智慧養老計算環境研究狀況的回顧

張佳驥　趙海英

1(中國電子科技集團公司第五十四研究所　河北 石家莊 050081)2(杭州南鴻通信技術有限公司　浙江 杭州 310012)

?

智慧養老計算環境研究狀況的回顧

張佳驥1,2趙海英2

1(中國電子科技集團公司第五十四研究所河北 石家莊 050081)2(杭州南鴻通信技術有限公司浙江 杭州 310012)

居家養老目前仍為老年人首選的養老方式。在傳感器、通信和計算機技術快速發展的今天，這些技術將在智慧家庭中為老年人提供健康服務，起到應有的作用。從近年來有關的研究中整理歸納與居家養老有關的概念，介紹有關的傳感器、通信和計算技術的發展成果；重點分析數據處理采用的方法和技術。將數據處理方法分為基于規則的方法和統計學方法兩大類；分別介紹各類中一些典型實例，總結各自的長處和不足，并指出方法研究所面臨的關鍵問題。此外還就研究途徑提出新的建議。

智慧家居獨居老人日常生活活動行為識別活動識別基于規則的方法統計學方法

0　引　言

伴隨著科學技術與人類社會的發展，人的壽命隨之增長，而老年人在整個人口中所占比例不斷增加。據估計，工業化國家中65歲以上老年人占人口的比例已經超過20%[1]。而在中國，2013年老年人口數量突破2億大關，達到2.02億，老齡化水平達到14.8%[2]。空巢老年人口2013年突破1億人口大關，占老年人口數量的50%。

老齡化社會所面臨的一個普遍問題是：伴隨人類平均壽命增長，各種老年病及發病數量隨之增加；由此產生對于老年人保健的新需求。當前，社會養老機構的發展跟不上老齡化發展的需要；而居家養老能夠使老年人在熟悉的居住環境下生活，保持原有的生活習慣；這樣將更有益于老年人自身的身體和精神健康。所以，居家養老目前仍然為主要的養老方式。與居家養老有關的健康監測等保健設施的發展，尤其是最急需的獨居老年人的健康監測的研究，已經引起了相當廣泛的重視。

當今傳感器技術、計算技術以及通信技術高速發展，各種傳感器和多種通信網絡已經為遠程監測老年人居家活動情形提供了物理設施的基礎；而日益發展的計算技術將為滿足居家養老所面臨的多樣化與多變需求提供智慧或者人工智能解決方案。

伴隨著技術的發展與研究的深入，與居家養老有關的技術產品已經從最初的一鍵(人工)報警設備，進而到人體的跟蹤與定位裝置；現在已經聚焦到對人的健康狀況的自動監測系統上來。這種對于健康狀況的監測系統又存在侵入式和非侵入式之分。所謂的非侵入式是指對于老年人的生活習慣而言，自動化系統不會產生任何影響。例如，不會像可穿戴設備那樣，對人提出額外的穿戴方面的要求；也不會像視頻監視那樣，使人產生對于隱私方面的疑慮。目前，非侵入式系統日漸成為研究的主流。

居家養老系統的應用涉及老年人、老年人的家人、健康管理機構和服務提供機構以及醫療機構。其中，老年人自身是系統中被監測對象。所以，人的行為將因人而異是系統研究所不能回避的一個主要特點。

1　概念和術語

研究健康狀態自動監測系統通常需要通過對被監測對象—居家老年人的日常生活活動ADL(Activity of Daily Living)的測量，經過分析，判斷老年人的健康狀況。日常生活活動是指人們在每日生活中，為了照料自己的衣、食、住、行，保持個人衛生整潔和進行獨立的社區活動所必須的一系列基本的活動，是人們為了維持生存及適應生存環境而每天必須反復進行的、最基本的、最具有共性的活動。具體又分為基本ADL和工具性ADL。基本ADL指日常生活中最基本的活動，如穿衣、進食、保持個人衛生等自理活動和坐、站、行走等身體活動。一般為比較粗大的、無需利用工具的活動。工具性ADL是指為了在家庭和社區中獨立生活所需的關鍵的、較高級的技能，如操作衛生和炊事用具，使用家庭電器、騎車或駕車、處理個人事務等，大多為需要借助工具的、較精細的活動。

行為與活動的詞義相近。在研究機構養老時，將與ADL有關的行為分類為必需行為、靜養行為、休閑行為、社交行為和照料行為[3]。其中，必需行為包括飲食、如廁、美容洗浴、整理家務和睡眠；靜養行為包括無為發呆、眺望觀察和小憩；休閑行為包括個人興趣、閱讀、視聽、散步運動和宗教；社交行為包括交談、集體娛樂、社會作用、家人探訪和設施活動；照料行為包括家務協助、個人照料、護理照料和醫療照料。

傳感器事件也簡稱事件，它指的是一次傳感器的被觸發事件。

場景在這里指構成行為的一系列動作，或者是一系列的傳感器事件，依具體情形而定。場景具有過程的連續性特點。通常情形下，與日常生活中活動有關的場景具有并發性。例如，備餐活動與飲水活動并發進行，或者二者甚至更多的活動交替發生。

通常，日常生活中的活動存在節奏(節拍)，像吃飯、睡眠等，都具有一定的周期性。人的行為受到自然(環境)、生理與社會因素的影響與制約，這些因素都具有周期性的性質。例如，晝夜、四季、食欲、消化、睡眠、蘇醒、工作等無一不具有各自的周期特點。而對老年人來講，社會因素的影響減弱，導致其周期性規律益發單純而明顯。存在周期性并不代表所有的活動都有規律可循。有些活動的發生是隨機的，例如移動物品、聽音樂、發呆等。周期性規律是智慧養老系統研究中需要尋找和加以利用的依據;而隨機性是處理過程中不容忽視的因素。

生活自理能力是指無需他人幫助，自行完成日常活動的能力。在依據Bathel指數制定的自理能力評定量表中，視被評定者是否能夠獨立完成進食、洗澡、修飾、穿衣、控制大小便、如廁、移動、行走、上下樓梯這幾項活動的程度來評定自理能力[4]。

上下文(context)是指影響老年人日常活動行為的各種環境與其他因素。這些影響因素包括：季節、氣候、周日、居住地(如居住于城市/鄉村)、參加社交活動(如上老年大學、參加文藝活動等，這些都將影響老年人是否外出)、健身(中國老年人往往晨練或晚間散步)、喂養寵物(寵物同樣會產生活動，這將影響到某些傳感器測量效果)等。

2　居家養老系統

2.1系統組成

存在各種各樣的獨居老年人居家養老系統，下面給出的居家養老系統并非指某個實際系統，而是經過抽象后的系統，它可以作為實際系統設計時的參考。

狹義的居家養老系統由傳感器單元、內部通信網與數據處理單元三個主要部分所組成(廣義的系統再加上外部通信網、服務器、手機等)。圖1為居家養老系統的組成示意圖。居家養老系統包括多個采集被測量對象參數的傳感器單元、一個數據處理單元、一個司職傳感器與數據處理單元通信的內部通信網，并涉及負責數據處理單元與服務器及外部用戶通信的外部通信網。數據處理單元對由傳感器采集的數據進行處理，產生所需告警信息，同時還需將有關的處理結果送至服務器。

圖1　居家養老系統組成示意圖

系統的外部還涉及服務器和手機、PC機等終端。服務器通常置于居民小區中，存儲多個居家養老系統數據處理單元所傳送的數據；通過機器學習更新有關的模型(如行為模式)；并將更新后的模型或者有關模型的參數發往各個居家養老系統。服務器的另一個作用是為醫療機構、管理部門等進行大數據分析計算以及查詢提供所需的數據和計算環境。手機通常為老年人親屬或社區及機構服務人員(以下統稱照料者)用來接收告警信息。PC機通常作為醫療機構、養老機構或者救援機構(當然也可以直接撥打報警電話請求救援)接收告警信息之用。取決于系統的設計規模，服務器部分也可以是選項。

2.2工作原理

居家養老自動化的應用目的通常有兩個：一是避免偶發事件造成嚴重后果；二是延長獨居老年人健康自理或者獨立生活年限。下面以一個正常活動(行為)場景和一個異常活動場景來說明系統的工作原理。此外，初始場景可用作對于系統學習或訓練期間的工作情況的說明。

正常場景下，表征老年人行為的各項日常活動像往常一樣發生，或者說沒有出現跌倒以及其他意外。這時，各傳感器監測與各項活動有關的參數，產生傳感器事件；并將其經內部網絡傳送至數據處理單元。傳送至數據處理單元的數據按照時間先后形成數據序列。數據處理單元將此序列與積累的表示正常模式的活動歷史進行比對；比對結果表明偏差在可以接受范圍之內。此后，判定老年人的行為正常，不產生告警。數據處理單元將利用新收到的數據更新本地模型的有關參數，并按照規定時間間隔將處理后的數據(序列)發往服務器。服務器則根據多個養老系統送來的數據更新整體模型。

異常場景下，表征老年人行為特征的部分或者某項日常活動呈現不同尋常，或者出現跌倒這樣的意外。此時，數據處理單元將傳感器采集的數據與正常模式比對后，出現顯著或者較大偏差(例如，超過某個閾值)。此時，判定老年人的行為出現異常，產生告警并將告警信息發出。照料者通過手機或者醫療服務機構通過PC機收到告警信息后，通過本系統詢問或者采取相應措施。

輸出的告警信息分為兩種情形。緊急或者意外情形的告警通常是在危險已經發生時的告警，例如老年人在家中跌倒時的告警。另一種是預警，它通常是在老年人日常生活的周期性或者規律性發生變異或者偏離時產生的。這種變化有可能是慢性病變、生活自理能力下降等引起。

對于告警信息的響應需要根據具體情形分別處置。可以將告警信息分為四級[5]。這些分級是：1) 輕微異常(Mild Abnormality)：這時，老年人的行為與正常情形略有偏差，例如夜晚起床次數增加、未淋浴即入睡等。告警信息可送往照料者。該項告警為可選。2) 警告(caution):警告表明發生略比輕微異常級嚴重的事項，例如冰箱門未關閉、水龍頭長時間打開、大門夜間未鎖等。警告層的告警建議需要有人介入；例如由照料者上門探望或者與老年人電話聯系。3) 警報(High Alert)：當兩種以上從傳感器提取的參數都產生警告時，警報形成。這表明居住者處于危險中，需要有人在身邊。這樣的例子如夜間床上活動異常之后起床動作異常，緊接著行走姿態不正常的組合發生。該級告警一般需要有人上門探望。4) 緊急(Emergency)：第四級是最嚴重的情形，例如檢測到跌倒、出現燃燒氣味或者睡眠時出現呼吸驟停。這時，需要立即聯系相應的急救部門上門救援。

初始場景下，系統中還沒有足夠的數據。由于系統中模型的特點通常因人而異，所以還需要更多的數據來構造或者更新模型才能導致其可用。這時，系統初始工作過程中傳感器所采集到的各項活動有關參數形成的數據序列，被用作系統的學習(訓練)數據。系統利用這些數據更新模型。直至到達規定的時間之后，系統方可轉入工作狀態。

2.3傳感器

居家養老系統可以使用的傳感器種類很多。可以將其按照獲取測量數據的方式分為主動傳感器與被動傳感器，也可以有其他分類方法。本文將按照被測對象分為人體測量傳感器與環境測量傳感器。

人體測量傳感器包括視頻傳感器(攝像機)、紅外運動傳感器、無線電測量傳感器、聲音傳感器，還有若干可穿戴傳感器以及醫用傳感器。壓力傳感器也可歸于此類,或者兩類皆可。

視頻傳感器設置于室內視野開闊處，用來獲取連續的圖像；也可以用來檢測對象的運動狀態，例如人的運動狀態。紅外運動傳感器為熱釋電元件組成的被動式無線紅外線探頭，它可以探測人體輻射的波長為9 ～10 μm的紅外線。將其設置于室內視野開闊處，一般用以測定人是否位于某室[6-8]。

無線電測量傳感器探測距離較近，一般設置于距人體較近處。它可以用來檢測肢體的動作，經過處理后，還可以獲得人的呼吸、脈博等參數。壓力傳感器通常置于物體下面或者表面，當人對物體產生壓力時，用來測量有關的受力情況[9,10]。

可穿戴傳感器又有許多不同類型，如手套傳感器、手表傳感器等。它們可以用來測量人的體溫、脈搏、膚色、運動的加速度等[11]。這類傳感器的另一個特點是可以不限于在家中使用。

醫用傳感器亦有較多種類。它們用以測量人體的某些參數，如血壓、脈搏、體溫等。這些傳感器屬于專用傳感器，使用上會有某些特殊要求。由于存在這些限制，醫用傳感器通常較少在居家養老系統中使用。

環境測量傳感器包括電器監測傳感器、流量傳感器、開關傳感器、RFID等。

電器測量傳感器連接在家用電器電源接線端，測量電器的打開(on)與關閉(off)，如測量電熱壺的開閉[12]。流量傳感器如水流量傳感器被連接在流體管路進入處，用以測量使用時流體的流量[13]。開關傳感器放置在門、窗處，檢測其開閉情況。例如，放在房門處檢測房門的打開與否；放在電冰箱門處檢測電冰箱的使用情況。

RFID是射頻識別的縮寫。RFID傳感器分為RFID標簽(Tag)與RFID閱讀器(Reader)兩部分[14]。通常將RFID標簽放置于物體處，而RFID閱讀器被人所攜帶(或者穿戴)。當攜帶RF閱讀器的人接近貼有RF標簽的物體時，即可獲得與該物體有關的信息，以此判定人出現于某處。

2.4通信傳輸

居家養老系統的通信傳輸涉及寓所內部通信和系統與外部的通信，分別稱為內部通信網與外部通信網如圖1所示。系統對外部通信涉及與服務器和手機、PC機等終端的通信，可利用的通信網絡或者方式有互連網、無線保真(Wifi)、移動通信網、固定電話網等。一般這些外部網絡均為已經布設到居民區的現有網絡，與其連接主要涉及接入方式與接口。

內部通信網用于在傳感器與數據處理單元之間傳輸數據，通常也稱為傳感器網絡。在通信方式上，可以采用有線、無線、紅外和光等多種形式。可資利用的標準網絡或者接口有藍牙、低壓電力線載波通信、ZigBee[15]、IRDA(InfraredDataAssociation)、Wifi等。

2.5數據處理

數據處理涉及傳感器數據的預處理、實時處理以及事后處理。

預處理包括：為節約帶寬而進行的過濾、重采樣等對原始數據的篩選，為規范化而進行的編碼處理以及加密等。

實時處理的目的是當異常出現時適時產生告警信息；后處理則涉及與統計模型有關的對歷史數據的累積計算或者數據挖掘。兩者都與所運用的處理方法和技術有關，將此放在下一節中討論。

2.6服務器

服務器是系統中的選項、當養老系統規模較小、作用單一時也可能并不設置服務器。但是，隨著系統的復雜性與規模不斷增加，以及隨著數據的積累，服務器將成為系統的重要組成部分。

服務器的作用是存儲大量數據及計算。它一方面便于各種各樣的用戶查詢，另一方面也用于對于整體模型更新時的計算(如機器學習)；以及用于各種行為、健康等模式的數據挖掘或者統計。由于服務器可能用于多種應用，涉及到多個領域，為便于向不同用戶提供合適的信息檢索服務，文獻[16]給出相關的本體論模型結構圖和信息訪問方法。

3　方法或技術

居家養老系統的數據處理流程一般可以用圖2表示。圖中的對象辨識涉及到的對象，可能是人的動作、日常活動、行為狀態、活動涉及的物品狀態，也可能是某些事件或者場景。特征抽取所需要做的是抽取那些對于上述對象的區分更具有貢獻的特征或者屬性；而模型則與具體的處理或者辨識方法相關。

圖2　居家養老系統中健康狀況監測的數據處理流程

動作的識別通常用于圖像處理中。其目的除識別日常活動外，多用于對某些異常動作的實時監測與告警，如對跌倒的檢測與告警。

活動識別可能是識別部分活動或者個別活動，也可以是識別全部活動。通常的做法是識別部分日常活動，而且是識別對于健康狀況能起鑒別作用的部分日常活動。有的文獻中稱其為基本或者重要日常活動[17]。行為狀態或者物品狀態的識別則與此類似。

由于識別全部活動往往難以實現，所以通常做法是識別部分日常活動。那么，選擇哪些日常活動作為識別對象顯得尤為重要。這里，既涉及有關的專業知識，例如與人體健康有關的醫學專業知識，尤其是與老年人健康有關的知識，也需要考慮到技術的局限性以及系統的復雜度。由于技術原因，目前尚難以將某些日常活動加以區分，例如難以區分閱讀與發呆。此外，當環境不同時，會帶來額外的困難。例如，當存在寵物或者有來訪者時，需要區分誰才是活動的主體。又例如，被監測者的外出也會帶來判別上的困難。系統的復雜度也是必須要考慮的因素。過分復雜的系統(例如眾多種類與數量的傳感器)不但會使成本增加，也會帶來安裝與維護上的不便。

如果僅僅識別個別活動，那么首先需要確定該項個別活動對于健康狀況判斷的貢獻。否則，方法本身是否有效存在疑問。

識別日常活動的途徑既有直接識別與日常活動有關的人的因素，也有通過識別人的活動所涉及的物品的狀況。其中，后一途徑常常能夠大大簡化問題的處理。

本文將目前所研究的居家養老系統的數據處理方法分為兩類：一類為基于規則的方法，另一類為統計學方法。

3.1基于規則的方法

基于規則的方法也可稱為模型方法。該方法的一個特點是依賴該領域內某些特定的先驗知識。目前研究所考慮的知識主要涉及人的姿態和動作、環境(區域、物品)、用具、生理參數、生活線(用量)等因素，以這些因素為特征對人的活動或者行為進行識別(強調語義特征)。無論是在對特征的處理還是對行為的正常與否的判別中，都需要做出某些人為的假設：例如傳感器的測量值與人的活動特征存在某種聯系，或者某些活動對于判斷人的行為正常與否具有重要或關鍵價值。

基于規則方法的優點是可以利用專家的經驗和某些知識，尤其是明顯的常識。這樣做的結果，往往可以使系統得到簡化。規則方法的缺點是規則難以健全。規則的建立往往涉及復雜的專門知識，且復雜的規則即難以獲得同時也難以表達。建立的規則往往同樣需要經過大量數據的訓練或者驗證方可得到證實。在這種情形下，對于訓練數據加注語義標記將非常困難。另外，如何在規則或模型中體現因人而異的特點，也存在相當的困難。此外，已經存在的基于規則的方法很少涉及對于行為的并發現象和隨機現象的處置。以下為基于規則方法的若干典型研究案例。

法國雷恩第一大學在研究中，運用法國醫學界提出的AGGIR依賴模型，對四個能力詞匯STUC進行評估；它們是：自發性(Spontaneously)、完整性(Completely)、經常性(Usually)和正確性(Correctly)[18]。對每項個人日常活動，如果活動完成的條件是S∩T∩U∩C，則得分A；如果為┐S∩┐T∩┐U∩┐C，則得分C；其他情況下，得分B。A意味具備完全自治或獨立能力；C意味完全依賴他人；B則存在部分依賴性。具體用若干動詞描述人進行日常活動的情況。使用公式計算活動有關得分Si值后，由專用的表格依據順序得分Si查出GIR評價分組級別。分組級別越低，則依賴性越強，由此可以判斷個人獨立生活的能力。分組GIR1意味完全依賴(他人)，而分組GIR6意味完全獨立(不依賴他人)。

新西蘭Massey大學的試驗系統所用的方法是監測居住者行為所涉及的器具的使用狀況。該系統假定日常活動與其所用的器具密不可分[17,19]。通過測量某些器具被使用的情況，推斷出老年人所從事的某些基本活動的狀況。系統中定義了與一天某時段內器具未被使用時間的實際值與統計最大值之比有關的欠使用狀態函數βi；又定義了與一天某時段內器具被使用的持續時間的實際值與統計最大值之比有關的過度使用狀態函數βi。設置與兩狀態函數各自相應的閾值，超出閾值則意味出現異常。欠使用對應活動量不足的異常，而過度使用對應活動量過度異常。由測量數據實時計算這兩個狀態函數值，并與事先設定的閾值對比，從而確定人的健康狀況。

法國Sophia Antipolis的CSTB(Scientific Center of Technical Building)中的活動監視系統建立了包括活動、觀察背景和活動體(即人)在內的三類模型。使用視頻傳感器和環境傳感器(包括測量冰箱、門等開閉狀態的開關傳感器，以及置于床、沙發等處測量人的坐臥行為的壓力傳感器等)對居所內老年人的行為進行監視[20]。將事先建立的人的3D模型投影到包括環境3D模型(包括屋內區域、地點和設施等物體)的場景中。將其二維投影輪廓與實際的檢測輪廓比較后，提取最相近者作為被觀測者姿態。隨時間變化的姿態組成視像事件；由環境傳感器探測到的在觀察背景模型中的設施狀態改變(如冰箱打開)等稱為環境事件；視像事件和環境事件的組合形成組合事件。活動模型由上述幾類事件按照一定的順序加上約束所構成，利用活動模型來對活動進行識別。

與上述視像處理方法類似的研究有浙工大業大學的全方位視覺的獨居老年人監護試驗系統。該系統采用最小外接矩形的長寬比來識別人的姿態，結合時空、環境因素判斷人的行為[21]。

除通過動作和/或工具的使用來測量人的活動或行為外，還有通過使用流量傳感器對日常生活所必須消耗的水、電等用量的測量來推斷人的日常行為的方法。例如，加拿大的測量家用電器的有功功率和無功功率的NILM系統[22]。

日本會津大學從呼吸頻率和心率對于呼吸暫停和猝死綜合癥的重要醫療診斷價值出發，利用置于枕頭下方的液體傳感器的壓力信號，用小波分析算法實時計算人的呼吸頻率和心率[23]。該項研究屬于專業性研究，涉及有關的醫療專業知識。同樣采用醫用傳感器的還有西班牙的使用HTPC (Home Theatre Personal Computer) 連接到電視機的遠程幫助系統[24]。

在居家養老系統中，需要面對多種傳感器獲得的復雜數據，而且需要將醫護人員的專業知識加以形式化表達。為應對上述種種困難，法國LRIT 實驗室運用模糊數學方法以簡化問題的處理[25]。其做法是將各種傳感器的參數模糊化，也將時間等變量模糊化(例如將一天中時段模糊為上午、下午、晚上、夜間)。然后，利用模糊邏輯對于數據中隱含著的日常活動進行識別。

3.2統計學方法

統計學方法不依賴特定知識，亦不事先做出任何語義上的假設，而是直接從測量數據中的傳感器事件利用數據挖掘和概率計算得到所需要的結果。雖然統計學方法也會用到某些概率模型，但不同于基于規則的方法，在這些模型中往往并未預先作出對于模型語義的假設(如活動、行為、動作等，這些信息往往不能通過傳感器直接測量得到)。統計學方法計算或者處理的對象通常僅僅限于傳感器事件及其關系。統計學方法中目前主要研究有(事件)序列相似度計算及預測和統計量的計算。其中，相似度計算及預測所考慮的因素不僅涉及序列自身，還涉及其時間特性(如開始時間、持續時間)；而統計量計算則考慮事件發生的次數、持續時間等。

統計學方法的優點與缺點恰與基于規則方法相反。統計學方法本質上可以體現在數據處理上因人而異的特點，而且原理上也能夠自適應行為的并發(如果在數據處理時忽略完全隨機的數據)。統計學方法有可能避免基于規則的方法中人為選擇關注部分活動而忽略其他活動可能帶來的問題。而且，用統計方法也有可能通過非監督學習來避免標記大量數據帶來的困難。實踐中，統計學方法在某種程度上可以避免人工對大量訓練數據進行復雜的語義標記這一問題。統計學方法的缺點是難以利用有關的知識(如規則)，甚至難以利用已有的簡單經驗和常識。統計學方法往往在計算上還比較復雜，需要較強的計算能力和較大計算量。此外，統計學方法的實時處理能力有待進一步研究。下面介紹統計學方法的幾個典型研究案例。

序列預測的一個典型是法國約瑟夫傅里葉大學TIMC-IMAG實驗室有關智慧家居的項目。該項目利用統計學模型預測人在房屋內的移動，其測量數據可以得之于紅外傳感器[26,27]。所用的方法基于語言模型(如用于語音識別)中常用的卜里耶(Polya)模型或者馬爾可夫鏈，建立起預測人在房屋中不同位置之間移動的模型。用卜里耶模型時，以某時刻摸取某顏色彩球的概率來代表不同位置之間轉移的概率；用顏色來表示不同的位置。用馬爾可夫鏈時，將房間或者位置作為馬爾可夫鏈中的節點；節點之間的轉移概率代表在房間之間轉移的概率。然后，基于位置的歷史數據預測下一時刻的位置。實驗表明，區分周日(即星期幾)是重要的，不同的周日對應不同的結果。多數情形下，用一階馬爾可夫模型即可得到滿意結果。

序列相似度計算的一個典型是美國德州大學阿靈頓分校的研究項目。該項目將場景定義為傳感器事件組成的序列[32]，在長度為n的滑動窗口中比較不同長度的兩個場景或序列的加權相似度。這兩個場景分別是當前場景和歷史場景，后者長度比前者大許多。相似度比較時用到序列的最長公共子序列，同時還要考慮存在誤碼的情況。另外，還需要計及時間相似的影響(開始時間和持續長度)。將歷史場景中與當前場景最相似的子場景定義為相似度得分最高的場景。對結果用接收機工作特性曲線ROC(Receiver Operating Character Curve)進行評估。另外，該校的HIS項目采用直接計算和比較序列的相似度的方法來對測量數據進行處理，從而達到發現人的活動規律的目的[1]。

美國華盛頓州立大學提出一個基于DTFRA(Discovering of Temporal Features and Relation of Activities)框架的序列聚類加挖掘的用于發現和跟蹤活動的非監督方法[28]。通過這種挖掘和聚類，既可以處理事件的并發，同時還可以從大量隨機數據中發現規律。實驗中，使用了紅外運動傳感器、壓力傳感器和電話傳感器。為了解決活動的并發或者交織，引入一個稱之為DVSM(Discontinuous Varied-Order Sequential Miner)的挖掘器，從數據中挖掘非連續且順序可變的頻繁活動序列模式。通過定義一個包括編輯距離、次序距離和屬性距離之和的擴展距離，利用k-均值算法對挖掘得到的頻繁活動序列模式進行聚類，所得的結果作為日常活動的候選者。最后，采用多隱馬爾可夫模型(HMM)的投票模型完成對活動的識別。

在該校同樣基于DTFRA框架，旨在關注活動或者事件的時間關系的研究中，對于活動或者事件的包括開始時間和持續時間在內的時間特性，采用了k-均值算法進行聚類[29]。同時，采用apriori算法挖掘活動或者事件在時間上的銜接關系。另外，美國弗吉尼亞大學的SmartHouse項目在聚類時假設數據得之于數個正態隨機過程的混合模型。通過對聚類結果的考察，得出有可能是日常活動的重要聚類[30]。

雅典經濟與商業大學根據Allen提出的時間關系定義關聯規則，運用關聯規則挖掘方法，找出隱含在測量數據中的重要活動[31]。挖掘得到的規則的可信度愈高，被識別的活動的重要程度愈高。

統計量計算的一個典型是韓國國立首爾大學的Jeung-Pyeong Ubiquitous Healthcare House項目。該項目使用支持向量數據描述方法，用數據去擬合一個表征正常行為的超球體[6]。該超球體由三個行為特征構成一個三維空間，這三個特征是活動水平、移動水平和不反應間隔。其中，活動水平XAL(k)(k是時間參數)表征的是人在24小時內各位置空間內的活動量；移動水平XML(k)表征的是某時間段內，人在不同位置之間的移動量；不反應間隔XNBI(k)表征居住者活動之間間隔的時間。這些特征由紅外運動傳感器測量得到的數據計算得出。將計算結果映射為該三維特征空間中的一個投影點后，求得包容所有正常行為訓練樣本集中的數據而不包含任何異常行為數據的最小化邊界。該邊界形成特征空間中的一個超球體。當超球體不能總是很好地適應所給數據集的邊界時，可引入概化的核函數來替代計算距離的內積函數。常用的核函數為徑向基函數(RBF,Radial Basis Function)。該系統中選擇用高斯核函數。超球體形成后，將其用于檢測異常。當傳感器測量數據映射到超球體之外時，則表示被監測的人的行為產生異常。

有許多相對簡化的研究僅關注上述三個特征中的一個或者部分特征。但是，也有同時關注其他特征的，如滯留水平(與人在某房間或者空間內的持續留存時間有關)等。關注滯留水平和活動水平的例子參見文獻[33,34]，關注活動水平的例子參見文獻[7]。

3.3仿真

由于從傳感器獲得的數據不理想，且數據丟失/缺失嚴重。同時，由于存在所謂的模型困境，即系統模型缺少足夠的訓練時間和缺乏足夠的真實場景，尤其是缺少異常場景。所以，欲使系統得到驗證，需要構建仿真系統，以提供具有某種特定規律的數據。

法國AILISA項目構建基于理想傳感器的仿真系統。該項目從搜集到的傳感器數據中，通過聚類產生仿真的隨機過程所需要的參數[35]。具體是從數據中計算出HMM(隱馬爾可夫模型)轉移矩陣和發射(emission)矩陣的參數；再經由此所定義的不同函數以分別產生仿真數據。與之不同，英國諾丁漢特倫特大學還增加了對變化趨勢的仿真[36]。

4　面臨的挑戰

考慮居家養老系統包含可信程度在內的可靠性時，不但需要考慮傳感器等設備的可靠性，更需要考慮到測量數據與健康狀態的關系實際是一個不確定性問題；尤其在考慮到問題本身因人而異的特點時更是如此。那么，系統中所提出的假設以及所依據的原理是否合乎邏輯并具有普適性；或者所用方法在什么樣的條件下適合什么樣的人群；以及將采取何種措施以自適應不同上下文和不同個人等；這些都是進行研究時必須要回答的問題。從系統的作用上看，上述問題將影響到什么情形下觸發告警，引發告警的事件具有怎樣的嚴重程度；以及需要何人做出何種響應等。毫無疑問，遺漏重要的意外情況將導致系統失效；反過來，過多虛警也會使系統得不到應有的信任而失去作用。以對事件進行預測為例，如果精度為百分之一量級(看起來很高)，而時間量綱為秒時，則百分之一的誤差意味虛警或者誤報多達每天數百次。

系統應該可以得到驗證。這一點對于居家養老系統來說，并不是一個簡單問題。以數據驗證為例，首先應該明確檢驗所用的度量有哪些(如虛警、漏警率等)；然后，如果將人的行為按照模式劃分為正常行為模式與異常行為模式，則獲取正常模式下真實數據相對容易；但是，異常模式或者異常情形下的數據則很難得到。如果再考慮到問題的因人而異特點，即使仿真也很難做到。那么，這種情形下怎樣才能檢驗出“真正的”異常？

考慮到系統將用在老年人家中，所以安裝、使用和維護上必須具備方便性。系統的設備要易于安裝，且不應該對人的生活帶來任何不便。系統在使用上應該做到即插即用，無需老年人作任何額外操作。同樣，在維護上亦無需對居住者提出任何要求。通常，系統軟件的維護應該能夠進行遠程(網絡)更新。

由于居家養老系統實際上是智能家居的一個組成部分，而智能家居又是智慧城市的一個不可缺少的部分，所以信息標準、通信標準、兼容性等都是需要認真對待的。其他同樣不可忽視的要求還有低成本、保護用戶隱私等。

5　結　語

本文對近年來出現的對于獨居老年人居家養老系統的研究情況進行了分析和概括，重點關注所用的數據處理方法。常用的處理方法被劃分為基于規則的方法和統計學方法兩大類。在分析每類各自特點后，認為基于規則的方法易于設計，適于用在數據的實時處理中，但是，其適用性有待驗證。相比起來，統計學方法更具備理論基礎，某種程度上能夠與實際行為的并發和隨機現象相符合。但是，統計學方法計算復雜程度較高，運算量大，且研究(因數據緣故)還有待深入，尤其是如何將其用于實時處理中還有待進一步研究。

設想可以將兩類方法交替運用來進行應用系統的研究。首先，先建立基于規則的系統或者簡化的統計學系統，以便獲取與積累歷史數據。然后，嘗試利用統計學方法從歷史數據中發現與活動有關的規律，以建立或者修正先前的模型，以及直接用來發現異常。待規律得到驗證后還可以將其用于基于規則的系統，使其逐步得到完善。

無論采用何種方法，都需要考慮驗證所用的數據。真實數據在驗證正常行為模式中往往能夠起到較大作用。對于異常行為，無論定義還是驗證都存在難點，其驗證往往更需要仿真的參與。

[1] Franco C,Demongeot J,Villemazet C,et al.Behavioral telemonitoring of the elderly at home:detection of nycthemeral rhythms drifts for location data[C]//IEEE 24th International Conference on Advanced Information Networking and Application Workshops,Meliá Palas Atenea,2010:759-766.

[2] 吳玉韶.中國老齡事業發展報告(2013)[R].中國社會科學院,社會科學文獻出版社,2013.

[3] 李慶麗,李斌.養老設施內老年人的生活行為模式研究[J].時代建筑,2012(6):30-36.

[4] 日常生活活動能力量表[DB/OL].(2012-1-28).[2014-12-18].http://www.docin.com/p-329602801.html.

[5] Arcelus A,Jones M H,Goubran R,et al.Integration of smart home technologies in a health monitoring system for the elderly[C]//21st International Conference on Advanced Information Networking and Applications Workshops,Brazil,2007,2:820-825.

[6] Jae Hyuk Shin,Boreom Lee,Kwang Suk Park.Detection of abnormal living patterns for elderly living alone using support vector data description[J].IEEE Transactions on Information Technology in Biomedicine,2011,15(3):438-448.

[7] 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,2007,43(3):211-213.

[8] Seon-Woo Lee,Yong-Joong Kim,Gi-Sup Lee,et al.A remote behavioral monitoring system for elders living alone[C]//International Conference on Control,Automation and Systems,Seoul,2007:2725-2730.

[9] Arcelus A,Goubran R,Sveistrup H,et al.Context-aware smart home monitoring through pressure measurement sequences[C]//IEEE International Workshop on Medical Measurements and Applications Proceedings,Ottawa,2010:32-37.

[10] Gaddam A,Kaur K,Gupta G S,et al.Determination of sleep quality of inhabitant in a smart home using an intelligent bed sensing system[C]//IEEE Instrumentation and Measurement Technology Conference(I2MTC),Austin,2010:1613-1617.

[11] Yu-Jin Hong,Ig-Jae Kim,Sang Chul Ahn,et al.Activity recognition using wearable sensors for elder care[C]//Second International Conference on Future Generation Communication and Networking,Sanya,2008,2:302-305.

[12] Suryadevara N K,Mukhopadhyay S C,Wang R,et al.Reliable measurement of wireless sensor network data for forecasting wellness of elderly at smart home[C]//IEEE International Instrumentation and Measurement Technology Conference,Minneapolis,2013:16-21.

[13] Gaddam A,Mukhopadhyay S C,Gupta G S.Smart home using optimized number of wireless sensors for elderly care[C]//Applied Electromagnetics Conference (AEMC),Kolkata,2009:1-4.

[14] Mateska A,Pavloski M,Gavrilovska L.RFID and sensors enabled in-home elderly care[C]//Proceedings of the 34th International Convention MIPRO,Opatija,2011:285-290.

[15] Wang Jing,Liu Jia,Wang Huan.Design and implementation of a home automation system based on ZigBee and 3G terminal[C]//3rd International Conference on Computer Design and Applications,Xi’an,2011:1464-1468.

[16] Evchina Y,Dvoryanchikova A,Martinez Lastra J L.Semantic information management for user and context aware smart home with social services[C]//IEEE International Multi-disciplinary Conference on Cognitive Methods in Situation Awareness and Decision Support,San Diego,2013:262-268.

[17] Suryadevara N K,Gaddam A,Mukhopadhyay S C,et al.Wellness determination of inhabitant based on daily activity behavior in real-time monitoring using sensor networks[C]//5th International Conference on SensingTechnology,London,2011:474-481.

[18] Lemlouma T,Laborie S,Roose P.Toward a context-aware and automatic evaluation of elderly dependency in smart homes and cities[C]//IEEE 14th International Symposium and Workshop on a World of Wireless,Mobile and Multimedia Networks,Madrid,2013:1-6.

[19] Suryadevara N K,Quazi M T,Mukhopadhyay S C.Intelligent sensing for measuring wellness indices of the daily activity for the elderly[C]//8th International Conference on Intelligent Environment,Guanajuato,2012:347-350.

[20] Zouba N,Bremond F,Thonnat M.An activity monitoring system for real elderly at home:validation study[C]//7th IEEE International Conference on Advanced Video and Signal Based Surveillance,Boston,2010:278-285.

[21] 馬寶慶,湯一平,嚴杭晨.基于全方位視覺的獨居老人監護系統[J].計算機工程,2013,39(8):44-49,59.

[22] Rahimi S,Chan A D C,Goubran R A.Usage monitoring of electrical devices in a smart home,engineering in medicine and biology society[C]//Annual International Conference of the IEEE Engineering in Medicine and Biology Society,EMBC,Boston,2011:5307-5310.

[23] Zhu Xin,Chen Wenxi,Tetsu Nemoto,et al.Accurate determination of respiratory rhythm and pulse rate using an under pillow sensor based on wavelet transformation[C]//27th annual Conference of the Engineering in Medicine and Biology Society,Shanghai,2005:5869-5872.

[24] Anido Rifon L E,Rivas Costa C,Gomez Carballa M,et al.Improving the quality of life of dependent and disabled people through home automation and tele-assistance[C]//8th International Conference on Computer Science & Education,Colombo,2013:478-483.

[25] Medjahed H,Istrate D,Boudy J,et al.Human activities of daily living recognition using fuzzy logic for elderly home monitoring[C]//IEEE International Conference on Fuzzy Systems,Jeju Island,2009:2001-2006.

[26] Fouquet Y,Demongeot J,Vuillerme N.Pervasive informatics and persistent actimetric information in health smart homes:from language model to location model[C]//International Conference on Complex,Intelligent and Software Intensive Systems,Dalian,2009:935-942.

[27] Demongeot J,Noury N,Vuillerme N.Data fusion for analysis of persistence in pervasive actimetry of elderly people at home,and the notion of biological age[C]//International Conference on Complex,Intelligent and Software Intensive Systems,Dalian,2008:589-594.

[28] Rashidi P,Cook D J,Holder L B,et al.Discovering activities to recognize and track in a smart environment[J].IEEE Transactions on Knowledge and Data Engineering,2011,23(4):527-539.

[29] Ehsan Nazerfard,Rashidi P,Cook D J.Discovering temporal features and relations of activity patterns[C]//IEEE International Conference on Data Mining Workshops,Sydney,2010:1069-1075.

[30] Barger T S,Brown D E,Alwan M.Health-status monitoring through analysis of behavioral patterns[J].IEEE Transactions on Systems,Man and Cybernetics,PART A:Systems and Humans,2005,35(1):22-27.

[31] Papamatthaiakis G,Polyzos G C,Xylomenos G.Monitoring and modeling simple everyday activities of the elderly at home[C]//7th IEEE Consumer Communications and Networking Conference,Las Vegas,2010:1-5.

[32] Park Kyungseo,Lin Yong,Metsis Vangelis,et al.Abnormal human behavioral pattern detection in assisted living environments[C]//Proceedings of the 3rd International Conference on Pervasive Technologies Related to Assistive Environments,Samos,2010,9.

[33] Cilles Virone.Assessing everyday life behavioral rhythms for the older generation[J].Pervasive and Mobile Computing,2009,5(5):606-622.

[34] Virone G,AlwanM,Dalal S,et al.Behavioral patterns of older adults in assisted living[J].IEEE Transactions on Information Technology in Biomedicine,2008,12(3):387-398.

[35] Hadidi T,Noury N.Correlation between real and simulated data of the activity of the elderly person living independently in a health smart home[C]//13th IEEE International Conference on e-Health Networking Applications and Services,Columbia,2011:64-69.

[36] Mahmoud S M,Akhlaghinia M J,A Lotfi,et al.Trend modeling of elderly lifestyle within an occupancy simulator[C]//UkSim 13th International Conference on Modeling and Simulation,Cambridge,2011:156-161.

REVIEW ON RESEARCH STATUS OF COMPUTING CONTEXTS OF SMART HOMES FOR ELDERLY

Zhang Jiaji1,2Zhao Haiying2

1(54thResearchInstitute,ChinaElectronicsTechnologyGroupCorporation,Shijiazhuang050081,Hebei,China)2(HangzhouWebconCommunicationTechnologyCo.,Ltd.,Hangzhou310012,Zhejiang,China)

Home care of the elderly is now still the first choice of eldercare by senior citizens. Nowadays, modern technologies of sensor, communication and computing technology have got vast development, they can play due role in providing health services for the retirees living at the smart home. This paper sorts out and generalises some conceptions correlated to the home care for the elderly from relevant researches in recent years, some latest development achievements related in sensor, communication and computing technology are presented. The focus is put on the methods or technologies used for data processing. The methods used are classified into two groups: the rule-based, and the statistical. Some typical study examples are introduced for both groups. The key features and the advantages and disadvantages for both groups are summed up respectively. The paper points out the key challenges faced by the data processing system. Besides, the paper also makes new suggestion on the research approaches.

Smart homeElderly living aloneActivity of daily living (ADL)Behaviour recognitionActivity recognitionRule-based methodStatistical method

2015-02-13。張佳驥，研究員，主研領域：信息處理，數據融合。趙海英，高工。

TP391.4

A

10.3969/j.issn.1000-386x.2016.08.001