智慧养老计算环境研究状况的回顾

张佳骥　赵海英

1(中国电子科技集团公司第五十四研究所　河北 石家庄 050081)2(杭州南鸿通信技术有限公司　浙江 杭州 310012)



智慧养老计算环境研究状况的回顾

张佳骥1,2赵海英2

1(中国电子科技集团公司第五十四研究所河北 石家庄 050081)2(杭州南鸿通信技术有限公司浙江 杭州 310012)

居家养老目前仍为老年人首选的养老方式。在传感器、通信和计算机技术快速发展的今天，这些技术将在智慧家庭中为老年人提供健康服务，起到应有的作用。从近年来有关的研究中整理归纳与居家养老有关的概念，介绍有关的传感器、通信和计算技术的发展成果；重点分析数据处理采用的方法和技术。将数据处理方法分为基于规则的方法和统计学方法两大类；分别介绍各类中一些典型实例，总结各自的长处和不足，并指出方法研究所面临的关键问题。此外还就研究途径提出新的建议。

智慧家居独居老人日常生活活动行为识别活动识别基于规则的方法统计学方法

0　引　言

伴随着科学技术与人类社会的发展，人的寿命随之增长，而老年人在整个人口中所占比例不断增加。据估计，工业化国家中65岁以上老年人占人口的比例已经超过20%[1]。而在中国，2013年老年人口数量突破2亿大关，达到2.02亿，老龄化水平达到14.8%[2]。空巢老年人口2013年突破1亿人口大关，占老年人口数量的50%。

老龄化社会所面临的一个普遍问题是：伴随人类平均寿命增长，各种老年病及发病数量随之增加；由此产生对于老年人保健的新需求。当前，社会养老机构的发展跟不上老龄化发展的需要；而居家养老能够使老年人在熟悉的居住环境下生活，保持原有的生活习惯；这样将更有益于老年人自身的身体和精神健康。所以，居家养老目前仍然为主要的养老方式。与居家养老有关的健康监测等保健设施的发展，尤其是最急需的独居老年人的健康监测的研究，已经引起了相当广泛的重视。

当今传感器技术、计算技术以及通信技术高速发展，各种传感器和多种通信网络已经为远程监测老年人居家活动情形提供了物理设施的基础；而日益发展的计算技术将为满足居家养老所面临的多样化与多变需求提供智慧或者人工智能解决方案。

伴随着技术的发展与研究的深入，与居家养老有关的技术产品已经从最初的一键(人工)报警设备，进而到人体的跟踪与定位装置；现在已经聚焦到对人的健康状况的自动监测系统上来。这种对于健康状况的监测系统又存在侵入式和非侵入式之分。所谓的非侵入式是指对于老年人的生活习惯而言，自动化系统不会产生任何影响。例如，不会像可穿戴设备那样，对人提出额外的穿戴方面的要求；也不会像视频监视那样，使人产生对于隐私方面的疑虑。目前，非侵入式系统日渐成为研究的主流。

居家养老系统的应用涉及老年人、老年人的家人、健康管理机构和服务提供机构以及医疗机构。其中，老年人自身是系统中被监测对象。所以，人的行为将因人而异是系统研究所不能回避的一个主要特点。

1　概念和术语

研究健康状态自动监测系统通常需要通过对被监测对象—居家老年人的日常生活活动ADL(Activity of Daily Living)的测量，经过分析，判断老年人的健康状况。日常生活活动是指人们在每日生活中，为了照料自己的衣、食、住、行，保持个人卫生整洁和进行独立的社区活动所必须的一系列基本的活动，是人们为了维持生存及适应生存环境而每天必须反复进行的、最基本的、最具有共性的活动。具体又分为基本ADL和工具性ADL。基本ADL指日常生活中最基本的活动，如穿衣、进食、保持个人卫生等自理活动和坐、站、行走等身体活动。一般为比较粗大的、无需利用工具的活动。工具性ADL是指为了在家庭和社区中独立生活所需的关键的、较高级的技能，如操作卫生和炊事用具，使用家庭电器、骑车或驾车、处理个人事务等，大多为需要借助工具的、较精细的活动。

行为与活动的词义相近。在研究机构养老时，将与ADL有关的行为分类为必需行为、静养行为、休闲行为、社交行为和照料行为[3]。其中，必需行为包括饮食、如厕、美容洗浴、整理家务和睡眠；静养行为包括无为发呆、眺望观察和小憩；休闲行为包括个人兴趣、阅读、视听、散步运动和宗教；社交行为包括交谈、集体娱乐、社会作用、家人探访和设施活动；照料行为包括家务协助、个人照料、护理照料和医疗照料。

传感器事件也简称事件，它指的是一次传感器的被触发事件。

场景在这里指构成行为的一系列动作，或者是一系列的传感器事件，依具体情形而定。场景具有过程的连续性特点。通常情形下，与日常生活中活动有关的场景具有并发性。例如，备餐活动与饮水活动并发进行，或者二者甚至更多的活动交替发生。

通常，日常生活中的活动存在节奏(节拍)，像吃饭、睡眠等，都具有一定的周期性。人的行为受到自然(环境)、生理与社会因素的影响与制约，这些因素都具有周期性的性质。例如，昼夜、四季、食欲、消化、睡眠、苏醒、工作等无一不具有各自的周期特点。而对老年人来讲，社会因素的影响减弱，导致其周期性规律益发单纯而明显。存在周期性并不代表所有的活动都有规律可循。有些活动的发生是随机的，例如移动物品、听音乐、发呆等。周期性规律是智慧养老系统研究中需要寻找和加以利用的依据;而随机性是处理过程中不容忽视的因素。

生活自理能力是指无需他人帮助，自行完成日常活动的能力。在依据Bathel指数制定的自理能力评定量表中，视被评定者是否能够独立完成进食、洗澡、修饰、穿衣、控制大小便、如厕、移动、行走、上下楼梯这几项活动的程度来评定自理能力[4]。

上下文(context)是指影响老年人日常活动行为的各种环境与其他因素。这些影响因素包括：季节、气候、周日、居住地(如居住于城市/乡村)、参加社交活动(如上老年大学、参加文艺活动等，这些都将影响老年人是否外出)、健身(中国老年人往往晨练或晚间散步)、喂养宠物(宠物同样会产生活动，这将影响到某些传感器测量效果)等。

2　居家养老系统

2.1系统组成

存在各种各样的独居老年人居家养老系统，下面给出的居家养老系统并非指某个实际系统，而是经过抽象后的系统，它可以作为实际系统设计时的参考。

狭义的居家养老系统由传感器单元、内部通信网与数据处理单元三个主要部分所组成(广义的系统再加上外部通信网、服务器、手机等)。图1为居家养老系统的组成示意图。居家养老系统包括多个采集被测量对象参数的传感器单元、一个数据处理单元、一个司职传感器与数据处理单元通信的内部通信网，并涉及负责数据处理单元与服务器及外部用户通信的外部通信网。数据处理单元对由传感器采集的数据进行处理，产生所需告警信息，同时还需将有关的处理结果送至服务器。

图1　居家养老系统组成示意图

系统的外部还涉及服务器和手机、PC机等终端。服务器通常置于居民小区中，存储多个居家养老系统数据处理单元所传送的数据；通过机器学习更新有关的模型(如行为模式)；并将更新后的模型或者有关模型的参数发往各个居家养老系统。服务器的另一个作用是为医疗机构、管理部门等进行大数据分析计算以及查询提供所需的数据和计算环境。手机通常为老年人亲属或社区及机构服务人员(以下统称照料者)用来接收告警信息。PC机通常作为医疗机构、养老机构或者救援机构(当然也可以直接拨打报警电话请求救援)接收告警信息之用。取决于系统的设计规模，服务器部分也可以是选项。

2.2工作原理

居家养老自动化的应用目的通常有两个：一是避免偶发事件造成严重后果；二是延长独居老年人健康自理或者独立生活年限。下面以一个正常活动(行为)场景和一个异常活动场景来说明系统的工作原理。此外，初始场景可用作对于系统学习或训练期间的工作情况的说明。

正常场景下，表征老年人行为的各项日常活动像往常一样发生，或者说没有出现跌倒以及其他意外。这时，各传感器监测与各项活动有关的参数，产生传感器事件；并将其经内部网络传送至数据处理单元。传送至数据处理单元的数据按照时间先后形成数据序列。数据处理单元将此序列与积累的表示正常模式的活动历史进行比对；比对结果表明偏差在可以接受范围之内。此后，判定老年人的行为正常，不产生告警。数据处理单元将利用新收到的数据更新本地模型的有关参数，并按照规定时间间隔将处理后的数据(序列)发往服务器。服务器则根据多个养老系统送来的数据更新整体模型。

异常场景下，表征老年人行为特征的部分或者某项日常活动呈现不同寻常，或者出现跌倒这样的意外。此时，数据处理单元将传感器采集的数据与正常模式比对后，出现显著或者较大偏差(例如，超过某个阈值)。此时，判定老年人的行为出现异常，产生告警并将告警信息发出。照料者通过手机或者医疗服务机构通过PC机收到告警信息后，通过本系统询问或者采取相应措施。

输出的告警信息分为两种情形。紧急或者意外情形的告警通常是在危险已经发生时的告警，例如老年人在家中跌倒时的告警。另一种是预警，它通常是在老年人日常生活的周期性或者规律性发生变异或者偏离时产生的。这种变化有可能是慢性病变、生活自理能力下降等引起。

对于告警信息的响应需要根据具体情形分别处置。可以将告警信息分为四级[5]。这些分级是：1) 轻微异常(Mild Abnormality)：这时，老年人的行为与正常情形略有偏差，例如夜晚起床次数增加、未淋浴即入睡等。告警信息可送往照料者。该项告警为可选。2) 警告(caution):警告表明发生略比轻微异常级严重的事项，例如冰箱门未关闭、水龙头长时间打开、大门夜间未锁等。警告层的告警建议需要有人介入；例如由照料者上门探望或者与老年人电话联系。3) 警报(High Alert)：当两种以上从传感器提取的参数都产生警告时，警报形成。这表明居住者处于危险中，需要有人在身边。这样的例子如夜间床上活动异常之后起床动作异常，紧接着行走姿态不正常的组合发生。该级告警一般需要有人上门探望。4) 紧急(Emergency)：第四级是最严重的情形，例如检测到跌倒、出现燃烧气味或者睡眠时出现呼吸骤停。这时，需要立即联系相应的急救部门上门救援。

初始场景下，系统中还没有足够的数据。由于系统中模型的特点通常因人而异，所以还需要更多的数据来构造或者更新模型才能导致其可用。这时，系统初始工作过程中传感器所采集到的各项活动有关参数形成的数据序列，被用作系统的学习(训练)数据。系统利用这些数据更新模型。直至到达规定的时间之后，系统方可转入工作状态。

2.3传感器

居家养老系统可以使用的传感器种类很多。可以将其按照获取测量数据的方式分为主动传感器与被动传感器，也可以有其他分类方法。本文将按照被测对象分为人体测量传感器与环境测量传感器。

人体测量传感器包括视频传感器(摄像机)、红外运动传感器、无线电测量传感器、声音传感器，还有若干可穿戴传感器以及医用传感器。压力传感器也可归于此类,或者两类皆可。

视频传感器设置于室内视野开阔处，用来获取连续的图像；也可以用来检测对象的运动状态，例如人的运动状态。红外运动传感器为热释电元件组成的被动式无线红外线探头，它可以探测人体辐射的波长为9 ～10 μm的红外线。将其设置于室内视野开阔处，一般用以测定人是否位于某室[6-8]。

无线电测量传感器探测距离较近，一般设置于距人体较近处。它可以用来检测肢体的动作，经过处理后，还可以获得人的呼吸、脉博等参数。压力传感器通常置于物体下面或者表面，当人对物体产生压力时，用来测量有关的受力情况[9,10]。

可穿戴传感器又有许多不同类型，如手套传感器、手表传感器等。它们可以用来测量人的体温、脉搏、肤色、运动的加速度等[11]。这类传感器的另一个特点是可以不限于在家中使用。

医用传感器亦有较多种类。它们用以测量人体的某些参数，如血压、脉搏、体温等。这些传感器属于专用传感器，使用上会有某些特殊要求。由于存在这些限制，医用传感器通常较少在居家养老系统中使用。

环境测量传感器包括电器监测传感器、流量传感器、开关传感器、RFID等。

电器测量传感器连接在家用电器电源接线端，测量电器的打开(on)与关闭(off)，如测量电热壶的开闭[12]。流量传感器如水流量传感器被连接在流体管路进入处，用以测量使用时流体的流量[13]。开关传感器放置在门、窗处，检测其开闭情况。例如，放在房门处检测房门的打开与否；放在电冰箱门处检测电冰箱的使用情况。

RFID是射频识别的缩写。RFID传感器分为RFID标签(Tag)与RFID阅读器(Reader)两部分[14]。通常将RFID标签放置于物体处，而RFID阅读器被人所携带(或者穿戴)。当携带RF阅读器的人接近贴有RF标签的物体时，即可获得与该物体有关的信息，以此判定人出现于某处。

2.4通信传输

居家养老系统的通信传输涉及寓所内部通信和系统与外部的通信，分别称为内部通信网与外部通信网如图1所示。系统对外部通信涉及与服务器和手机、PC机等终端的通信，可利用的通信网络或者方式有互连网、无线保真(Wifi)、移动通信网、固定电话网等。一般这些外部网络均为已经布设到居民区的现有网络，与其连接主要涉及接入方式与接口。

内部通信网用于在传感器与数据处理单元之间传输数据，通常也称为传感器网络。在通信方式上，可以采用有线、无线、红外和光等多种形式。可资利用的标准网络或者接口有蓝牙、低压电力线载波通信、ZigBee[15]、IRDA(InfraredDataAssociation)、Wifi等。

2.5数据处理

数据处理涉及传感器数据的预处理、实时处理以及事后处理。

预处理包括：为节约带宽而进行的过滤、重采样等对原始数据的筛选，为规范化而进行的编码处理以及加密等。

实时处理的目的是当异常出现时适时产生告警信息；后处理则涉及与统计模型有关的对历史数据的累积计算或者数据挖掘。两者都与所运用的处理方法和技术有关，将此放在下一节中讨论。

2.6服务器

服务器是系统中的选项、当养老系统规模较小、作用单一时也可能并不设置服务器。但是，随着系统的复杂性与规模不断增加，以及随着数据的积累，服务器将成为系统的重要组成部分。

服务器的作用是存储大量数据及计算。它一方面便于各种各样的用户查询，另一方面也用于对于整体模型更新时的计算(如机器学习)；以及用于各种行为、健康等模式的数据挖掘或者统计。由于服务器可能用于多种应用，涉及到多个领域，为便于向不同用户提供合适的信息检索服务，文献[16]给出相关的本体论模型结构图和信息访问方法。

3　方法或技术

居家养老系统的数据处理流程一般可以用图2表示。图中的对象辨识涉及到的对象，可能是人的动作、日常活动、行为状态、活动涉及的物品状态，也可能是某些事件或者场景。特征抽取所需要做的是抽取那些对于上述对象的区分更具有贡献的特征或者属性；而模型则与具体的处理或者辨识方法相关。

图2　居家养老系统中健康状况监测的数据处理流程

动作的识别通常用于图像处理中。其目的除识别日常活动外，多用于对某些异常动作的实时监测与告警，如对跌倒的检测与告警。

活动识别可能是识别部分活动或者个别活动，也可以是识别全部活动。通常的做法是识别部分日常活动，而且是识别对于健康状况能起鉴别作用的部分日常活动。有的文献中称其为基本或者重要日常活动[17]。行为状态或者物品状态的识别则与此类似。

由于识别全部活动往往难以实现，所以通常做法是识别部分日常活动。那么，选择哪些日常活动作为识别对象显得尤为重要。这里，既涉及有关的专业知识，例如与人体健康有关的医学专业知识，尤其是与老年人健康有关的知识，也需要考虑到技术的局限性以及系统的复杂度。由于技术原因，目前尚难以将某些日常活动加以区分，例如难以区分阅读与发呆。此外，当环境不同时，会带来额外的困难。例如，当存在宠物或者有来访者时，需要区分谁才是活动的主体。又例如，被监测者的外出也会带来判别上的困难。系统的复杂度也是必须要考虑的因素。过分复杂的系统(例如众多种类与数量的传感器)不但会使成本增加，也会带来安装与维护上的不便。

如果仅仅识别个别活动，那么首先需要确定该项个别活动对于健康状况判断的贡献。否则，方法本身是否有效存在疑问。

识别日常活动的途径既有直接识别与日常活动有关的人的因素，也有通过识别人的活动所涉及的物品的状况。其中，后一途径常常能够大大简化问题的处理。

本文将目前所研究的居家养老系统的数据处理方法分为两类：一类为基于规则的方法，另一类为统计学方法。

3.1基于规则的方法

基于规则的方法也可称为模型方法。该方法的一个特点是依赖该领域内某些特定的先验知识。目前研究所考虑的知识主要涉及人的姿态和动作、环境(区域、物品)、用具、生理参数、生活线(用量)等因素，以这些因素为特征对人的活动或者行为进行识别(强调语义特征)。无论是在对特征的处理还是对行为的正常与否的判别中，都需要做出某些人为的假设：例如传感器的测量值与人的活动特征存在某种联系，或者某些活动对于判断人的行为正常与否具有重要或关键价值。

基于规则方法的优点是可以利用专家的经验和某些知识，尤其是明显的常识。这样做的结果，往往可以使系统得到简化。规则方法的缺点是规则难以健全。规则的建立往往涉及复杂的专门知识，且复杂的规则即难以获得同时也难以表达。建立的规则往往同样需要经过大量数据的训练或者验证方可得到证实。在这种情形下，对于训练数据加注语义标记将非常困难。另外，如何在规则或模型中体现因人而异的特点，也存在相当的困难。此外，已经存在的基于规则的方法很少涉及对于行为的并发现象和随机现象的处置。以下为基于规则方法的若干典型研究案例。

法国雷恩第一大学在研究中，运用法国医学界提出的AGGIR依赖模型，对四个能力词汇STUC进行评估；它们是：自发性(Spontaneously)、完整性(Completely)、经常性(Usually)和正确性(Correctly)[18]。对每项个人日常活动，如果活动完成的条件是S∩T∩U∩C，则得分A；如果为┐S∩┐T∩┐U∩┐C，则得分C；其他情况下，得分B。A意味具备完全自治或独立能力；C意味完全依赖他人；B则存在部分依赖性。具体用若干动词描述人进行日常活动的情况。使用公式计算活动有关得分Si值后，由专用的表格依据顺序得分Si查出GIR评价分组级别。分组级别越低，则依赖性越强，由此可以判断个人独立生活的能力。分组GIR1意味完全依赖(他人)，而分组GIR6意味完全独立(不依赖他人)。

新西兰Massey大学的试验系统所用的方法是监测居住者行为所涉及的器具的使用状况。该系统假定日常活动与其所用的器具密不可分[17,19]。通过测量某些器具被使用的情况，推断出老年人所从事的某些基本活动的状况。系统中定义了与一天某时段内器具未被使用时间的实际值与统计最大值之比有关的欠使用状态函数βi；又定义了与一天某时段内器具被使用的持续时间的实际值与统计最大值之比有关的过度使用状态函数βi。设置与两状态函数各自相应的阈值，超出阈值则意味出现异常。欠使用对应活动量不足的异常，而过度使用对应活动量过度异常。由测量数据实时计算这两个状态函数值，并与事先设定的阈值对比，从而确定人的健康状况。

法国Sophia Antipolis的CSTB(Scientific Center of Technical Building)中的活动监视系统建立了包括活动、观察背景和活动体(即人)在内的三类模型。使用视频传感器和环境传感器(包括测量冰箱、门等开闭状态的开关传感器，以及置于床、沙发等处测量人的坐卧行为的压力传感器等)对居所内老年人的行为进行监视[20]。将事先建立的人的3D模型投影到包括环境3D模型(包括屋内区域、地点和设施等物体)的场景中。将其二维投影轮廓与实际的检测轮廓比较后，提取最相近者作为被观测者姿态。随时间变化的姿态组成视像事件；由环境传感器探测到的在观察背景模型中的设施状态改变(如冰箱打开)等称为环境事件；视像事件和环境事件的组合形成组合事件。活动模型由上述几类事件按照一定的顺序加上约束所构成，利用活动模型来对活动进行识别。

与上述视像处理方法类似的研究有浙工大业大学的全方位视觉的独居老年人监护试验系统。该系统采用最小外接矩形的长宽比来识别人的姿态，结合时空、环境因素判断人的行为[21]。

除通过动作和/或工具的使用来测量人的活动或行为外，还有通过使用流量传感器对日常生活所必须消耗的水、电等用量的测量来推断人的日常行为的方法。例如，加拿大的测量家用电器的有功功率和无功功率的NILM系统[22]。

日本会津大学从呼吸频率和心率对于呼吸暂停和猝死综合症的重要医疗诊断价值出发，利用置于枕头下方的液体传感器的压力信号，用小波分析算法实时计算人的呼吸频率和心率[23]。该项研究属于专业性研究，涉及有关的医疗专业知识。同样采用医用传感器的还有西班牙的使用HTPC (Home Theatre Personal Computer) 连接到电视机的远程帮助系统[24]。

在居家养老系统中，需要面对多种传感器获得的复杂数据，而且需要将医护人员的专业知识加以形式化表达。为应对上述种种困难，法国LRIT 实验室运用模糊数学方法以简化问题的处理[25]。其做法是将各种传感器的参数模糊化，也将时间等变量模糊化(例如将一天中时段模糊为上午、下午、晚上、夜间)。然后，利用模糊逻辑对于数据中隐含着的日常活动进行识别。

3.2统计学方法

统计学方法不依赖特定知识，亦不事先做出任何语义上的假设，而是直接从测量数据中的传感器事件利用数据挖掘和概率计算得到所需要的结果。虽然统计学方法也会用到某些概率模型，但不同于基于规则的方法，在这些模型中往往并未预先作出对于模型语义的假设(如活动、行为、动作等，这些信息往往不能通过传感器直接测量得到)。统计学方法计算或者处理的对象通常仅仅限于传感器事件及其关系。统计学方法中目前主要研究有(事件)序列相似度计算及预测和统计量的计算。其中，相似度计算及预测所考虑的因素不仅涉及序列自身，还涉及其时间特性(如开始时间、持续时间)；而统计量计算则考虑事件发生的次数、持续时间等。

统计学方法的优点与缺点恰与基于规则方法相反。统计学方法本质上可以体现在数据处理上因人而异的特点，而且原理上也能够自适应行为的并发(如果在数据处理时忽略完全随机的数据)。统计学方法有可能避免基于规则的方法中人为选择关注部分活动而忽略其他活动可能带来的问题。而且，用统计方法也有可能通过非监督学习来避免标记大量数据带来的困难。实践中，统计学方法在某种程度上可以避免人工对大量训练数据进行复杂的语义标记这一问题。统计学方法的缺点是难以利用有关的知识(如规则)，甚至难以利用已有的简单经验和常识。统计学方法往往在计算上还比较复杂，需要较强的计算能力和较大计算量。此外，统计学方法的实时处理能力有待进一步研究。下面介绍统计学方法的几个典型研究案例。

序列预测的一个典型是法国约瑟夫傅里叶大学TIMC-IMAG实验室有关智慧家居的项目。该项目利用统计学模型预测人在房屋内的移动，其测量数据可以得之于红外传感器[26,27]。所用的方法基于语言模型(如用于语音识别)中常用的卜里耶(Polya)模型或者马尔可夫链，建立起预测人在房屋中不同位置之间移动的模型。用卜里耶模型时，以某时刻摸取某颜色彩球的概率来代表不同位置之间转移的概率；用颜色来表示不同的位置。用马尔可夫链时，将房间或者位置作为马尔可夫链中的节点；节点之间的转移概率代表在房间之间转移的概率。然后，基于位置的历史数据预测下一时刻的位置。实验表明，区分周日(即星期几)是重要的，不同的周日对应不同的结果。多数情形下，用一阶马尔可夫模型即可得到满意结果。

序列相似度计算的一个典型是美国德州大学阿灵顿分校的研究项目。该项目将场景定义为传感器事件组成的序列[32]，在长度为n的滑动窗口中比较不同长度的两个场景或序列的加权相似度。这两个场景分别是当前场景和历史场景，后者长度比前者大许多。相似度比较时用到序列的最长公共子序列，同时还要考虑存在误码的情况。另外，还需要计及时间相似的影响(开始时间和持续长度)。将历史场景中与当前场景最相似的子场景定义为相似度得分最高的场景。对结果用接收机工作特性曲线ROC(Receiver Operating Character Curve)进行评估。另外，该校的HIS项目采用直接计算和比较序列的相似度的方法来对测量数据进行处理，从而达到发现人的活动规律的目的[1]。

美国华盛顿州立大学提出一个基于DTFRA(Discovering of Temporal Features and Relation of Activities)框架的序列聚类加挖掘的用于发现和跟踪活动的非监督方法[28]。通过这种挖掘和聚类，既可以处理事件的并发，同时还可以从大量随机数据中发现规律。实验中，使用了红外运动传感器、压力传感器和电话传感器。为了解决活动的并发或者交织，引入一个称之为DVSM(Discontinuous Varied-Order Sequential Miner)的挖掘器，从数据中挖掘非连续且顺序可变的频繁活动序列模式。通过定义一个包括编辑距离、次序距离和属性距离之和的扩展距离，利用k-均值算法对挖掘得到的频繁活动序列模式进行聚类，所得的结果作为日常活动的候选者。最后，采用多隐马尔可夫模型(HMM)的投票模型完成对活动的识别。

在该校同样基于DTFRA框架，旨在关注活动或者事件的时间关系的研究中，对于活动或者事件的包括开始时间和持续时间在内的时间特性，采用了k-均值算法进行聚类[29]。同时，采用apriori算法挖掘活动或者事件在时间上的衔接关系。另外，美国弗吉尼亚大学的SmartHouse项目在聚类时假设数据得之于数个正态随机过程的混合模型。通过对聚类结果的考察，得出有可能是日常活动的重要聚类[30]。

雅典经济与商业大学根据Allen提出的时间关系定义关联规则，运用关联规则挖掘方法，找出隐含在测量数据中的重要活动[31]。挖掘得到的规则的可信度愈高，被识别的活动的重要程度愈高。

统计量计算的一个典型是韩国国立首尔大学的Jeung-Pyeong Ubiquitous Healthcare House项目。该项目使用支持向量数据描述方法，用数据去拟合一个表征正常行为的超球体[6]。该超球体由三个行为特征构成一个三维空间，这三个特征是活动水平、移动水平和不反应间隔。其中，活动水平XAL(k)(k是时间参数)表征的是人在24小时内各位置空间内的活动量；移动水平XML(k)表征的是某时间段内，人在不同位置之间的移动量；不反应间隔XNBI(k)表征居住者活动之间间隔的时间。这些特征由红外运动传感器测量得到的数据计算得出。将计算结果映射为该三维特征空间中的一个投影点后，求得包容所有正常行为训练样本集中的数据而不包含任何异常行为数据的最小化边界。该边界形成特征空间中的一个超球体。当超球体不能总是很好地适应所给数据集的边界时，可引入概化的核函数来替代计算距离的内积函数。常用的核函数为径向基函数(RBF,Radial Basis Function)。该系统中选择用高斯核函数。超球体形成后，将其用于检测异常。当传感器测量数据映射到超球体之外时，则表示被监测的人的行为产生异常。

有许多相对简化的研究仅关注上述三个特征中的一个或者部分特征。但是，也有同时关注其他特征的，如滞留水平(与人在某房间或者空间内的持续留存时间有关)等。关注滞留水平和活动水平的例子参见文献[33,34]，关注活动水平的例子参见文献[7]。

3.3仿真

由于从传感器获得的数据不理想，且数据丢失/缺失严重。同时，由于存在所谓的模型困境，即系统模型缺少足够的训练时间和缺乏足够的真实场景，尤其是缺少异常场景。所以，欲使系统得到验证，需要构建仿真系统，以提供具有某种特定规律的数据。

法国AILISA项目构建基于理想传感器的仿真系统。该项目从搜集到的传感器数据中，通过聚类产生仿真的随机过程所需要的参数[35]。具体是从数据中计算出HMM(隐马尔可夫模型)转移矩阵和发射(emission)矩阵的参数；再经由此所定义的不同函数以分别产生仿真数据。与之不同，英国诺丁汉特伦特大学还增加了对变化趋势的仿真[36]。

4　面临的挑战

考虑居家养老系统包含可信程度在内的可靠性时，不但需要考虑传感器等设备的可靠性，更需要考虑到测量数据与健康状态的关系实际是一个不确定性问题；尤其在考虑到问题本身因人而异的特点时更是如此。那么，系统中所提出的假设以及所依据的原理是否合乎逻辑并具有普适性；或者所用方法在什么样的条件下适合什么样的人群；以及将采取何种措施以自适应不同上下文和不同个人等；这些都是进行研究时必须要回答的问题。从系统的作用上看，上述问题将影响到什么情形下触发告警，引发告警的事件具有怎样的严重程度；以及需要何人做出何种响应等。毫无疑问，遗漏重要的意外情况将导致系统失效；反过来，过多虚警也会使系统得不到应有的信任而失去作用。以对事件进行预测为例，如果精度为百分之一量级(看起来很高)，而时间量纲为秒时，则百分之一的误差意味虚警或者误报多达每天数百次。

系统应该可以得到验证。这一点对于居家养老系统来说，并不是一个简单问题。以数据验证为例，首先应该明确检验所用的度量有哪些(如虚警、漏警率等)；然后，如果将人的行为按照模式划分为正常行为模式与异常行为模式，则获取正常模式下真实数据相对容易；但是，异常模式或者异常情形下的数据则很难得到。如果再考虑到问题的因人而异特点，即使仿真也很难做到。那么，这种情形下怎样才能检验出“真正的”异常？

考虑到系统将用在老年人家中，所以安装、使用和维护上必须具备方便性。系统的设备要易于安装，且不应该对人的生活带来任何不便。系统在使用上应该做到即插即用，无需老年人作任何额外操作。同样，在维护上亦无需对居住者提出任何要求。通常，系统软件的维护应该能够进行远程(网络)更新。

由于居家养老系统实际上是智能家居的一个组成部分，而智能家居又是智慧城市的一个不可缺少的部分，所以信息标准、通信标准、兼容性等都是需要认真对待的。其他同样不可忽视的要求还有低成本、保护用户隐私等。

5　结　语

本文对近年来出现的对于独居老年人居家养老系统的研究情况进行了分析和概括，重点关注所用的数据处理方法。常用的处理方法被划分为基于规则的方法和统计学方法两大类。在分析每类各自特点后，认为基于规则的方法易于设计，适于用在数据的实时处理中，但是，其适用性有待验证。相比起来，统计学方法更具备理论基础，某种程度上能够与实际行为的并发和随机现象相符合。但是，统计学方法计算复杂程度较高，运算量大，且研究(因数据缘故)还有待深入，尤其是如何将其用于实时处理中还有待进一步研究。

设想可以将两类方法交替运用来进行应用系统的研究。首先，先建立基于规则的系统或者简化的统计学系统，以便获取与积累历史数据。然后，尝试利用统计学方法从历史数据中发现与活动有关的规律，以建立或者修正先前的模型，以及直接用来发现异常。待规律得到验证后还可以将其用于基于规则的系统，使其逐步得到完善。

无论采用何种方法，都需要考虑验证所用的数据。真实数据在验证正常行为模式中往往能够起到较大作用。对于异常行为，无论定义还是验证都存在难点，其验证往往更需要仿真的参与。

[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] 吴玉韶.中国老龄事业发展报告(2013)[R].中国社会科学院,社会科学文献出版社,2013.

[3] 李庆丽,李斌.养老设施内老年人的生活行为模式研究[J].时代建筑,2012(6):30-36.

[4] 日常生活活动能力量表[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] 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,2007,43(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] 马宝庆,汤一平,严杭晨.基于全方位视觉的独居老人监护系统[J].计算机工程,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。张佳骥，研究员，主研领域：信息处理，数据融合。赵海英，高工。

TP391.4

A

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