姚小慧　邵　堃　王雯云　孙传能　金柳颀*

1(合肥工业大学智能制造研究院　安徽 合肥 230009) 2(合肥工业大学计算机与信息学院 安徽 合肥 230009)

0　引　言

老年痴呆症AD[1]是一种常见的老年疾病，随着全球人口老龄化趋势严峻，成为了一个愈发严重的社会问题。轻度认知损伤MCI被认为是介于正常衰老和AD之间的一种过渡阶段，因此对MCI 群体的研究对于 AD 的早期预测具有重要的意义[2]。

目前国内外对老人MCI评估主要依靠认知筛查工具。Nasreddine等[3]研制的蒙特利尔认知评估量表MoCA，可有效快速地对患有轻度认知功能障碍MCI的老人进行评估。孟晓梅等[4]用蒙特利尔认知评估量表评估轻度认知功能障碍患者，发现MCI患者及健康人群MoCA总分与MMSE总分相关，MoCA用于MCI筛查时敏感性优于MMSE。但这些传统的周期性评估方法存在回访间隔长，通常会出现忘记评估的问题，以致无法及时发现老人认知健康下降，造成采集的数据离散等情况。

而老人从健康到虚弱是一个不易察觉的渐变过程，当老人认知有轻微的衰退时，会反映在老人日常行为中，如频繁忘记关门等行为。同时，研究表明老年人夜晚清醒状态时间较长与其认知衰退显著相关。通过监测老人的睡眠、开关门等日常行为来预判其认知健康变化，探索睡眠、行为等数据与AD早期进程之间的关系，从而进行相应的照护和主动干预，以降低老人的患病率，并维持其独立、良好的生活品质。

当前已经存在一些老人行为检测的报警系统，这些系统大多用于老人独居报警，如外人入侵，忘关燃气及跌倒无法及时报警等情况[5-6]。从实现方面来看，主要有以下几种：接触式穿戴设备，如Simona Bar-Haim等研发的Re-StepTM是一种专门的治疗系统，可改善行走障碍患者的日常步态稳定性[7]；非接触式视频图像和音频等，如通过视频来智能监控独居老人突发异常报警等[8-9]；非接触式信号感知，如用传感设备来检测老人跌倒等[10-11]。其中，由于穿戴式设备老人接受度较低，而视频监控可能侵犯隐私，因此不太能被老人接受。基于传感器的隐式感知由于具有良好的隐私保护和非接触、非侵入特性，已成为老人居家预警研究的一个非常重要的方向。

在此背景下设计了一套基于隐式感知的老人认知健康评估系统。该系统首先通过量表筛查及一体机数据来对老人认知进行评估，判断老人是否适合独居。对适合独居的老人，在家中安装报警设备，通过隐式感知信息平台来获取报警信息。应用基于Node.js的Express框架在云端进行数据分析处理，基于前期报警数据和量表数据的线性回归训练，实现老人认知下降预测，引导老人进行认知评估，可以有效解决老人独居评估周期长、执行困难等问题。

1　系统总体设计

基于隐式感知信息平台的老人认知健康评估系统架构如图1所示。系统基于TCP/IP通信协议，采用C/S架构进行开发，根据“高内聚、低耦合”思想，构建三层逻辑架构，主要分为数据层、逻辑处理层及界面层，即数据采集、数据分析及用户交互三个功能模块。

图1　系统架构图

(1) 数据采集模块主要有居家数据采集和评估数据采集两部分。居家数据采集利用各种传感器收集老人行为数据，这些传感器包括门磁报警器、红外报警传感器、燃气传感器及一键报警等。主要使用一体机和老人认知评估量表进行评估数据采集。一体机型号为SK-T6，可采集老人生理信息，如心电、血糖、胆固醇含量等；蒙特利尔认知评估等量表用来采集认知数据。

(2) 数据处理模块对采集到的传感器数据与量表数据进行存储及分析。对于数据存储，运用MongoDB数据库来实现。数据分析主要包括统计分析及回归分析。运用计数统计、频率分析等统计手段来处理采集到的数据，以便用户查询。回归分析则是拟合传感器数据与量表数据，通过训练得到预测模型，当出现新的报警数据时，用预测模型进行评估，从而缩短评估周期，以便及早干预。

(3) 用户功能模块则主要为用户与系统之间交互。用户主要分为三类：老人亲属、社区工作人员以及系统管理人员。老人及亲属可以查询、修改个人信息；工作人员则可以进行基本管理及主动查询功能，同时系统可自动报警并及时反馈评估结果。管理人员可管理用户角色，设备信息及采集到的数据。

2　系统详细设计

2.1　用户功能模块

在用户和系统交互模块，将数据库中采集和分析的数据显示在Web应用上，供老人和工作人员查看。通过对数据库中模型进行操作来实现不同的功能模块。为了更好地实现老人评估，系统设计多用户交互模式。用户登录系统中，根据权限不同，基本功能也不同。如图2所示，对于不同角色用户有着不同功能，具体介绍如下。

图2　用户功能模块

老人及其亲属：主要有查询功能及修改个人信息功能。对于查询，老人及亲属可以对老人健康信息、报警信息以及认知评估结果进行查询，以便更好地了解健康状态，从而家属能有针对性地干预。同时，也可以对基本信息，如家庭住址、联系方式、小区物业等进行查询。修改功能实现用户修改个人基本信息，不需要对平台中报警数据及评估数据进行修改，但可根据上面信息来大概知道工作人员对老人评估时间。

工作人员：对于工作人员来说，则是可以对老人基本信息、健康信息及报警信息等基本信息进行更新、删除以及查询等操作。而自动提醒功能，则是两种提醒，一是当老人家中有紧急情况报警时，将会由系统提醒工作人员有报警行为。工作人员根据报警信息查询老人联系方式，第一时间联系老人或物业来确定报警信息准确性及进行人为干预，及时对老人每次报警的信息进行日志记录。二是系统将结合老人报警信息，与认知评估做拟合之后，主动提醒工作人员对老人进行认知评估，工作人员收到提醒后，即可对老人进行操作。而当老人评估结果不如意的时候，工作人员将及时与老人亲属联系，提供意见以便家属干预，具体评估活动如图3所示。

图3　评估活动图

管理人员：管理人员有着很高的权限，以便能对平台数据进行处理。管理人员不仅能对老人及工作人员用户进行管理，同时可以查看传感器数据，老人相关数据，平台工作日志等功能。

2.2　数据处理模块

2.2.1数据存储

本系统采用的MongoDB，是一个分布式文件存储的数据库，介于关系数据库和非关系数据库之间。MongoDB最大的特点是支持强大的查询语言，可以实现类似关系数据库单表查询的大部分功能，还支持对数据建立索引。数据库文件保存在监控服务器，由监控端程序负责维护。数据库是采用基于角色的访问控制方法来设计的，用户通过角色与权限相关联。通过对平台信息进行分析，我们用以下这些表来存储数据。

权限表用来说明该平台共有哪些权限；角色表用来分配用户角色，角色对应权限；报警信息表里面记录了报警名称，发生时间，是否为误报，误报次数等信息；传感器信息表用来存储报警设备信息，如传感器名称，功能描述，生产厂家，联系电话，发送频率等信息；传感器数据表用来存储传感器编号，信号值，时间等信息；用户表主要为用户登录名、密码以及基本用户信息和所属角色；一体机信息表字段主要为一体机为老人测试的数据字段，用来保存老人一体机数据；认知评估表用来记录量表种类；认知健康评估统计表记录了老人每次认知评估表的类型与结果，便于后面统计分析。

2.2.2数据分析

对于数据分析模块，则是通过数据分析实现底层数据与上层用户之间的交互。主要分为主动查询管理功能以及自动提醒功能分析实现。

主动查询，主要为对简单功能使用频率统计及报警信息进行统计。对简单功能使用频率统计为统计每个功能使用次数，计算大多数用户使用功能频率，如使用某个功能频率高，则根据这个修改界面的功能设计。而对报警信息统计则是统计每天的警报次数，误报次数，工作人员成功处理的警报次数，警报问题的平均处理时间，统计警报本身的发生频率，以统计的形式展现给用户。

而自动提醒这部分，则是通过数据分析，主动实现报警提醒以及工作人员评估提醒。

对于报警信息，主要接收以下几类数据。对于门禁传感器，红外传感器处理后都是用0/1来判断是否有异常。燃气报警则是在阈值范围内时处于正常，超出阈值，会变为1，发送报警，一键报警值处理后即为接收报警后数值变为1。因此，工作人员登录进页面后，在页面上工作时。当老人家中发出异常报警信息时，会自动弹出异常信息显示在页面上。为了避免多地工作人员登录，显示在不同页面，造成重复核实确认情况，设置了工作人员获取一次报警信息。而对于两个人同时报警，设置了报警信息消息队列来进行处理。

而工作人员报警评估提醒则是通过线性回归的方法来实现。所谓多元线性回归分析预测法，是指与通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法[12-13]。在本系统中，分为训练过程和预测过程，具体如图4所示。

图4　数据处理过程图

对于训练过程，首先是建立多元线性回归方程：

hw(x)=w0+w1x1+w2x2+w3x3+w4x4+L

(1)

式中：w0为常数项，w1、w2、w3、w4为回归系数，用来调整每个自变量对结果的影响。而x1、x2、x3、x4为自变量，其中x1为门磁报警信息数据，x2为红外报警器数据，x3为燃气报警数据，x4为一键报警值，L为损失函数，如式(2)所示。hw(x)为训练模型，用来预测是否对老人需要进行评估。

(2)

当我们要确定w0、w1、w2、w3、w4的值时，需要L(w)最小，使用梯度下降方法来对L(w)进行确定。具体流程为首先对w赋值，这个w先取随机值。改变w值，使它按照L(w)梯度下降的方法来进行减小。L(w)梯度下降方向则是通过对w求偏导来决定。当w确定后，则确定了预测模型，如公式所示：

y=w0+w1x1+w2x2+w3x3+w4x4

(3)

每当接收到老人报警信息时，使用预测模型自动做估计，把量表值映射到0～100，因此当估计值大于60时，则由工作人员对老人进行评估，从而解决评估周期长这一问题。

由于老人每次检测数据都可以上传到平台，使得老人健康管理更为合理，子女也能看到老人健康状态,并且通过对不同老人健康情况进行分析，有针对性地进行评估，能更好地对老人进行照护。

3　系统测试评估

为了验证系统的实际有效性，根据老人家中实际情况，对老人进行初步评估后，我们选取了50户社区老人，在他们家中进行了安防部署。主要在门、窗周围安装了门磁报警设备，室内选取地点安装了红外报警设备，争取使得室内环境无盲点。对于厨房，安装了燃气报警装备，以防止出现老人做完饭忘关煤气灶的情况发生。对于一键报警设备，则是放在老人房间和浴室，以防突然情况发生。根据老人房间布局不同，报警设备安装也有一些差异，选取葛大爷家报警设备安装为例，如表1所示。

表1　报警传感实际部署

具体实际安装情况如图5所示。

图5　实际部署图

对老人评估，采用蒙特利尔认知评估总分为30分，合格为26以上，对老人认知评估及门窗分析图如图6所示。

图6　评估及门窗分析图

目前系统已经在50户老人家中实际部署报警信息平台，系统已运行近半年，已累计收集报警信息800多条，对老人评估平均2～3次。在平台运行初期，我们发现，由于老人年纪偏大，会出现忘记进行模式切换，而产生误报的情况，我们进行了加强记忆。同时，由于老人对手机和平板使用力度不够，老人对脑健康评估系统APP还不太会使用，每次得由志愿者来辅助进行。因此，我们联合社区，开展了老年人平板及手机使用培训班。在系统运行中期，经过培训后老人掌握了手机及平板使用方法，自己可以定期进行测量。

在平台运行后期，系统运行稳定。报警信息能够及时到达工作人员手中，同时误报率也大大减少。

4　结　语

本文使用基于隐式感知的技术为老人建立了一套认知健康评估系统，用以解决老人居家健康评估存在检验周期长、执行困难的问题。同时，实现了老人居家安全报警。本文介绍了系统架构，主要功能模块及关键技术实现过程。同时，选取了社区老人，在家中进行实际环境部署。通过实际部署测试表明，目前系统运行稳定，能有效持续性地对老人认知进行评估，解决了之前评估周期长，易遗忘且执行繁琐的问题。同时，系统获取老人报警信息准确，能帮助独居老人更好地享受老年生活。

目前系统主要为预测老人认知下降，后期可通过设计并实施相应的干预方案，对老人认知健康的衰退进行干预，提升老人的认知水平，防止认知进一步衰退。实时干预方案后，可再次通过评估系统来检验干预方案的效果，有效地管理老人认知健康。以主动干预、居家监测为特征的老年健康照护平台对推进智慧养老发展有很大的促进作用，未来发展需求只增不减。

[1] 洪震．我国近年阿尔茨海默病流行病学研究现状与展望[J]． 老年医学与保健，2005，11(4)：195-198．

[2] 崔玲，郭明冬，周文泉．轻度认知损害的中医临床研究评述[C]//第五次全国中西医结合养生学与康复医学学术研讨会论文集,2006．

[3] Nasreddin Z S，Phillips N A，Bedirian V，et al．The Montreal cognitive assessment，MoCA：A brief screening tool for mild cognitive impair-mental[J]. Journal of the American Geriatrics Society，2005，53(4):695-699．

[4] 孟晓梅，于逢春，尹静，等．蒙特利尔认知评估量表用于轻度认知功能障碍患者评估初步研究[J]．中华老年心脑血管病杂志，2012，14(11)：73-75．

[5] Tamura T，Yoshimura T，Horiuchi F，et al．An ambulatory fall monitor for the elderly[C]//22nd Annual International Conference of the IEEE EMBS，2000:2608-2610．

[6] 许丹纯，俞守华，区晶莹，等．基于时间规律的独居老人日常行为异常预警系统设计[J]．计算机应用与软件，2014，31(3)：314-318．

[7] Bar-Haim S， Harries N， Hutzler Y， et al．Training to walk amid uncertainty with Re-Step: measurements and changes with perturbation training for hemiparesis and cerebral palsy[J]．Disability and Rehabilitation: Assistive Technology，2013，8(5)：417-425．

[8] Feng W，Liu R， Zhu M．Fall detection for elderly person care in a vision-based home surveillance environment using a monocular camera [J]．Signal， Image and Video Processing，2014，8(6)：1129-1138．

[9] 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．

[10] Liu J, An N, Hassan M T, et al. Redundancy reduction for indoor device-free localization[J]. Personal & Ubiquitous Computing, 2017, 21(1):5-15．

[11] Shibuya N, Nukala B T, Rodriguez A I, et al. A real-time fall detection system using a wearable gait analysis sensor and a Support Vector Machine (SVM) classifier[C]//Eighth International Conference on Mobile Computing and Ubiquitous NETWORKING. IEEE, 2015:66-67．

[12] Yang J, Wang H, Ding H, et al. Nonlinear dimensionality reduction methods for synthetic biology biobricks’ visualization[J]. Bmc Bioinformatics, 2017,18(1):47．

[13] 王华丽．多元线性回归分析实例分析[J]. 科技资讯，2014(29)：22-24．