基于位置信息的老人异常状态检测技术研究

王长清 冯惠粉 丰明奎

摘  要： 传统居家养老模式中，对独居老人的日常生活健康状况的监测及室内活动的异常行为检测，依赖于各种可穿戴传感器设备，易给老人造成行动不便和隐私问题。为此，提出一种基于位置信息的老人异常状态检测方法。该方法根据蓝牙信号的信号强度指示（Received Signal Strength Indication，RSSI）测距定位，获得老人当前位置，由交互式多模型的卡尔曼滤波方法实现老人在室内的移动轨迹跟踪;对老人在室内移动轨迹进行生理监测，而对老人突发异常状态，通过设置不同室内空间区域的时间阈值，以停留点检测方式进行判断。实验结果表明，该方法简单易于实现，且对于独居老人的日常监护方法优于传统可穿戴传感器设备。

关键词： 独居老人; 异常状态检测; 低功耗蓝牙技术; 异常状态判断; 轨迹跟踪; 生理监测; 停留点检测

中图分类号： TN911.23?34; TP391                   文献标识码： A                  文章编号： 1004?373X（2019）16?0182?05

0  引  言

随着社会的发展，老龄化问题日益严重，独居老人的数量和比例呈快速上升的趋势[1]。目前，对独居老人的日常生活状态监测，大多依赖各种可穿戴传感器[2?3]，该方式穿戴不便、体验感不好。室内居住环境中的卧室、卫生间等敏感区域涉及生活隐私，则视频监控技术不能应用于敏感区域，且视频监控技术的数据量大[4?6]。传统的老人健康监护模式是把老人送到医院，借助医疗设备进行身体检查[7]，给老人生活带来不便或产生心理压力。而对于由老人的生活习惯所表现出的老人兴趣爱好或隐藏健康问题，比如：老人经常不间断地去往洗手间，或者是一直待在卧室等情况，上述方式未能有效的监测或直观的体现。为解决上述问题，本文基于RSSI测距和交互式多模型的卡尔曼滤波跟踪定位算法实现老人在室内的移动轨迹跟踪建模，通过老人在室内的移动轨迹及在室内某空间停留的时间，对老人的兴趣爱好或生理健康状况进行监测和了解。针对老人在日常生活中可能因突发疾病或摔倒，长时间停留在室内某位置而不能得到及时救治，通过停留点检测方法，实现对老人的远程监护及紧急情况报警等服务，提高独居老人的室内安全指数。

1  系统的整体架构

1.1  系统的应用场景概述

本文对独居老人的日常生活状况及室内活动的异常行为进行监测，由老人在室内的移动轨迹跟踪，得到老人进入卧室、厨房、客厅、卫生间等室内任何空间下的位置信息;由老人在室内不同空间区域的移动轨迹，对老人的兴趣爱好或突发异常状态进行监测，提高居家养老服务的质量。系统应用框架结构图如图1所示。

独居老人在室内空间区域移动，由接收到的RSSI值获得老人的室内位置，由交互式卡尔曼跟踪滤波算法获取老人在室内的移动轨迹。根据老人的移动軌迹分析老人的生活习惯、兴趣爱好等。对于老人突发异常，根据停留点检测方法对老人异常状态进行判断。

1.2  系统的组成结构

本文基于位置信息的老人异常行为检测技术的实现主要由一定数量的蓝牙iBeacon基站、蓝牙终端和服务器组成，如图2所示。其中，iBeacon基站为整个系统的硬件部分，其功率小，可以做到无源，通常一枚纽扣电池可以工作2～3年。iBeacon是低功耗蓝牙技术的一种，2013年由苹果公司发布的用于检测周围BLE设备的低功耗、低成本基站技术[8]。蓝牙终端采集一定空间范围内的蓝牙广播数据包，提取有效数据通过串口传送数据到服务器。服务器部分为整个系统的核心部分，主要是接收蓝牙终端传输的数据包和位置计算，并进行数据的存储。

3  系统实现

3.1  系统状态的判断

假设系统的初始状态为S0，老人在室内正常活动时的状态为S1，当老人进入室内某空间，根据RSSI测距定位算法获取当前位置，由交互式多模型卡尔曼滤波跟踪算法获得老人在室内的移动轨迹，由停留点检测的方式计算老人在该空间位置的时间，进行时间约束。当老人从进入空间某位置到离开该位置的时间差T，小于当前位置的时间阈值，则老人处于S1状态，然后系统自动恢复到初始状态S0，重新开始下一空间位置的判断;否则，老人可能出现异常状态S2，系统的状态将跳转到异常状态S2，生成报警信息通知其监护人处理。系统状态转换如图4所示。

3.2  异常状态的实现流程

基于位置信息的老人异常状态检测系统的工作流程为：当老人进入室内空间某区域时，根据RSSI测距定位算法获取老人在室内的位置;由交互式多模型卡尔曼滤波方法进行移动轨迹跟踪，获取老人在室内移动轨迹;对老人突发异常状态，通过停留点检测方法，计算老人开始进入室内某

空间区域到老人离开该空间区域的时间差值。当

老人在某空间停留的结束时间与开始时间的差值小于该区域预设的时间阈值时，则表示此时老人在此空间区域安全，系统状态返回到初始状态，进行下一个系统状态判断;否则，表示老人在此位置空间可能出现异常情况，系统跳转至异常状态，生成报警信息，通知其监护人进行及时处理。具体工作流程如图5所示。

4  仿真与测试

本文将通过Matkab仿真分析的方式，根据实际的室内场景进行模拟。首先，基于蓝牙iBeacon信标节点组合，在办公室环境下布设蓝牙定位网络，根据圆环定位算法得到定位结果，并对定位结果进行保存作为滤波输入;然后由交互式多模型的卡尔曼滤波方法对输入的定位数据进行滤波跟踪，得到老人在室内的移动轨迹。

本文根据室内环境，首先模拟了信标位置固定时，在室内环境下的定位结果以及对其进行滤波后得到的该次定位结果的滤波效果。测试实验中，信标在每个位置采集100次数据给出一组数据包括算法定位结果坐标值，定位结果及滤波效果如图6所示。

图6a）蓝色部分是信标位置固定，RSSI测距定位算法定位结果，红色部分是滤波结果;图6b）是定位结果中x坐标的滤波效果;图6c）是定位结果中对y坐标的滤波效果。由于固定位置时接收数据较稳定，所以滤波效果不显著。为了验证该方法的滤波效果，在室内环境下，测试信标节点位置从大厅变换到研究室的过程中，算法的定位结果与滤波效果如图7所示。

由图7可知，从算法定位结果可以看出，信标位置发生变化时，定位结果并不是连续跳动的。图7a）蓝色部分是算法定位结果，红色部分是跟踪轨迹;图7b）是x坐标的变化以及滤波效果;图7c）是对y坐标的变化趋势以及滤波效果。滤波之后的坐标是慢慢移动，不像定位结果那样跳变。

5  结  语

本文基于RSSI测距的定位算法及交互式多模型的卡尔曼滤波方法实现老人在室内的轨迹跟踪，通过对老人在室内的移动轨迹分析获取老人在室内不同区域的兴趣热点及对老人日常生活健康状况进行监测，并对老人在日常生活中的突发异常行为状态，由停留点检测的方式进行判断，从而提高居家养老服务质量。在后续的研究中，可以将获取的老人的位置信息，构成一条带有时间戳的老人移动轨迹储存在数据库中形成轨迹数据库，通过大数据对采集的数据进行数据挖掘，进一步了解老人的生活习惯及兴趣爱好，从而为老人健康生活提出合理化的建议。

参考文献

[1] 陈习琼.中国独居老年人问题研究现状[J].中国老年学杂志，2015，35（22）：6624?6626.

CHEN Xiqiong. Research status of elderly people living alone in China [J]. Chinese journal of gerontology， 2015， 35（22）： 6624?6626.

[2] 瞿畅，孙杰，王君泽，等.基于Kinect体感传感器的老年人跌倒自动检测[J].传感技术学报，2016，29（3）：378?383.

QU Chang， SUN Jie， WANG Junze， et al. Automatic fall detection for the elderly using Kinect sensor [J]. Journal of sensing technology， 2016， 29（3）： 378?383.

[3] 李建立.基于运动传感器的日常生活智能监护[D].重庆：重庆大学，2014.

LI Jianli. Intelligent monitoring of daily life based on motion sensor [D]. Chongqing： Chongqing University， 2014.

[4] 米晓萍，李雪梅.基于物联网智能的独居老人自动监控方法研究[J].计算机仿真，2014，31（2）：378?381.

MI Xiaoping， LI Xuemei. Old people who live alone automatic monitoring method based on IoT intelligence research [J]. Computer simulation， 2014， 31（2）： 378?381.

[5] 吴扬.基于监控视频的人体异常行为检测研究[D].哈尔滨：哈尔滨工业大学，2015.

WU Yang. Human abnormal behavior detection research based on video monitoring [D]. Harbin： Harbin Institute of Technology， 2015.

[6] 李晓东.基于监控视频的异常行为检测技术研究[D].广州：广东工业大学，2012.

LI Xiaodong. Research on abnormal behavior detection technology based on video monitoring [D]. Guangzhou： Guangdong University of Technology， 2012.

[7] 杨志海.远程护理中老人跌倒检测研究[D].大连：大连海事大学，2015.

YANG Zhihai. Research on fall detection of elderly people in remote nursing [D]. Dalian： Dalian Maritime University， 2015.

[8] 郭星.基于BLE的3D室内定位系统的设计与实现[D].西安：长安大学，2015.

GUO Xing. Design and implementation of 3D indoor positioning system based on BLE [D]. Xian： Changan University， 2015.

[9] 秦俊平，邓庆绪，孙诗文，等.基于时间序列启发式信息的室内轨迹跟踪算法[J].计算机研究与发展，2017（12）：2698?2710.

QIN Junping， DENG Qingxu， SUN Shiwen， et al. Indoor trajectory tracking algorithm based on time series heuristic information [J]. Computer research and development， 2017（12）： 2698?2710.

[10] XIAO Hao， WANG Wenjun， ZHANG Xu. Identifying the stay point using GPS trajectory of taxis [J]. Applied mechanics and materials， 2013， 353/356： 3511?3515.

[11] 冯锦海.基于多模的室内POI推荐系统分析和设计[D].天津：天津工业大学，2014.

FENG Jinhai. Analysis and design of indoor POI recommendation system based on multiple models [D]. Tianjin： Tianjin University of Technology， 2014.