工作在AP模式和STA模式，采用无线AP模式配置方法对设备进行配置。设备作为主机发送WiFi，目前支持TCP和HTTP模式，用户可通过手机或PC无线配置操作并查看设备当前的配置信息、传感器读取信息、错误信息等，还可将数据直接存入大数据平台，用户可随时随地查看。

2.3 算法的研究与实现

    根据石栋等人所使用的支持向量机(SVM)的算法^[10]，其采用信号向量模SVM特征量将空间的加速度或角速度变化集合为一矢量^[11]，然而高龄老人所处的状态是多样、易变的，仅通过阈值来判断跌倒情况，测量范围具有局限性，并且不具备防止误报警的功能。

    本设计采用个性化异常判定算法，针对不同应用与场景选择最优算法。其在防止跌倒误报产生的同时，对老人除跌倒以外的其他异常行为进行预测判断，下面以加速度传感器为例，通过举例详细说明本设计所应用的算法。

    图3给出的是加速度在运动过程中的变化曲线，是老人跌倒时的运动曲线。假设设备此时应用于老人的跌倒检测被固定在被测的人体上。

    如图3所示(此图中纵坐标为加速度幅值的256倍，即加速度幅值=纵坐标值/256，单位为g)，其中y轴（垂直方向）的加速度曲线，其正常静止状态下应该为-1 g；x轴（前后方向）和z轴（左右方向）的加速度曲线，其正常静止状态下应该为0 g；最上方曲线为三轴加速度的矢量和，其正常静止状态下应该为+1 g。

    此时采用峰值检测的方法，峰值检测算法的基本原理：设备根据x、y、z三轴中加速度变化最大的一个轴来判断老人是否跌倒。算法步骤如下：

    (1)首先获得所述加速度传感器在s时间段内依次输出的加速度数据，所述加速度数据具有x轴加速度、y轴加速度和z轴加速度，执行步骤(2)；

    (2)判断加速度传感器的采样频率是否高于预设采样频率(注：在采样频率过高时，可以采用奇偶校验的方式进行采样，这种方法可以在减少采样频率的同时最大程度地还原原始形态)，是则执行步骤(4)，否则执行步骤(3)；

    (3)计算：

    然后执行步骤(5)；

    (5)将F(s)与预设值进行比较，并根据比较结果确定用户当前是否处于跌倒状态。

    如图4所示，可以准确测量出老人的跌倒情况，但是如果跌倒造成了严重的后果(如导致了人的昏迷)，那么人体会在更长的一段时间内都保持静止，并不会产生峰值。由于老年人的运动相对比较慢，在普通的步行过程中，加速度变化不会很大。图4所示是老人正常行走时的运动曲线，也不会出现较大峰值。此时，无法判断老人当前状态，一旦老人跌倒了而不是行走缓慢，后果将会是很严重的。

    如图4所示，此时应采用动态阈值检测算法。动态阈值检测算法的步骤如下：

    (1)首先获得所述加速度传感器在s时间段内依次输出的加速度数据；所述加速度数据具有x轴、y轴和z轴加速度，执行步骤(2)；

    (2)当所采集加速度数据达到N个后，计算N个加速度数据的均值作为动态阈值，执行步骤(3)；

    (3)将计算出动态阈值后每次获得的加速度数据与该动态阈值进行比较，并根据比较结果确定用户是否迈出步伐，执行步骤(4)；

    (4)当计算出动态阈值后获得的加速度数据再次达到N个后，重新计算N个加速度数据的均值并更新动态阈值，返回步骤(3)。

    这种算法具有自适应性，能够测量出老人的运动与静止情况，但无法判断出异常峰值（例如老人跌倒）。

    通过上面的举例说明可以看出，单就一种算法无法满足不同用户的需求，本设计针对不同用户，应用不同算法用于检测不同环境。实现个性化异常判定算法，根据用户需求、使用场景等对设备进行个性化设置，满足用户需求。此类算法不仅应用于加速度传感器，还可应用于其他传感器。

3 试验与结果分析

    本系统在锦州市某养老院部分中高龄独居老人家中进行试验，基于WiFi的中高龄老人多算法智能监护系统，让每个老人随身携带智能监护设备，同时在他们家中的床下、卫生间门上、药瓶上、房间内都布置了智能监护设备。

    实验证明，通过多维度的数据组合可全方位实时监测到老人的活动状态、房间内温湿度、老人半夜的翻身情况、上卫生间次数以及时间长度、是否按时吃药等数据，并能分析得出老人睡眠状况、慢性病史、外界环境和服药史等。

    另外，为了验证本设计中防止误报的异常判定算法的正确性，进行了跌倒后昏迷状态判断及跌倒后起身缓慢运动状态判断两组附加实验测试。由于本实验具有偶然性和危险性，所以实验由10名同学尽量模拟老人缓慢行走的步速完成。每组项目都进行100次测试，其中一组实验结果如图5、图6、图7所示。

    如图5所示，老人在第3 s～8 s之间摔倒，之后起身缓慢运动。则在第3 s～8 s之间系统采用峰值检测算法，一旦峰值来临之后（在第8 s之后）采用阈值检测算法检测出老人起身并缓慢运动。此时系统不进行报警，避免了误报警的发生。

    如图6所示，老人在第3 s～8 s之间摔倒，之后陷入昏迷状态。在第3 s～8 s之间系统采用峰值检测算法，在第8 s之后采用阈值检测算法检测出老人陷入昏迷。此时系统立即报警并通知医生和老人的家人。

    如图7所示，老人在第3 s～13 s时加速度幅值明显大于在第13 s～33 s时，此时采用动态阈值检测算法，在第3 s～13 s时的动态阈值为在此时间段内加速度数据的均值经计算为0.73，同理计算在第13 s～33 s时间段内动态阈值为0.17。可以看出两个时间段内阈值相差较大，在第13 s～33 s时，如果不变化阈值则根本无法判断老人是否处于运动状态。

4 结论

    针对以往相关研究^[1-4，11]中出现的误报率高的问题，本设计采用个性化异常判定算法，针对不同应用与场景，对比不同算法的传感器反应灵敏度、准确度结果进行计算。经实验测试:系统可在精准地预测老人日常生活规律的同时减少95%的误报率。

参考文献

[1] 丁亚媛，何贵蓉，陈洋，等.养老机构老人跌倒现状分析[J].全科护理，2014(31)：2883-2884.

[2] 汤一平，顾校凯，孙黉杰，等.基于活动量分析的独居老人远程监护系统的研究[J].计算机工程与应用，2007(3)：211-213.

[3] 杨海健，席桂清，辛元明，等.基于物联网技术的老人监护智能系统的研究与设计[J].科技创新与应用，2016(2)：66-67.

[4] 肖丽，付蔚，王平.智能家居中老人跌倒远程监护系统的设计[J].电视技术，2012(13)：131-134.

[5] 石栋，张克华，徐彪.独居老人云智能跌倒实时检测系统的开发[J].计算机工程与应用，2016(19)：259-264.

[6] 姚七栋，张春玉.CRC校验及其软件实现[J].现代电子技术，2006(13)：67-68，71.

[7] 杨理勤，穆新华，郑振云.常量金标准物质定值中离群值的统计识别[J].岩矿测试，2013(3)：483-486.

[8] 郁丹红，贾晓斌.基于生物药剂学性质的中药组分相似性分析方法的建立[J].中国中药杂志，2013(12)：1847-1850.

[9] 张强，王宝华，杨成梧.基于二阶平均法和Melnikov法准周期负荷扰动电力系统混沌振荡分析[J].电工技术学报，2006，21(6)：115-121.

[10] 张卫东，张伟年.电力系统混沌振荡的参数分析[J].电网技术，2000，24(12)：17-20.

[11] 王荣，章韵，陈建新.基于三轴加速度传感器的人体跌倒检测系统设计与实现[J].计算机应用，2012(5)：1450-1452，1456.

作者信息：

王  畅1，孙福明1，李  漾2

（1.辽宁工业大学 电子与信息工程学院，辽宁 锦州121001；2.大连云动力科技有限公司，辽宁 大连116000）