英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
环境辅助生活(AAL)的研究近年来受到了广泛的关注。AAL的应用结合了物联网(IoT)、智能平台设计和机器学习等方面来产生一个智能系统。在本文中，我们描述了一个基于物联网的个性化AAL系统，通过实时监测和干预，使老年人能够在自己的家中独立和安全的生活。该系统名为HalleyAssist，由智能家居自动化功能支持，包括一种监测健康状况和检测老年人行为模式异常变化的新方法。该方法的意义在于使用机器学习模型，从物联网传感器数据中自动学习人的正常行为模式，并使用派生的模型来检测行为模式的重大变化。本文介绍了拟议系统的体系结构和已开发的概念证明，并讨论了如何解决隐私和安全问题。我们还报告了该系统早期版本的真实家庭试验结果，在四个老年人的家中安装了六个星期。老年人对部署系统的反应非常积极。最后，本文对使用在国内试验中收集的数据的结果进行了讨论和分析。
1.介绍
随着年龄的增长，大多数老年人更愿意尽可能长时间地住在原来的房子里，而不是搬到老年护理机构。然而，当孩子们远离年迈的父母，身体虚弱，伴侣去世后独自生活，跌倒的风险，以及早期阶段的痴呆症，通常很可能从家庭搬到老年护理机构。然而，许多老年人可以在家里呆得比其他可能的时间更长，他们需要得到某种形式的支持和监督。
一段时间以来，人们已经认识到技术发挥这两种作用的潜力。一些成年子女已经开始要求年迈的父母佩戴健康监测器[2]，以确保年迈的父母身体健康。令人遗憾的是，老年人通常不喜欢仅仅为了被监控而佩戴科技产品，尤其是在患有早期痴呆症的情况下，他们可能会忘记佩戴这些产品。因此，人们的注意力转向环境系统，以提供支持、监测和干预。环境辅助生活(AAL)是一种智能家居技术，可以在家中支持老年人和残疾人。AAL的目标是确保用户的健康，让他们能够独立生活。它通过使用物联网传感器和监视器简化了家庭自动化的日常生活活动，并通过智能解决方案为用户提供照顾。
智能家居自动化是通过物联网的进步实现的，比如由运动传感器[3]触发的照明、药物和液体摄入提醒，以及门窗关闭传感器和门闩等安全系统，都可以使无人监督的独居生活变得十分可行[4]。物联网不仅可以帮助家庭自动化，还可以对人的行为模式进行不引人注目的监控。例如,运动传感器可以表明如果老年人白天已经对他们的家,床上传感器可以表明如果一个人已经获得足够的睡眠,门传感器在冰箱可以表明如果这个人是喂养自己,利用传感器可以表明如果他们喝足够的水。
此外，来自此类物联网设备/传感器的数据还可以用来提供一种指示，即行为是否发生了可能预示更严重问题的变化。例如，上厕所次数的增加可能意味着尿路感染。水摄入量的增加可能表明与糖尿病相关的问题。有了对老人的先验知识，加上前面提到的使用物联网传感器数据的智能，智能系统可以确定何时应该自动联系护理人员（卫生专业人员、护理人员、家庭成员和紧急服务人员）。
在本文中，我们提出并开发与实现了一种基于物联网的智能解决方案HalleyAssist，用于监测老年人的健康状况，检测老年人行为模式的异常变化，尽可能长时间地实现独立、安全的生活方式。HalleyAssist还包括智能家居自动化和监控服务的组合，包括安全、基于运动检测的照明、药物和补水提醒。具体而言，本文做出了以下贡献：
bull;一种新颖的异常检测方法，具有高度灵活性和可配置性，可以基于单个物联网传感器事件或一组物联网传感器事件(聚合、成对和/或顺序)。提出的异常检测方法使用机器学习模型自动学习人的正常行为模式，并使用该模型检测行为模式的显著变化，如果他们发生。
bull;拟议系统的概念证明(PoC)实现，通过在本地进行所有处理，解决隐私和安全问题，即在位于场地的中心枢纽内对所有收集到的数据进行个性化分析。HalleyAssist完全由现成的硬件和软件构建。
bull;在四个老年人家中进行为期六周的PoC系统的真实家庭试验的结果。
本文的其余部分组织如下。第2节回顾了基于物联网的智能AAL系统的背景，并描述了当前最先进的行为监测和异常检测方法。部分3给出了系统的体系结构。部分4展示了我们用于学习模式和异常检测的技术。部分5描述了HalleyAssist的概念证明(PoC)实现。第6节描述了国内试验的结果和结果。最后，第7节总结了本文，并对未来的工作进行了展望。
2.背景及相关工作
在文献[6,7]中已经描述了智能家居技术以不引人注意地监测老年人。无线传感器网络、物联网、数据挖掘、机器等多个技术领域的集成学习技术使辅助生活系统[8,7]成为老年人远程监测的可行解决方案。
在传统系统中，老年人的日常行为是通过在应用程序或门户网站[9]中使用自我报告和问卷来评估的。然而，这种自我评估可能包含有偏见的答案，不能捕捉实时的行为变化。另一种方法是使用Fitbit或可穿戴传感器等健身追踪器来监测基本的生命体征。这类健身追踪器通常会将数据推送到云端，让获得适当授权的人在任何地方访问数据，并允许儿童或成年人的看护者监控其活动。然而，老年人通常不喜欢被强制佩戴监测设备，或者如果他们患有轻度痴呆，可能不会记得佩戴它们。
因此，一个更好的方法是使用基于智能物联网的技术来观察每个个体的日常行为，这种技术允许以一种较少干扰的方式进行监控。基于物联网设备/传感器的AAL系统提供了有效的基础设施，以一种不引人注目的方式持续监测老年人的日常行为。它不断地收集实时数据，因此可以通过分析历史数据快速检测模式的任何变化。对从传感器捕获的数据进行适当的数据分析，可以比自我报告更好地了解现实场景中的日常行为。
统计分析和机器学习被广泛用于模拟智能家居或AAL环境中老年人的行为模式和活动，使用各种物联网传感器[3,11,4,12,13]。此外，一些研究的重点是检测这种设置的日常活动中的异常[1,14,11,15,16]。[17]中描述的统计分析表明，对于高斯分布，与正态分布的三个标准差的阈值可以被认为是异常。数据挖掘技术，如隐马尔可夫模型[16]，支持向量机(SVM)[18]也被用于检测家庭设置中的传感器事件的异常。其他方法，如递归量化分析(RQA)[19]，已被用于不同应用领域的异常检测。我们在实现中使用了所有这些技术。这些方法大多使用有限的真实世界数据来建模模式，并且没有任何灵活的支持工具来根据观察到的变化来调整行为。在HalleyAssist中，我们从我们的测试床上收集了长期的真实世界数据，我们提供了一种机制来配置异常检测的关键参数，以及配置合适的观测周期数量。
3.HalleyAssist:系统架构
HalleyAssist的体系结构如图1所示。该系统由五个主要部分组成:环境辅助生活(AAL)子系统、学习模块、异常检测模块、监护模块和报告模块。
图1所示。哈雷辅助系统的体系结构
该系统具有灵活、开放、可定制、可扩展等特点。任何新的物联网传感器都可以很容易地安装在系统中。例如，在一个试验中，我们成功地安装了一个床传感器，它能够检测用户的睡眠和醒来时间、睡眠持续时间、脉搏率和呼吸率。此数据可用于健康监视目的。
系统的主要组成部分的详细说明如下。
3.1.AAL子系统
HalleyAssist AAL子系统由多个物联网传感器和执行器组成，通过无线连接到位于家中的中心枢纽。该系统是专为单人住宅设计的设置。AAL系统完全根据老年人的需求、住宅的布局和他们想要部署的传感器数量进行定制和个性化。该中心监视和存储由所有连接的传感器触发的事件，以及内部数据库中的时间戳值。为了将这些存储的数据用于其他组件的分析，我们开发了RESTful api(数据收集api)。外部模块可以使用GET请求来收集带有过滤查询的历史传感器事件。该中心还执行家庭自动化任务(如控制光传感器打开/关闭灯，通过扬声器帮助人们)。
3.2.学习模块
该模块使用REST api从AAL系统中收集历史传感器事件，并进行必要的过滤以清除数据(如消除噪声、去除重复事件、提取传感器事件的活动状态)。使用可配置的时间窗口(如两周、一个月)作为观测周期，了解特定用户在不同时间段(如周一下午、周二晚上、周末、周)不同传感器的通常模式。计算每个或一组传感器的统计行为，并将其存储在中心的数据库中。学习模块是自适应的，在收集新数据后不断更新。我们在HalleyAssist的学习模块中开发并实现了三个学习模型，从观察窗口捕获正常模式，用于异常检测。它们如下。
bull;一个基于统计数据的统计模型，如各个时间段[17]中单个传感器事件或一组传感器事件的平均值、标准差。
bull;基于一对传感器或传感器组之间转移概率的马尔可夫模型[20]。
bull;使用传感器激活序列来理解特定时间窗口内的递归模式的递归模型[21]。
3.3.异常检测模块
当学习模块对系统进行各种学习模型的训练后，异常检测模块的作用是从AAL系统中收集新的日常数据，并对其进行分析，以识别异常行为。关于什么是异常行为的决定是基于所学习参数的统计数据。当正如传感器激活所反映的那样，行为与学习模型的学习模式相比发生了显著变化，这表明可能与人的健康变化相对应的异常现象。在最简单的情况下，这些异常的行为模式反映为异常低或异常高的传感器激活数量。例如，如果通常每天去厨房的次数是10次，记录下来的次数是2次，这可能表明老人没有喝足够的水或吃饭。其他的模型以类似的方式检测异常。
3.4.照顾者控制面板
控制面板提供用户界面(UI)，使学习的训练周期和异常检测的统计阈值(如偏离平均值的标准差数)可配置和可调。从传感器列表创建组的选项也是可用的。这个控制面板可以由系统的主管或看护者使用。护理员还可以使用接口设置异常报告生成的频率。学习模型生成的关于正常模式的统计信息会为合适的配置提供建议。这种设计上的灵活性为护理人员提供了更大的控制来配置各种参数，并能够更准确地识别与老年人的异常行为相对应的异常传感器事件。
3.5.报告模块
报告模块按首选频率(例如每12小时)生成定期报告。如果异常检测模块根据控制面板中配置的参数观察到任何异常模式，则报告模块在生成的报告中标记这些值。报告显示观察到的值和期望的值。哈雷协助连接到一个短信网关。如果在控制面板中被激活，报告模块就观察到的异常向看护者发送警报。这些通知仅在系统检测到可能表明老人患病或护理人员应注意的异常行为时才会发送。
4.异常检测方法
哈雷辅助系统的异常检测模块通过与学习系统在训练期间捕获的历史数据进行比较，来判断一种行为模式是否正常模块。在这个训练期间，系统记录通常的数量和模式的激活预期从一个或一组传感器。在训练期间之后，与历史观测平均值的显著偏差在训练期间被标记为异常。我们已经实现并评估了三种不同的技术，用于检测和报告哈雷辅助系统产生的传感器事件中的异常情况。这些技术以及我们定义的符号的正式描述如下。
4.1.传感器和组
设n为传感器的个数，S1,年代2,hellip;hellip;,年代n 都部署在哈雷辅助系统中。在HalleyAssist中，可以灵活地从n个传感器创建m个组1G2,hellip;hellip;Gm 其中每组Gi ={年代a1,年代a2,hellip;hellip;}可以包含一个或多个传感器。这种灵活性允许从传感器列表中观察聚合行为。例如，可以聚合一个特定的房间或一组房间。看护者可能会将安装在卧室里的所有运动和门传感器进行分组，根据分组获得的激活数来观察异常情况。如果每组只有一个传感器，则m = n。
4.2.传感器事件
门或运动传感器事件用三个参数e = (t, s, A)表示，其中t为事件发生的时间，s为系统中的传感器id, A为布尔值，表示传感器的活动状态。当t时刻触发s时，A = 1，否则0.这里我们只对a为时的事件感兴趣1.让,E(theta;){E1e2e,hellip;hellip;p}表示某一特定时间段内发生的事件序列，theta;表示每个ei = (ti,年代i, 1)。我们只使用传感器的主动状态进行分析。
4.3.观察培训窗口
护理员可能有兴趣在一天内的特定观察期间看到异常(例如周一早上6点到下午6点)。O(ts, te)是一个从时刻t开始的观察窗口s 在t时刻结束。O(ts, te)的最大值可以是24小时，即完整的一天，最少也可以是1小时。设，k为观察窗口O的个数1,2,hellip;hellip;k 在系统中配置。T(ds, de)为自日期d起的培训窗口s到e．根据数据的可用性，T可以长达一个月，但是至少应该是一个星期。T用于提取描述每个传感器组G的激活数通常行为的统计数据i 每个观察窗口下Oj ．我们使用符号E(T){(Gi，Oj)}描述训练窗口Oj下组Gi传感器的所有活动传感器事件(ti，si，1)。Let，R(Gi，Oj)是与观察窗口Oj匹配的组Gi的报告窗口。
4.4.统计值
如果Dk={d1，d2，hellip;dq}是匹配的天数在训练窗口T匹配观察窗口Oj然后我们可以测量高斯分布，micro;ij(T)，sigma;ij(T)[17]事件在每组Gi(或每个传感器Si)为每个观察窗口Oj训练窗口T使用数据在E(T){(Gi，Oj)}micro;ij(T)和sigma;ij(T)分别是分布的均值和标准差
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[590779]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
