Nesnelerin İnternetine Dayalı Çok Algoritmalı Akıllı İzleme Sistemi Araştırması
Wang Chang1, Sun Fuming1, Li Yang2
(1. Elektronik ve Bilgi Mühendisliği Okulu, Liaoning Teknoloji Üniversitesi, Jinzhou 121001, Liaoning; 2. Dalian Cloud Power Technology Co., Ltd., Dalian 116000, Liaoning)
Orta yaşlı yaşlıların günlük yaşam izleme ihtiyaçlarına göre gerçek zamanlı izleme ekipmanı, ağ iletim modülü ve izleme merkezi hizmet platformundan oluşan akıllı bir izleme sistemi tasarlanmıştır. Birden çok yüksek hassasiyetli sensörü entegre eder ve çok boyutlu veri kombinasyonu aracılığıyla yaşlı ve çevredeki ortam verilerinin etkinlik verilerini gerçek zamanlı olarak izlemek ve izleme platformuna yüklemek için RTOS gerçek zamanlı işletim sistemini benimser. Gerçek uygulamalarda sistemin yüksek yanlış alarm oranını hedefleyen kişiselleştirilmiş anormallik belirleme algoritması ve CRC kontrol teknolojisi, doğru tahmin yaparken yanlış alarm oranını etkin bir şekilde azaltmak için benimsenmiştir. Testler, sistemin yaşlı aktivite verileri ve çevredeki ortam için akıllı uzaktan gerçek zamanlı izleme, yargılama, alarm ve tahmin işlevlerini gerçekleştirebildiğini ve yanlış alarm oranını yaklaşık% 95 oranında azaltabildiğini göstermiştir.
Kişiselleştirilmiş anormallik belirleme algoritması; akıllı izleme; Nesnelerin İnterneti; yanlış alarm; CRC kontrolü
Çin Kütüphanesi Sınıflandırma Numarası: TP216
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.173805
Çince alıntı biçimi: Wang Chang, Sun Fuming, Li Yang.Nesnelerin İnternetine Dayalı Çok Algoritmalı Akıllı İzleme Sistemi Araştırması. Elektronik Teknoloji Uygulaması, 2017, 43 (11): 7-10.
İngilizce alıntı biçimi: Wang Chang, Sun Fuming, Li Yang.Nesnelerin İnternetine dayalı müftü algoritmalı akıllı izleme sistemi üzerine araştırma.Elektronik Tekniğin Uygulanması, 2017, 43 (11): 7-10.
0 Önsöz
Nanjing'deki üç huzurevinde işbirliği yapmak isteyen yaşlılar arasında düşme durumuyla ilgili bir anket araştırmasına göre, huzurevlerinde yaşlılar arasında düşme oranı% 39,2. Etkileyen faktörler arasında uyku durumu, kronik hastalık öyküsü, dış çevre ve ilaç geçmişi yer alıyor. Bu nedenle, orta yaşlılar ve yaşlılar arasında kaza sonucu yaralanmaların yüksek insidansına yanıt olarak yaşlıların ve çevredeki çevrenin günlük aktivite durumunu izlemek için eksiksiz bir uzaktan izleme sistemi kurmak gereklidir.
Şu anda, yalnız yaşayan yaşlılar için izleme sistemi üzerine ilgili araştırmalar yapılmıştır.Örneğin, Zhejiang Teknoloji Üniversitesi tarafından 2007 yılında tasarlanan aktivite analizine dayalı olarak yalnız yaşayan yaşlılar için uzaktan izleme sistemi, veri toplayarak öngörücü bir model oluşturabilir, ancak gerçek zamanlı izleme işlevlerine sahip değildir; Yang Haijian ve diğerleri tarafından yapılan tasarım gibi Nesnelerin İnterneti teknolojisine dayanan yaşlı izleme akıllı sistemi, zamanında alarm işlevine sahiptir, ancak yanlış alarmlar ve yanlış alarmlar meydana gelebilir; Chongqing Posta ve Telekomünikasyon Üniversitesi tarafından 2012 yılında tasarlanan akıllı evlerde yaşlı insanlar için uzaktan izleme sistemi, alarmı iptal düğmesini ekledikten sonra azalır Yanlış alarm oranı küçüktür, ancak yine de yanlış alarm olasılığı vardır ve izleme katsayısı tektir; örneğin, Shi Dong ve diğerleri, verileri destek vektör makine algoritması (SVM) aracılığıyla işledi ve sonra yükledi, ancak yalnızca düşen özellik miktarı SVM'nin eşiğine göre değerlendirildi. Algoritma tektir ve düşme dışındaki diğer anormal davranışları ölçemez.
Yukarıdaki problemlere dayanarak, bu tasarım, çoklu sensör algılama ekipmanı aracılığıyla yaşlıların günlük aktivite bilgilerini toplar. Zamanında alarm işlevine ek olarak, yaşlıların günlük rutinlerinin verilerini düzenli olarak güncellemek ve hesaplamak için anormallik belirleme algoritmaları gibi çoklu hibrit algoritmalar kullanır. Yanlış alarmların düşmesini önler. Yaşlıların düşme dışındaki diğer anormal davranışları, algoritmalar aracılığıyla tahmin edilip değerlendirilir ve WiFi aracılığıyla büyük veri platformuna yüklenir.Kullanıcılar, APP aracılığıyla her zaman ve her yerde yaşlıların mevcut durumunu ve yaşlıların normal yaşam kalıplarını görüntüleyebilir.
1 Sistem genel şema tasarımı
Başlangıçta tasarlanan akıllı izleme sistemi temel olarak üç bölümden oluşur: akıllı izleme ekipmanı, ağ iletim modülü ve izleme merkezi hizmet platformu. Sistemin genel topolojisi Şekil 1'de gösterilmektedir.
1.1 Akıllı izleme ekipmanı
Akıllı izleme ekipmanının donanım devresi temel olarak şunları içerir: ana işleme çip devresi, çoklu sensörlü sensör ünitesi devresi (sıcaklık, nem, ortam ışığı, manyetik alan, hızlanma, titreşim vb. Gibi çoklu yüksek hassasiyetli sensörler dahil), kablosuz WiFi iletim devresi, DC / DC voltaj dönüştürme devresi, veri depolama devresi, saat devresi, modül değiştirme anahtarı devresi vb. Sistem donanım yapısı şeması Şekil 2'deki gibi gösterilmiştir.
1.2 Ağ iletim modülü
Ağ iletim modülü, akıllı izleme ekipmanı ile izleme merkezi platformu ve izleme terminali arasındadır.Bir iletişim köprüsüdür.Bir veri bağlantı katmanı, bir ağ katmanı ve bir veri iletim katmanından oluşur ve akıllı izleme cihazı tarafından toplanan bilgileri alma ve gönderme işlevini gerçekleştirir. Veri bağlantı katmanı, doğrudan İnternet'e bağlanmak için IEEE 802.11 WiFi iletim protokolünü kullanır; ağ katmanı ve veri aktarım katmanı, yaşlıların ve çevredeki ortamın belirli durum verilerini kablosuz WiFi aracılığıyla doğrudan senkronize etmek için TCP / IP iletim protokolünü kullanır. Vesayet merkezi hizmet platformunda.
1.3 Vesayet Merkezi Hizmet Platformu
İzleme merkezi hizmet platformu, HTTP hiper metin aktarım protokolünü kullanan ve esas olarak bir veri platformu, bir PC izleme terminali ve bir mobil izleme terminalinden oluşan veri uygulama katmanıdır. Veri platformu temel olarak akıllı izleme ekipmanı tarafından yüklenen verileri almak, analiz etmek, entegre etmek, alarm vermek ve kaydetmekle sorumludur. PC izleme terminali, tıbbi personelin ve yaşlı aile üyelerinin yaşlıların ve çevredeki ortam verilerinin aktivite durumunu gözlemlemesini, toplanan verileri grafik şeklinde görüntülemesini ve ağa bağlı olmaması için doğrudan belirlenen klasöre indirilip EXCEL biçiminde kaydedilebilmesini kolaylaştırmak için kullanılır. Ayrıca toplanan verileri de görüntüleyebilirsiniz.
2 Sistem uygulaması ve temel teknolojiler
2.1 Gerçek zamanlı veri toplama ve doğrulama
Akıllı izleme ekipmanı, sistemin veri toplama sonudur.Toplanan verilerin doğruluğu ve doğruluğu, yanlış alarm oranının seviyesini ve yaşlıların sağlık durumunu doğru bir şekilde tahmin edip edemeyeceğini belirler.Ancak gerçek hayatta veri toplama, sensörün doğruluğundan, ölçüm devresinin performansından ve İnsan hatası gibi diğer birçok faktör. Yalnızca yüksek hassasiyetli sensörleri ve optimize edilmiş devreleri kullanmak yeterli değildir. Veri aktarımının doğruluğunu ve eksiksizliğini sağlamak için, bu tasarım CRC kontrol teknolojisini (yani döngüsel artıklık kontrol teknolojisi) benimser. CRC kontrolünü geçen sensör çıkış verilerini gönderin ve saklayın ve CRC kontrolünü geçmeyen sensör çıkış verileri için CRC kontrol hata değerini okuyun.
2.2 Kablosuz iletişim ve yapılandırma modülünün tasarımı
Akıllı izleme ekipmanının izleme merkezi hizmet platformuna veri yüklemesi gerektiğinde, önce kablosuz iletişim modülü aracılığıyla WiFi'ye bağlanır.WiFi bağlantısı başarılı olduğunda, işleme modülü yüklenecek verileri okur. Okuma başarılı olursa, akıllı İzleme ekipmanı ve izleme merkezi hizmet platformu arasındaki bağlantı. Kablosuz iletişim modülü, AP modunda ve STA modunda çalışabilir ve cihazı yapılandırmak için kablosuz AP modu yapılandırma yöntemlerini kullanabilir. Cihaz, WiFi göndermek için bir ana bilgisayar görevi görür. Şu anda, TCP ve HTTP modlarını destekler. Kullanıcılar, bir cep telefonu veya PC aracılığıyla kablosuz olarak yapılandırabilir ve çalışabilir ve cihazın mevcut yapılandırma bilgilerini, sensör okuma bilgilerini, hata bilgilerini vb. Görüntüleyebilir ve veriler doğrudan büyük veri platformunda depolanabilir. Kullanıcılar bunu her zaman ve her yerde görüntüleyebilir.
2.3 Algoritmanın araştırılması ve uygulanması
Shi Dong ve arkadaşları tarafından kullanılan destek vektör makinesi (SVM) algoritmasına göre, uzaysal ivmeyi veya açısal hız değişikliklerini bir vektöre dönüştürmek için sinyal vektör modülü SVM özelliğini kullanır, ancak yaşlıların durumu çeşitli ve değişkendir. , Düşme durumunu değerlendirmek için yalnızca eşik değeri kullanılır, ölçüm aralığı sınırlıdır ve yanlış alarmları önleme işlevi yoktur.
Bu tasarım, farklı uygulamalar ve senaryolar için en uygun algoritmayı seçmek üzere kişiselleştirilmiş bir anormallik belirleme algoritması kullanır. Düşme yanlış alarmlarını önlerken, yaşlıların düşme haricindeki diğer anormal davranışlarını da tahmin eder ve yargılar.Aşağıda, bu tasarımda kullanılan algoritmayı örneklerle detaylı bir şekilde göstermek için örnek olarak bir ivme sensörü kullanılmıştır.
Şekil 3, yaşlıların düştüklerinde hareket eğrisi olan egzersiz sırasındaki ivmenin değişim eğrisini göstermektedir. Cihazın şu anda yaşlıların düşme tespitine uygulandığı ve test edilen insan vücuduna sabitlendiği varsayılmaktadır.
Şekil 3'te gösterildiği gibi (bu şekildeki ordinat, hızlanma genliğinin 256 katıdır, yani ivme genliği = ordinat değeri / 256, birim g'dir), burada y ekseninin (dikey yön) hızlanma eğrisi normal statik bir durumdadır. Taban -1 g olmalıdır; x ekseni (ön ve arka yön) ve z ekseni (sol ve sağ yön) ivme eğrisi normal statik durumda 0 g olmalıdır; üst eğri, normal statik durumda olan üç eksenli ivmenin vektör toplamıdır +1 g olmalıdır.
Bu zamanda, tepe algılama yöntemi benimsenmiştir Tepe algılama algoritmasının temel ilkesi: cihaz, yaşlıların x, y ve z eksenleri arasında en büyük ivme değişikliğine sahip eksene göre düşüp düşmediğine karar verir. Algoritma adımları aşağıdaki gibidir:
(1) İlk olarak, ivme sensörünün zaman periyodunda sıralı olarak çıkardığı ivme verilerini elde edin, ivme verilerini x-ekseni ivmesi, y-ekseni ivmesi ve z-ekseni ivmesi ile elde edin ve (2) adımını gerçekleştirin;
(2) İvme sensörünün örnekleme frekansının önceden ayarlanmış örnekleme frekansından yüksek olup olmadığını belirleyin (Not: Örnekleme frekansı çok yüksek olduğunda, örnekleme için eşlik denetimi yöntemini kullanabilirsiniz.Bu yöntem, geri yüklemeyi en üst düzeye çıkarırken örnekleme sıklığını azaltabilir. Orijinal form), evet ise, adım (4) 'e gidin, aksi takdirde adım (3)' e gidin;
(3) Hesaplama:
Ardından (5) adımını gerçekleştirin;
(5) F (s) 'yi önceden ayarlanmış bir değerle karşılaştırın ve karşılaştırma sonucuna göre kullanıcının o anda düşme durumunda olup olmadığını belirleyin.
Şekil 4'te gösterildiği gibi, yaşlıların düşüşü doğru bir şekilde ölçülebilir, ancak eğer düşüş ciddi sonuçlara (komaya neden olmak gibi) neden olursa, insan vücudu daha uzun süre hareketsiz kalacak ve üretmeyecektir. Zirve. Yaşlıların hareketi nispeten yavaş olduğu için, sıradan yürüyüş sırasında ivme fazla değişmeyecektir. Şekil 4 yaşlıların normal yürüdüklerinde hareket eğrisini göstermektedir ve büyük bir tepe yoktur. Şu anda yaşlıların şu anki durumunu yargılamak imkansızdır.Yaşlılar yavaş yürümek yerine yere düştüğünde, sonuçları çok ciddi olacaktır.
Şekil 4'te gösterildiği gibi, şu anda dinamik bir eşik algılama algoritması kullanılmalıdır. Dinamik eşik algılama algoritmasının adımları aşağıdaki gibidir:
(1) İlk olarak, ivme sensörünün zaman periyodunda sıralı olarak çıkardığı ivme verilerini elde edin; ivme verilerinin x ekseni, y ekseni ve z ekseni ivmesi vardır ve adım (2) gerçekleştirilir;
(2) Toplanan hızlanma verileri N'ye ulaştığında, N hızlanma verilerinin ortalama değeri dinamik eşik olarak hesaplanır ve adım (3) yürütülür;
(3) Dinamik eşik değeri hesaplandıktan sonra her seferinde elde edilen ivme verilerini dinamik eşik değeri ile karşılaştırın ve kullanıcının karşılaştırma sonucuna göre bir adım atıp atmadığını belirleyin ve (4) adımını gerçekleştirin;
(4) Dinamik eşiğin hesaplanmasından sonra elde edilen hızlanma verileri tekrar N'ye ulaştığında, N hızlanma verilerinin ortalama değerini yeniden hesaplayın ve dinamik eşiği güncelleyin ve (3) adımına dönün.
Bu algoritma kendi kendine uyarlanabilir ve yaşlıların hareketini ve hareketsizliğini ölçebilir, ancak anormal zirveleri (yaşlılarda düşme gibi) belirleyemez.
Yukarıdaki örneklerden sadece bir algoritmanın farklı kullanıcıların ihtiyaçlarını karşılayamayacağı görülmektedir.Bu tasarım farklı kullanıcıları hedeflemekte ve farklı ortamları tespit etmek için farklı algoritmalar uygulamaktadır. Kişiselleştirilmiş bir anormallik belirleme algoritması gerçekleştirin, kullanıcı ihtiyaçlarını karşılamak için cihazı kullanıcı ihtiyaçlarına, kullanım senaryolarına vb. Göre kişiselleştirin. Bu tür algoritmalar sadece hızlanma sensörlerine uygulanmaz, aynı zamanda diğer sensörlere de uygulanabilir.
3 Test ve sonuç analizi
Bu sistem, Jinzhou Şehrindeki bir huzurevinde yalnız yaşayan bazı orta yaşlı yaşlılarda test edildi.Orta yaşlı ve yaşlı insanlar için WiFi tabanlı çoklu algoritma akıllı izleme sistemi, her yaşlı kişinin akıllı izleme ekipmanlarını yanlarında ve aynı zamanda banyo kapısında ve ilaçla taşımasına izin veriyor. Akıllı izleme ekipmanı şişe üzerinde ve odada düzenlenmiştir.
Yapılan deneyler, çok boyutlu verilerin bir araya gelmesi ile yaşlıların aktivite durumu, odadaki sıcaklık ve nem, yaşlıların gece yarısı dönmesi, banyoda kaç kez ve ne kadar sürdüğü, zamanında ilaç alıp almayacağı ve diğer verilerin gerçek zamanlı olarak izlenip analiz edilebileceğini kanıtlamıştır. Yaşlıların uyku durumu, kronik hastalık öyküsü, dış ortam ve ilaç öyküsü.
Ek olarak, bu tasarımda yanlış alarmları önlemek için anormallik belirleme algoritmasının doğruluğunu doğrulamak için, düşme sonrası koma durumunu ve düşme sonrası yavaş hareket durumunu belirlemek için iki ek deneysel test gerçekleştirildi. Bu deneyin tesadüfi ve tehlikeli doğası nedeniyle, deney, yaşlıların yavaş hızını taklit etmeye çalışan 10 öğrenci tarafından tamamlandı. Her proje grubu 100 kez test edilir ve bir grup deneyin sonuçları Şekil 5, Şekil 6 ve Şekil 7'de gösterilir.
Şekil 5'te görüldüğü gibi, yaşlı adam 3. ve 8. saniye arasında düştü ve sonra ayağa kalkıp yavaşça hareket etti. Daha sonra sistem, 3 saniye ile 8 saniye arasında tepe algılama algoritmasını benimser.Pike geldiğinde (8 saniyeden sonra), yaşlı adamın ayağa kalkıp yavaş hareket ettiğini algılamak için eşik algılama algoritması kullanılır. Şu anda sistem alarm vermez ve yanlış alarmlardan kaçınır.
Şekil 6'da gösterildiği gibi, yaşlı adam 3 saniye ile 8 saniye arasında düştü ve sonra komaya girdi. 3. ve 8. saniye arasında, sistem tepe algılama algoritmasını kullanır ve 8. saniyeden sonra yaşlıların komaya girdiğini tespit etmek için eşik algılama algoritması kullanılır. Bu sırada, sistem derhal alarm verir ve doktoru ve yaşlı ailesini bilgilendirir.
Şekil 7'de gösterildiği gibi, yaşlıların 3 saniyeden 13 saniyeye hızlanma genliği, 13 saniyeden 33 saniyeye olan hızdan önemli ölçüde daha büyüktür. Bu sırada, dinamik eşik algılama algoritması kullanılır ve 3 saniyeden 13 saniyeye kadar dinamik eşik, Bu zaman periyodundaki ivme verilerinin ortalama değeri 0,73 olarak hesaplanmıştır Benzer şekilde 13 ila 33üncü zaman periyodunda dinamik eşik değeri 0,17'dir. İki zaman periyodunda eşikler arasında büyük bir fark olduğu görülebilmektedir 13. ila 33. saniyelerde, eşik değiştirilmezse, yaşlıların egzersiz halinde olup olmadığına karar vermek imkansızdır.
4. Sonuç
Önceki ilgili araştırmalardaki yüksek yanlış alarm oranı göz önüne alındığında, bu tasarım kişiselleştirilmiş bir anormallik belirleme algoritması kullanır ve farklı uygulamalar ve senaryolar için farklı algoritmaların sensör yanıt duyarlılığı ve doğruluk sonuçlarını karşılaştırır. Deneysel test: Sistem, yanlış alarm oranını% 95 oranında azaltırken, yaşlıların günlük rutinini doğru bir şekilde tahmin edebilir.
Referanslar
Ding Yayuan, He Guirong, Chen Yang ve diğerleri.Yaşlı bakım kurumlarında düşmelerin statüko analizi Genel Hemşirelik, 2014 (31): 2883-2884.
Tang Yiping, Gu Xiaokai, Sun Hongjie ve diğerleri Aktivite analizine dayalı olarak yalnız yaşayan yaşlılar için uzaktan izleme sistemi üzerine araştırma Bilgisayar Mühendisliği ve Uygulamaları, 2007 (3): 211-213.
Yang Haijian, Xi Guiqing, Xin Yuanming ve diğerleri.Yaşlı izleme için Nesnelerin İnterneti teknolojisine dayalı akıllı bir sistemin araştırılması ve tasarımı. Bilim ve Teknoloji İnovasyonu ve Uygulaması, 2016 (2): 66-67.
Xiao Li, Fu Wei, Wang Ping Akıllı evlere düşen yaşlılar için bir uzaktan izleme sistemi tasarımı Televizyon Teknolojisi, 2012 (13): 131-134.
Shi Dong, Zhang Kehua, Xu Biao. Yalnız yaşlı adam bulut akıllı düşüşü için gerçek zamanlı bir düşüş algılama sisteminin geliştirilmesi. Bilgisayar Mühendisliği ve Uygulamaları, 2016 (19): 259-264.
Yao Qidong, Zhang Chunyu. CRC kontrolü ve yazılım uygulaması Modern Elektronik Teknolojisi, 2006 (13): 67-68, 71.
Yang Liqin, Mu Xinhua, Zheng Zhenyun Sabit altın standart malzemelerin belirlenmesinde aykırı değerlerin istatistiksel olarak belirlenmesi Kaya ve Mineral Testi, 2013 (3): 483-486.
Yu Danhong, Jia Xiaobin Biyofarmasötik özelliklere dayalı geleneksel Çin tıbbı bileşenlerinin benzerlik analizi yönteminin oluşturulması Çin Materia Medica Dergisi, 2013 (12): 1847-1850.
Zhang Qiang, Wang Baohua, Yang Chengwu, İkinci Derece Ortalama Yöntemi ve Melnikov Yöntemine Dayalı Yarı Periyodik Yük Bozukluğu ile Güç Sisteminin Kaotik Salınımının Analizi Journal of Electrotechnical Engineering, 2006, 21 (6): 115-121.
Zhang Weidong, Zhang Weinian. Güç sistemi kaotik salınımının parametre analizi Güç Sistemi Teknolojisi, 2000, 24 (12): 17-20.
Wang Rong, Zhang Yun, Chen Jianxin. Üç eksenli hızlanma sensörüne dayalı bir insan düşüşü algılama sisteminin tasarımı ve uygulaması Bilgisayar Uygulaması, 2012 (5): 1450-1452, 1456.
