面向獨居老人的智慧居家養老系統設計與實現

劉海亮，何雅琳，陳堅豪，錦標，彭 劍，李 丹

（韶關學院 信息工程學院，廣東 韶關 512005）

0 引 言

第七次全國人口普查結果顯示，中國人口老齡化趨勢進一步加劇。隨著人口老齡化的趨勢加劇及社會經濟的快速發展，絕大多數老年人由于情感、生理機能等原因優選居家養老。我國獨居老人數量逐漸增多，甚至殘障或失能的獨居老人占到六成以上，他們的自理能力受損嚴重，健康狀況不容樂觀。我國的養老保障體系和養老設施建設仍然不夠完善，且傳統的養老模式已不足以滿足現今社會的養老要求，智慧居家養老系統應運而生。武漢僑亞愛爸媽居家養老服務設施具有老人GPS定位、自動體檢、子女及時查看家中監控等功能，但產品人性化服務方面還有待提升；國外產品大多針對養老院，如日本的“真心香里園”使用了大量智能家居設備，結合遠程醫療終端和智能機器人，可以最大程度給老人提供貼心服務，但設備價格較為昂貴，并不適用于中國居家養老社會現狀。針對我國家庭養老技術問題，本文設計了一種面向獨居老人的智慧居家養老系統，旨在為解決家庭養老問題提供一種新的選擇。

1 系統需求分析與方案設計

1.1 系統需求分析

為滿足智慧居家養老需要，智慧養老系統在實現基本功能的基礎上還應考慮人性化設計，使其滿足老年人其他需求，需求分析如下：

（1）老人可以通過語音與家居網關交互，同時優化語音識別系統，使語言命令的設定符合老人的生活習慣；

（2）手環上設置一鍵呼救功能，老人面臨危險時可及時呼救；

（3）子女可以通過APP和微信小程序端查看室內環境數據、健康參數和老人居家實時圖像；

（4）醫生可以通過Web網頁及時了解老人的疾病信息；

（5）對老人的健康監測信息進行收集和分析，并進行疾病預測。

1.2 系統方案設計

文中設計的面向獨居老人的智慧居家養老系統由家居網關、手環終端、客戶端及服務器端組成。

家居網關采用Raspberry Pi 3B作為主控，實現視頻傳輸、百度語音交互等功能；采用STM32F407芯片設計手環，通過WiFi將采集的心率和血壓上傳到服務器OneNET云平臺，并設置一鍵呼救系統。客戶端包括小程序、APP和Web端，可滿足用戶在不同場景下的需求，在客戶端可以通過API接口實時獲取云平臺數據，以及遠程控制家居網關和手環；服務器端采用OneNET云平臺，實現數據的云存儲、上傳和下發，并通過GA-BP神經網絡對健康信息進行疾病預測。項目結構如圖1所示。

圖1 系統方案設計

2 系統硬件設計

2.1 智慧家居網關設計

2.1.1 Raspberry Pi 3B主控設計

智慧家居采用64 位四核 ARM Cortex-A53架構的Raspberry Pi 3B主控板，其配備1 GB LPDDR2存儲器，集成了以太網、攝像頭、顯示器等接口，還具有雙頻WiFi和低功耗藍牙功能，強勁的配置與通信能力為智慧家居的設計與實現提供了良好的開發環境，其架構如圖2所示。

圖2 Raspberry Pi 3B硬件架構

2.1.2 環境、安全、健康一體化服務

利用空氣傳感器MQ-135監測室內是否存在有害氣體；通過煙霧、可燃氣體傳感器MQ-2判斷可燃氣體以及煙霧的濃度，當其濃度高于安全閾值時，通過SIM900A自動向監護人撥號求救；配備BH1750和DHT22，分別監測室內光照強度和溫濕度，并通過百度語音交互來詢問開關燈及推送定時服藥提醒、最適穿衣等信息。

2.1.3 視頻采集與傳輸

采用USB攝像頭高速捕獲室內環境圖像，將圖像通過USB總線傳輸到Raspberry Pi 3B處理器中，再以MJPG的方式進行壓縮處理，打包生成UDP包，最后通過WiFi接口將數據傳輸到MJPG-streamer視頻流服務器，輔助監護人遠程監察老人的生活情況。采集與傳輸過程如圖3所示。

圖3 USB攝像頭采集與傳輸視頻過程

2.1.4 百度語音交互

本設計引入百度智能云的語音識別技術，其采用了類似神經網絡的深度學習算法，實現了更高的識別精度。首先在百度智能云進行語音識別和語音合成配置，然后添加健康講座、新聞廣播等語義技能；當喚醒詞被MIC識別后，將運用Snowboy實現語音喚醒，然后開始錄音，錄音被轉換為WAV音頻流文件，通過調用百度API上傳至云服務器，匹配相應的語義技能。百度語音交互原理如圖4所示。

圖4 百度語音交互原理

2.2 智慧手環網關設計

2.2.1 STM32F407主控芯片

智慧手環采用STM32F407作為主控芯片，相比STM32F1系列芯片，其具有更先進的內核、更高的性能和更低的功耗，它的高速性處理能力適用于健康檢測對心電信號的本地處理分析。

2.2.2 健康檢測

血壓心率傳感器采用MKB0805，它具有自動增益、穩定性高、自動佩戴識別和脫離無輸出功能；其使用了MCU算法，植入了心率血壓算法，直接輸出串口UART信號，簡化了編譯的工作量，簡單可靠，方便使用。

2.2.3 數據采集和上傳

運用MKB0805監測老人的心率和血壓，將數據發送至STM32，再通過MQTT協議將其以數據流的形式傳送到OneNET云平臺。圖5所示為心率和血壓上傳至OneNET云平臺的過程。

圖5 心率和血壓上傳至OneNET云平臺流程

3 客戶終端軟件設計

客戶終端由Web網頁端、Android軟件開發和微信小程序組成。監護人通過APP和小程序獲取老人和居住環境的參數；醫生利用Web網頁查看病人的健康數據并管理病人。

3.1 Web網頁端

Web網頁基于Vue.js技術開發，運用HTML、CSS、JS進行頁面的基本布局，結合Ajax、Node.js等技術渲染頁面。該網頁主要包括登錄界面、老人管理界面和實時數據界面，如圖6所示。

圖6 網頁操作功能

3.1.1 登錄界面

用戶登錄后可進入系統主頁，該界面對用戶登錄進行驗證，建立Session會話，采用Ajax技術為登錄表單設置請求地址和請求方式，與數據庫的賬號信息進行對比，通過對比進入系統主界面，否則返回登錄錯誤信息。

3.1.2 老人管理界面

該界面對用戶負責的老人進行管理，用戶可對管理的老人進行添加和刪除操作，點擊頁面“添加”或“刪除”按鈕后，通過表單對數據雙向綁定，對數據庫進行插入并刪除信息。

3.1.3 實時數據界面

該界面負責將獲取的最大心率以及靜息血壓實時數據展示給用戶，采用折線圖和柱狀圖等形式對數據進行可視化處理。選用Ajax技術，通過XMLHttpRequest對象向OneNET云平臺發送異步請求，調用相應的API獲取數據，數據以JSON格式返回JavaScript代碼區，處理獲取的數據并填充到對應DOM區域。

3.2 Android軟件開發

APP用于實現對室內監控及環境參數的實時獲取、查看老人身體健康狀況和遠程服藥提醒。

3.2.1 實時接收數據模塊

該模塊負責從OneNET獲取數據并展示在界面，該界面主要包括上下兩部分。下半部分為視頻監控區域，其負責跳轉到MJPG-streamer視頻流服務器；上半部分為環境參數、老人健康監測區域，采用調用API的方法獲取數據并顯示到數據區域。

3.2.2 語音提醒模塊

該模塊負責對設備語音功能的控制，主要用來提醒老人按時服用藥物。本界面使用了Button組件并對其設置了監聽事件，當用戶點擊“提醒服藥”按鈕時，將調用API給OneNET云平臺下達命令，從而提醒老人服藥。

3.3 微信小程序

微信小程序的開發與實現，極大地便利了監護人查看環境參數，及時了解老人身體狀況的需要。微信小程序具有如下功能：

（1）環境安全監測。在微信小程序端可以查看采集的環境參數，一旦有害氣體超過閾值，立即提醒老人及監護人。

（2）老人健康監測。通過MKB0805血壓心率測量方案實現采集老人血壓、心率數據的功能，同時可利用小程序實時掌握老人的健康情況。

圖7所示為微信小程序操作功能圖。

圖7 微信小程序操作功能圖

4 GA-BP神經網絡心臟病預測算法

先將心臟病數據集劃分為訓練樣本和測試樣本，然后組建網絡，接著通過遺傳算法求解最優的權值和閾值，將最優解代入BP神經網絡，再運用訓練樣本進行多次試驗，得出一個擬合效果良好、預測精度較高的GA-BP神經網絡模型，最后利用測試樣本進行仿真，分析模型的可行性。

4.1 實驗數據集

選取阿里云天池開源數據集Heart Disease UCI，根據相關性分析，引用了其中的年齡、性別、胸痛類型等13個特征屬性和1個類別標簽，數據集經過清洗與轉換后，得到303條有效數據。實驗中隨機抽取80%的數據作為訓練樣本，將剩余的20%數據作為測試樣本。

4.2 數據歸一化處理

由于Sigmoid函數的取值范圍為[0，1]，故BP神經網絡對此范圍內的數據最靈敏，同時又因為特征屬性的數值之間存在量綱或量綱單位的差異，因而在對網絡訓練之前需要對輸入、輸出數據進行歸一化處理。

程序如下：

4.3 GA-BP神經網絡的設計

4.3.1 隱含層節點數的確定

隱含層節點數可由式（1）確定：

式中，、和分別為輸入層、輸出層和隱含層的節點數，實驗中取13，取1，的值為4。

4.3.2 搭建BP神經網絡

為增強網絡的表達能力，論文中選用非線性函數logsig作為隱含層的激活函數，在輸出層選用線性函數purelin，以trainlm作為訓練函數，搭建三層BP神經網絡。

程序如下：

4.3.3 遺傳算法優化BP神經網絡

以隱含層和輸出層的權值及閾值4個變量形成一條基因鏈，通過實數編碼法對其進行編碼，然后結合選擇（繁殖）、交叉（重組）、變異（突變）操作算子，評估個體適應度，最后通過演化求得最優解。優化過程如圖8所示。

圖8 遺傳算法優化BP神經網絡的過程

4.3.4 網絡訓練

獲取最優權值閾值后，接著完成網絡的訓練。程序如下：

期望值與預測值間的線性回歸結果如圖9所示。

圖9 預測值與期望值的線性回歸曲線

預測值與期望值的相關系數高達0.886 48，訓練結果表明，該模型的擬合效果良好，模型具有較高的預測精度。

5 系統測試

5.1 數據分析端

表1列出了部分測試樣本的期望值和預測值，以及兩者的誤差值。

表1 預測值與期望值對照表

表1測試樣本中的15條測試結果，實驗中61個測試樣本得到的平均誤差為0.1620，倘若視誤差低于平均誤差0.1620的情況為預測準確，則有46個測試樣本滿足條件，高達75.41%。該GA-BP神經網絡模型具有較高的預測精度，在中老年人心臟病預測中效果顯著。

5.2 居家養老系統

手機遠程實時觀察樹莓派采集的視頻，如圖10所示。

圖10 手機遠程實時觀察樹莓派采集的視頻

5.3 智慧手環端

OneNET云平臺存儲的數據如圖11所示。

圖11 OneNET云平臺存儲的心率和血壓值

5.4 Android端

APP首頁、用戶界面、用戶登錄界面、用戶注冊界面和手機登錄界面如圖12所示。

圖12 APP各界面效果

5.5 微信小程序端

圖13為微信小程序首頁效果圖。

圖13 微信小程序首頁效果

5.6 Web端

Web數據可視化效果如圖14所示。

圖14 Web數據可視化效果

6 結 語

本文通過介紹面向獨居老人的智慧居家養老系統的設計與實現，體現了該系統在生活中的實用性及其可行性。通過智慧手環和GA-BP神經網絡對老人日常健康檢測及心臟病風險預估進行了算法分析，子女和醫生可通過客戶端實時了解老人狀況并為其制定健康方案。該系統既有利于子女對老人居家環境的監管，又有助于醫生對老人健康狀況的檢測，有效降低了老人患心臟病的風險，促進了醫療方案的精準化。