ZigBee生活輔助系統中的一種數據處理方法

梅敏杰，沈蘇彬

(南京郵電大學 物聯網學院，江蘇 南京 210003)

0 引 言

近年來，隨著物聯網技術的發展，智能家居已成為一種必然趨勢而深入人們的生活。此外，因社會老齡化的加劇，針對亟待解決的獨居老人問題[1]，國內外研究人員設計了一系列的老年人生活輔助系統。生活輔助系統為老年人的生活添加一系列的智能化服務，提高其獨自生活的能力，并減少他們在家中被看護的需求。例如在家中安置傳感器，向看護人員報告他們的生活狀況和規律。隨著通信、傳感和處理技術的飛速發展，以及老年人口增長和相應看護費用的增加，這種智能化的技術得到了更加廣泛的應用。

ZigBee[2]是一種低功耗、低復雜度、短距離的無線傳感網絡技術，采用IEEE802.15.4標準。其中，IEEE802.15.4定義了物理層和媒體介質訪問層。ZigBee聯盟在此基礎上定義了網絡層和應用層。

從技術層面講，盡管ZigBee相關技術正趨于成熟，但隨著更加深層次的應用，也存在著急需解決的問題。由于對老年人生活觀察需從一個較為全面的角度進行，室內環境和室外環境的不同，單一的傳感器難以滿足需要[3]。如在通過老人攜帶的傳感器檢測老人是否有異常的身體和生理狀態時，其準確度會受到老人所處環境的干擾，如氣溫，天氣，交通，運動和移動狀態，導致傳感器對危險情況的誤判。而如果將大量傳感器分布到環境中去，如住處，交通工具和鍛煉場地，大量數據就需要被傳遞，并且在遠程看護端集中處理，增大了網絡和遠程看護端的工作壓力。所以，就需要考慮將相關任務由許多傳感器群組共同完成，并且群組的傳感器需長時間保持工作狀態。在這種情況下，所有傳感器將所采集到的數據傳遞給看護者進行集中處理，勢必造成網絡負載和遠程看護的工作負擔加重。

文中研究通過傳感器群組采集大量環境相關的數據時，如何盡可能減輕遠程看護者工作量、占用較小網絡資源，快速有效地對數據進行處理，并發現異常情況。

為了保證網絡傳輸數據的有效性和傳輸數據的及時性，提出了一種新型的數據處理架構。首先提出了通過危險系數函數來量化ZigBee生活輔助系統數據分析結果的思想。通過合理設計數據處理架構的存儲空間和無效數據過濾機制，為危險系數函數提供了有效的輸入;與此同時，通過分類器[4]，簡化了危險系數函數的輸入;并且提出危險系數警戒值的概念，為量化的函數輸出提供了衡量的依據。

然后將RVNS[5](reduced variable neighborhood search，簡化變鄰域搜索)算法應用到傳感器群組的數據分析中，提出了VAR(a variant algorithm of RVNS，簡化變鄰域搜索的變體算法)，試圖為大數據集的實時快速處理提供可行的解決方案。通常，RVNS用于求解組合優化問題，并且擁有固定的終止條件[5]，而文中根據危險系數函數，在VAR中為RVNS設定了新的終止條件。

1 相關技術分析

VNS[6](variable neighborhood search，變鄰域搜索)是一種典型的元啟發式算法，常用于組合優化問題。VNS基本思想包括兩部分：構造可以系統變化的鄰域和局部最優解搜索。其優點在于通過求解局部最優解使得計算量減少；同時，由于存在可以系統變化的鄰域，VNS有效避免了求解全局最優解時因陷入局部混亂而導致最終結果不理想的情況。

在RVNS中，存在一個包含所有可能解的解空間S={x1,x2,…,xn}，且初始解x將在該解空間中產生。對于優化問題，如果(任意)x*∈S滿足f(x*)≥f(x)，解x*將被認為是新的可行全局最優解，其中f(x)為目標函數。相應的，對于一個全局最優解x，就會有一個以x為基礎的鄰域結構N(x)。就像x∈S一樣，N(x)是解空間S的子集，即N(x)包含于S。其中，具體的鄰域結構記為Nk(k的值在1到kmax間波動)，其中k代表整個鄰域結構被劃分為k個鄰域。特別的，當x是一個合適的全局最優解時，這k個鄰域被稱為Nk(x)。通過一系列的矩陣函數，Nk會根據x進而組織不同的鄰域結構。

VNS在鄰域中會調用相關的子函數進行局部搜索，進而獲得最優解，這將導致計算量的增大[7]。而RVNS通過選取隨機點作為局部最優解，簡化了這個機制。基于RVNS多元啟發算法，一般用于選址路徑問題。現將RVNS運用到ZigBee傳感數據的分析和選擇中，是一次新的嘗試。通過RVNS對傳感器群組采集到的數據進行批量分析，可以在環境參數較為復雜和數據量較為龐大的情況下，較快地獲得可疑危險環境的相關數據。

2 數據處理架構

數據處理架構見圖1，可以分為3層，即數據收集層、數據過濾層和數據分析層。

圖1 數據處理架構

在數據收集層，本地服務器將接收和存儲相關傳感器采集到的數據。數據過濾層將根據VAR的輸入要求，對采集的數據進行處理，便于VAR后續的分析和處理。在數據分析層，將采用VAR，通過重構鄰域對這些數據進行分析。

VAR將把一個較復雜的危險系數函數視為效用函數，根據這個危險系數函數求解出相應的危險系數。如果其危險系數高出警戒值，將會向遠程看護端發出報警信號，并提供該結果(危險系數)相對應的詳細的數據。在此，VAR可以在傳感器群組采集到的數據量較大，危險函數較為復雜的情況下，利用RVNS在求解局部最優解時選取隨機點的特點，提高數據的分析效率。

2.1 數據接收層

生活輔助系統的監控環境采取分布式傳感器群組架構，即將許多傳感器分布在老年人活動的環境中。這些傳感器采集到的數據將通過本地網絡匯聚到本地服務器進行分析[8]。值得注意的是，這里的本地服務器與遠程看護端不同，它可以被看作一個能與遠程看護端實時通信，受遠程看護端控制，且能被遠程看護端訪問的存儲和計算系統。

生活輔助系統的傳感器可以分為兩類。一類以便攜式傳感器為主，稱之為主傳感器[9]。此類傳感器由老年人隨身攜帶，主要用于隨時隨地監控老年人的各項身體指標以及老年人是否有異常活動，例如行動速度突然變快或變慢，或傳感器高度突然發生明顯變化等。

另一類傳感器主要分布在老年人常活動的環境中，稱之為輔助傳感器[10]。此類傳感器因安置地點不同會被以不同的環境參數初始化，其特點是不會隨時觀察老年人的生活狀態，而是當老年人處在此環境下時，才會記錄有意義的傳感數據。

數據接收層的數據接收和本地存儲過程中，主傳感器和輔助傳感器每隔一定的時間間隔，就會向本地服務器發送最近采集到的數據。在傳感器向本地服務器傳送有意義的數據的同時，還會為該組數據賦予一個時間戳。時間戳的作用是為本地服務器在接收到這些數據時提供排序的依據。

本地服務器緩存的結構可以視為經過兩次劃分的類二維數組結構。第一次劃分可以看作把完整的緩存分為存儲不同時間段數據的存儲區域。如緩存總共能存儲1天的數據，則第一次劃分會將其按照4個小時所接受到的數據量分為不同的時間段。第二次劃分則會在每個時間段內根據時間單元劃分出不同的存儲槽位，每個槽位存儲一個時間單元內收集到的數據。如在上述以4個小時劃分的時間段內再以1分鐘為時間單元，劃分出存儲槽位。

上述兩類傳感器均與本地服務器通過ZigBee網絡建立連接。這些ZigBee連接除了在傳遞傳感數據的時候被使用外，還用于同步整個系統的時間等工作。在數據收集階段和數據過濾階段，由于網絡因素，數據并不是按照采集的順序到達的。其接收順序與時間戳順序存在明顯差別。這時，數據收集層會根據數據組內的時間戳，將接收到的數據按照采集的時間戳順序重新排序，并放入相應的槽位中。槽位是物理內存中一塊連續的空間，按順序存儲。每一個槽位會為每一個傳感器相應地開辟一塊存儲空間，緩存中，許多這樣的槽位組成一個區位，而整個緩存由若干個區位組成。

過濾器是一個功能實體，可以根據參數矩陣中具有代表性的數據到相關數據集中進行查找，確定有效范圍，并根據此有效范圍對變量矩陣中的數據進行校驗，排除誤差較大的數據。被存儲的數據通過過濾器之后，再經過分類器對數據進行分類，分離出一部分靜態數據存入數據庫中。

傳感數據被傳遞到本地服務器時，由于每次傳遞的路徑不可能完全相同，所以這些傳感數據并非總是按照時間順序到達本地服務器。一旦這些數據被本地服務器接收，它們首先會根據時間戳指示的順序存入相應的緩存區域，即擁有同樣時間戳的數據會被存入相同的槽位，且時間戳上時間早的會被存入靠前的槽位。在每個槽位內部，會為每個傳感器所對應勘測的不同數據分配一段存儲空間。當一個槽位中所需的所有傳感數據均已經被接收時，則表明該槽位已經具備了進入數據過濾層的條件。

此外，當所有緩存空間幾乎被傳感數據占滿后，一部分緩存中存儲的數據必須被丟棄，以便接收新的傳感數據。文中采用的緩存清理機制是將緩存中最早的一個時間段內的所有數據移動到本地服務器的數據庫中，以方便必要時的查找和調用。

2.2 數據過濾層

根據前文描述，本地服務器緩存的每個槽位內部又針對每個傳感器所采集的不同數據被劃分成若干個獨立的內存空間。經過數據收集層，相應的數據已經被存入緩存中。其中，主傳感器采集的傳感數據形成危險系數函數的自變量矩陣，記為：

其中，i表示i組主傳感器的傳感數據，1,2,…,n表示同一組在不同采集時間點采集到的傳感數據。同時，輔助傳感器采集到的傳感數據會形成參數矩陣，記為：

其中，j表示j組由不同的輔助傳感器采集到的傳感數據，1,2,…,n表示同一組在不同采集時間點采集到的傳感數據。如果將自變量矩陣S和參數矩陣P進行組合，就可以得到危險系數函數的輸入，共由i+j個在同一時間點采集到的傳感數據組成。

當數據整合完成之后，需要意識到，只可能在理想狀況中才能保證所有采集數據百分之百的準確度。在實際情況中，輸入集合中可能會參雜一些由于網絡原因而導致錯誤的數據。對于這些數據，如果只進行獨立的分析可能難以分辨出其是否有效，因此，文中在這里添加了一個過濾器，對數據的準確度進行判斷。同時，引入一個相關數據集，作為數據準確度判斷的依據。

相關數據集存有大量主傳感器和輔助傳感器所采集到的歷史數據，其維護和更新由遠程看護端完成。如圖2中的過濾層所示，過濾器將某一時刻的數據集中，選取有代表性的場景參數，并依據這些場景參數，在相關數據集中尋找該場景下的數據有效范圍。根據這個范圍，進入自變量矩陣尋找所采集到的數據是否在這個有效范圍內。通過這個過濾器，可以在一定程度上避免無效數據對結果造成的干擾。

圖2 數據過濾層

同時，在實際應用中，傳感器在傳回相關傳感數據的同時，還會回饋一些反映自身工作狀態的數據。因此，數據采集層采集到的數據就可以分為反映傳感器自身工作狀態的靜態數據和反映老人生活狀態的動態數據流。如果將這兩種數據都當作危險系數函數的輸入而長時間的保存在緩存中，一方面會提高危險系數函數的復雜度，另一方面還會占據緩存空間。

為了解決這一問題，在這里設計了一個分類器，經過過濾器過濾后的有效數據將進入分類器進行分類。分類器包含了靜態數據特征庫，數據流特征庫和學習機制。通過將數據與特征庫進行對比，靜態數據和數據流得以區分。對于靜態數據，分類器會將其直接從緩存中移入數據庫，作為日后維護的數據源，同時釋放其占用的緩存。而數據流將繼續存儲在緩存中，作為危險系數函數的輸入。其中，來自主傳感器的自變量矩陣S將被作為VAR的解空間，而來自輔助傳感器的參數矩陣P將為解空間提供相應的參數。除此之外，由于學習機制的存在，特征庫的數據可以根據情況被實時更新，以持續獲得更加準確的分類結果。

在此基礎上，數據過濾層將參考相關數據集，根據主傳感器的某一組數據的取值，為解空間進行等級劃分。由于所有解空間的數據都會被視為VAR效用函數的輸入，所以算法的準確度并不會由于選劃分等級的依據不同而產生變化。利用相關數據集中該組數據的最大值和最小值，就可以進行等級的劃分。則每個等級的數據集的上下限分別為：

其中，x表示當前等級數，總等級數為X，M和N為數據集的上限和下限，L(x)min和L(x)max分別表示當前等級數據集的下限和上限。

因此，每當緩存中的一個槽位存入相應的數據，這些數據就會被劃分進一個相應的等級，而這種等級劃分將會作為構造鄰域或重構鄰域時的依據。

2.3 數據分析層

本節將描述VAR如何進行數據的分析。首先，分析了危險系數函數的設計思想；之后，將詳細討論VAR如何進行數據分析，以及相關細節環節的設計；最后進行仿真實驗。

2.3.1 危險系數函數

危險系數函數是一個以主傳感器的傳感數據為自變量，輔助傳感器的傳感數據為參數的反映老年人在某種環境下的某個動作、行為或生理狀態的危險程度的復雜函數體，記為：

R=f(x1,x2,…,xi|p1,p2,…,pj)

其中，x1,x2,…,xi表示某一時間點i個主傳感器采集到的傳感數據，p1,p2,…,pj表示相應時間點輔助傳感器采集到的傳感數據。兩者組合成危險系數函數的輸入。

危險系數函數的設計依據是醫學臨床數據和不同環境中各個元素的作用。其設計的核心思想是利用輔助傳感器所收集到的環境參數確定環境對主傳感器所收集到的數據的影響，并且在這種情況下，對主傳感器所收集到的數據進行評判[11]。

危險系數函數輸出是一個閾值，當閾值越大時，老人相應狀態的危險程度越高。當危險系數增大到一定程度時，就會向遠程看護者報警。稱發出報警信號的界限為危險系數警戒值，記為Rth。例如，如果閾值的范圍是[0，100]，危險系數警戒值Rth是90，那么由函數計算出的閾值在[0，90]的范圍內時，認為老人處于正常的生活狀態，而當閾值大于90時，將認為老人處于危險狀態，向遠程看護者報警。

在數據處理架構中，危險系數函數將被作為VAR的效用函數。因為危險系數函數本身較為復雜，而主傳感器所收集的數據又需要經過此函數才能得出最終的危險系數推斷，所以選擇一個合適的算法對數據進行此類較為復雜的計算分析就顯得非常重要。文中利用RVNS隨機選取局部最優解和鄰域的重構，在保證準確度的前提下，提高了分析的效率。

2.3.2 VAR算法

當對原始數據的等級劃分結束后，VAR會根據當前全局最優解，為RVNS劃分鄰域。具體的說，系統會隨機從解空間S中選取初始全局最優解(當前全局最優解)，即某一時間點主傳感器采集到的數據{x1,x2,…,xi}，記這個集合為X。根據X所在的等級，記為L(p)(p∈[1,max])，和其他數據相應的等級，構造出的鄰域結構為N(X)。如果第i個采集時間點所得到的相應數據所屬等級為L(q)(q∈[1,max])，則該組數據將被歸入Nk(X)，其中

k=|L(q)-L(p)|

在每一輪RVNS開始前，緩存中的每一組數據都會根據初始全局最優解(當前全局最優解)X劃分進入相應的鄰域，且初始全局最優解經過危險系數函數運算后得出的危險系數將被記錄。當新的一輪RVNS開始后，隨機從第1個鄰域N1(X)中選取一組局部最優解X'，并記錄X'相關數據經危險系數函數運算后得到的危險系數。如果有X'得出的危險系數高于由X得出的危險系數，則認為X'的相關數據記錄的老年人的生活狀態或生活環境，更需要被關注。此時，當前全局最優解X會被當前局部最優解X'取代，并在下一輪RVNS開始前，根據新的全局最優解重構鄰域。特別的，當這個危險系數達到或超過危險系數警戒值時，表明需要引起遠程看護端的足夠重視，系統將會立即通過公共網絡向遠程看護端報警。反之，如果由當前局部最優解X'得出的危險系數的值小于當前全局最優解，則會進入下一個鄰域繼續搜索。

RVNS選擇分析的過程與根據時間順序進行數據分析的思想不同。RVNS所選擇的數據組并不是按照本地服務器接收數據的順序，而是從可以系統變化的鄰域中隨機選取[12]。在這種情況下，當計算相當復雜時，有更大的機會發現最新的危險情況。也正是由于數據的選取存在一定的隨機性，導致有一定的概率會無法在一輪RVNS分析中就選擇到表示可疑危險情況數據組。

2.3.3 仿真實驗和結果分析

本節通過仿真將VAR的性能與FIFO[13]做了對比。在模擬中，選取了UCI(University of California Irvine)機器學習庫中被認為心律失常的心率數據，并以此作為級別劃分的依據。為老人行為設置了兩個場景：室內家庭和室外操場。在這兩個場景中部署多個傳感器，來檢測不同的環境因素，如溫度、濕度等。VAR的危險系數函數返回一個閾值，閾值范圍為[1,100],危險閾值則為90。

本節共進行了兩組對比仿真。第一組中，在不同的時間點采集從仿真開始到該時間點為止所分析出的最大危險系數，即危險系數函數的輸出。在該組仿真中，每組數據的分析需要花費5至10秒鐘，采集時間點分別為100 s，200 s，300 s，400 s，500 s，600 s，700 s，800 s，900 s，1 000 s，1 100 s，1 200 s。仿真結果如圖3所示。

圖3 危險系數與運行時間

在第二組中，改變每組數據的平均分析時間，觀察數據在被分析前的等待時間。在該組仿真中，每組數據的平均處理時間為5 s～12 s。仿真結果如圖4所示。

圖4 平均等待時間與平均處理時間

從圖3和圖4中可以看出，VAR能在更短的時間內分析出較高的危險系數，并且其數據等待處理的時間較短。

由于數據處理量較大，其處理時間大于數據到達間隔[14]。在這種情況下，傳統的FIFO隊列中的數據將越來越多，導致數據在被處理前的等待時間變長，平均處理時間增長較快。而在VAR中，由于數據經過鄰域重新組織，當數據采集量增大，平均處理時間增加平緩：相比于FIFO隊列，能在更短時間內分析出危險數據，縮短了數據的平均等待時間。

3 結束語

為了應對未來ZigBee生活輔助系統中大量數據的快速分析和處理以及造成的網絡負載加重等問題，提出了一種新型的數據處理架構。此數據處理架構能在數據量較大，計算較為復雜的情況下，快速地分析和選擇異常數據。同時，將RVNS引入到數據分析和處理領域，通過改變傳統的RVNS終止條件，設計一個適合生活輔助系統遠程看護應用的數據分析算法VAR。在以后的研究中，將重點關注危險系數函數的設計，如何能在保證準確率的基礎上簡化危險系數函數。