CN107424381A - 一种用于空巢老人的室内监测系统 - Google Patents

一种用于空巢老人的室内监测系统 Download PDF

Info

Publication number
CN107424381A
CN107424381A CN201710600884.8A CN201710600884A CN107424381A CN 107424381 A CN107424381 A CN 107424381A CN 201710600884 A CN201710600884 A CN 201710600884A CN 107424381 A CN107424381 A CN 107424381A
Authority
CN
China
Prior art keywords
mrow
msub
data
zigbee
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710600884.8A
Other languages
English (en)
Other versions
CN107424381B (zh
Inventor
李嘉昕
史中权
卞新高
吴佳玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201710600884.8A priority Critical patent/CN107424381B/zh
Publication of CN107424381A publication Critical patent/CN107424381A/zh
Application granted granted Critical
Publication of CN107424381B publication Critical patent/CN107424381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/283—Processing of data at an internetworking point of a home automation network
    • H04L12/2834—Switching of information between an external network and a home network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

本发明公开了一种用于空巢老人的室内监测系统，包括环境监测模块、跌倒预分析模块、ZigBee网络模块、家庭网关和GSM模块；跌倒预分析模块包括贴于老人脚底的压力传感器、腰间的加速度传感器和与压力传感器及加速度传感器输出端相连接的中央微处理器；ZigBee网络模块包括ZigBee协调器和ZigBee终端；环境监测模块和跌倒预分析模块与ZigBee终端输入端连接；家庭网关通过信息融合算法的分析，判断老人当前居住环境有无潜在风险；GSM模块用于进行老人家属的信息通知。本发明可提高监测数据的精度并避免故障和环境的干扰，可根据判断的风险度及时通知家属，轮询的周期可根据判断的风险度进行动态修正。

Description

一种用于空巢老人的室内监测系统
技术领域
本发明涉及一种用于空巢老人的室内监测系统，属于室内监测系统技术领域。
背景技术
现如今，随着物联网的飞速发展，智能家居的概念逐渐融入我们的日常生活中去，成为业界一个越来越热门的话题，同时也是我们未来生活的一个重要趋势。而室内环境监测系统则是智能家居的一项具体应用，其利用先进的无线传感器网络，将分散于室内的各个传感器节点有机整合在一起，通过家庭网关控制器进行数据采集与分析，数据可以保存在本地或者上传云端进行进一步区域管理。另一方面，从社会角度去看，随着社会老龄化程度的加深，空巢老人的比重也越来越大，独居和空巢老人的安全问题逐渐成为了未来技术的焦点。
目前市面上的监测系统大多已将物联网技术融入其中，通常包括如下几个模块：数据采集模块，视频监控模块，显示模块，网络协调器模块；其中数据采集模块模块包括温湿度传感器、气体浓度传感器和红外传感器。目前来说这种环境监测系统多用于农业、光伏业和工业领域，针对普通住宅用户，尤其是空巢老人生活环境的监测系统还非常的不成熟，若简单的将工业上的环境监测系统移植到住宅内，将会有几个弊端，具体如下：
1)市场上常见的成套监测系统除了数据采集模块，还包括视频监控模块、玻璃门窗防盗模块，上述功能对于空巢老人实用领域略显冗杂，且一整套系统成本过高，操作安装复杂，不容易进行维护。
2)安全性不佳，普通的监测系统单单只考虑到了客观环境因素，比如温度，湿度，气体浓度。这些监测参数对于一般家庭适用，但是考虑到空巢老人的特殊情况，比如无法适用于浴室摔倒监测这样的特殊情境之下。
3)大多数市面上的环境监测系统只是单单通过设定一个阈值来监测环境，忽视了作为一个网络体系的相互关联性，仅仅通过阈值分析容易误判断许多潜在的威胁，且没有妥善利用作为家庭网关的微处理器的数据分析能力。
综上可见，现有的室内环境监测系统存在针对性不强，功能冗杂，实施安装过程比较复杂。
发明内容
针对现有技术存在的不足，本发明目的是提供一种用于空巢老人的室内监测系统，提高监测数据的精度并避免故障和环境的干扰，可根据判断的风险度及时通知家属，轮询的周期可以根据判断的风险度进行动态修正。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的一种用于空巢老人的室内监测系统，包括安装在各个区域(空巢老人的家居住所，包括但不限于老人起居室，厨房，浴室和客厅)下的环境监测模块、跌倒预分析模块、ZigBee网络模块、家庭网关和GSM模块；所述环境监测模块包括温湿度传感器和气体浓度传感器；所述跌倒预分析模块包括贴于老人脚底的压力传感器、腰间的加速度传感器和与压力传感器及加速度传感器输出端相连接的中央微处理器；所述中央微处理器基于SVM跌倒分析算法分析压力传感器及加速度传感器数据；所述ZigBee网络模块包括ZigBee协调器和ZigBee终端，所述ZigBee协调器一方面收集环境监测模块和跌倒预分析模块的数据并将之通过串口发送给家庭网关，另一方面接受所述家庭网关的命令，控制当前室内监测网络的工作模式，所述工作模式包括老人看护模式、环境监测模式和撤防模式；所述ZigBee终端输入端负责接受ZigBee协调器发送的命令，并将之通过输出端传递环境监测模块和跌倒预分析模块，输出端与ZigBee协调器进行无线数据传输；所述环境监测模块和跌倒预分析模块与ZigBee终端输入端连接，从而接入所述ZigBee网络模块形成的网络中，并将采集到的老人活动区域温度、湿度以及气体浓度数据和跌倒分析结果(通过SVM支持向量机方法获得，是现有技术，此处不再赘述)通过当前无线传感器网络送入ZigBee协调器；
所述家庭网关通过基于QT编写的上位机程序(现有技术，此处不再赘述)，用户可以从老人看护模式、环境监测模式和撤防模式中进行选择，同时通过信息融合算法的分析，判断老人当前居住环境有无潜在风险；
所述GSM模块用于进行老人家属的信息通知，当所述信息融合算法判断当前环境处于高度风险时，GSM模块以自动电话和短信的形式告知家属，避免危险发生。
上述老人看护模式下，ZigBee协调器激活所有ZigBee终端并周期性接受所有终端发出的数据，通过所述信息融合算法推断当前环境的风险度；所述环境监测模式下，ZigBee协调器停止接受加速度传感器和压力传感器的数据，使其进入低功耗模式；所述撤防模式下，ZigBee协调器停止接受所有传感器的数据并使所有的环境监测模块进入低功耗状态。
本发明的用于空巢老人的室内监测系统，信息融合算法具体包括以下几个步骤：
步骤(1)建立无线传感器网络并分配根据功能码的网络地址：
进入工作模式之后，所述家庭网关命令ZigBee协调器进行无线传感器网络的建立，除了ZigBee协议规定的64位IEEE地址和16位网络地址外，根据ZigBee终端的环境监测功能(各个区域包括卧室、起居室和厨房的环境参数的监测)及老人看护功能(即上述跌倒预分析模块的功能，老人跌倒的即时报警)和配置区域，家庭网关将在应用层编码八位功能码，用于家庭网关进行来源信息终端功能的判断；
步骤(2)家庭网关命令ZigBee协调器周期轮询各个ZigBee终端：
家庭网关根据前一次存储的数据得到当前轮询周期并发送该周期给ZigBee协调器，所述ZigBee协调器依照终端的区域组号和功能码进行数据轮询；
步骤(3)接受ZigBee协调器轮询得到的监测数据
所述ZigBee协调器在一个周期时间内完成所有组数据轮询之后，将数据以组为单位进行数据打包，然后通过串口发送给所述家庭网关；
步骤(4)家庭网关对当前数据进行风险度评估：
所述家庭网关通过串口接受所有数据包之后，根据区域组号进行解包，然后调用所述信息融合算法进行风险度评估，根据风险度指标来修改轮询周期，并通过所述GSM模块判断是否应该告知家属。
步骤(2)中，家庭网关命令所述ZigBee协调器依照终端的区域组号和功能码进行数据轮询，具体包括以下几个步骤：
(2-1)轮询周期开始，所述ZigBee协调器扫描区域号为group_number的ZigBee终端组，同时根据模块功能码func_number确定区域内终端功能号，两者共同确定ZigBee终端网络地址；
(2-2)ZigBee协调器接受步骤(2-1)终端网络地址所确定的ZigBee终端所采集的数据，通过16位CRC校验判断数据完整度，若不通过，ZigBee协调器再次请求ZigBee终端所采集的数据，多次判断完整度，不成功则将终端号记录于mal_flags数组内；
(2-3)ZigBee协调器继续扫描当前区域号下不同功能号的终端，直至当前区域下所有ZigBee终端扫描完毕；
(2-4)ZigBee协调器继续扫描不同区域号下各个终端，直至覆盖所有区域号，完成该周期内的轮询任务。
步骤(4)中，家庭网关根据所述信息融合算法对轮询得到的数据进行风险度评估，具体包括以下几个步骤：
(4-1)解包时刻ti的数据包，解析区域码为01的数据包，该数据包包括参数：区域01的温度传感器F，区域01的温度传感器G，区域01的湿度传感器P，区域01的气体浓度传感器C以及老人行为分析判断结果R；
(4-2)采用数据数列作为研究对象，将区域01的各个参数数据序列化，计算范围包括当前时刻t的数据和之前追溯的N个周期的所有数据，那么在当前时间段[ti-1,ti]便包含了N个数据，构成数据序列{xn|n＝0,1,....N-1}，拓展到整个时间轴上，则划分如下数据流模型：
F(t)＝f(t)+εf(t)
其中，F(t)、f(t)和εf(t)分别表示传感器监测数据的监测值、真实数据和环境噪声，Fi(t-ti)表示窗口时间[ti,ti+1]内的参数监测值，加在一起就是右边的和了，即整个时间轴的参数监测值；fi(t-ti)表示窗口时间[ti,ti+1]内的参数真实值，加在一起就是右边的和了，即整个时间轴的参数真实值；
(4-3)时间维度上，利用所述信息融合算法对时间上冗余的单个数据序列{xn|n＝0,1,....N-1}进行数据处理，得到对于fi(x)最优融合结果f'i(x)；
(4-4)空间维度上，利用所述信息融合算法对空间上冗余的多个数据序列{xn|n＝0,1,....N-1}进行特征信息处理，得到空间温湿度传感器和气体浓度传感器数据对有效属性的关联度Si和信息权值αi，通过加权处理得到算法处理后的属性真实值；
(4-5)重复以上步骤(4-3)和步骤(4-4)，直到所有温度信息、湿度信息和气体浓度信息都处理完毕，并得到步骤(4-3)和步骤(4-4)数据时间和空间处理算法处理后的温湿度参数和气体浓度参数；
(4-6)对处理后的各个温湿度参数和气体浓度参数进行风险值评估，若存在风险值超过安全界定的参数，在当前周期内将存在风险的参数填充数据包(GSM模块是现有的模块SIM900A，我们根据其要求的数据格式把评估之后存在风险的参数发送过去即可)并通过串口发送给GSM模块通知用户并动态修正该区域下一次的轮询周期；
(4-7)若部署超过一个区域则继续解析下一个区域码数据包并进行同样的信息数据处理。
步骤(4-3)中，在时间维度上，利用所述信息融合算法对时间上冗余的单个数据序列{xn|n＝0,1,....N-1}进行数据处理，得到对于fi(x)最优融合结果f'i(x)，具体包括以下几个步骤：
(4-3-1)将得到的单个数据序列{xn|n＝0,1,....N-1}进行周期性展开，
扩展到整个时间域中去，傅里叶级数如下：
fi(x)为数据序列对应的函数，这个式子是对该函数的傅里叶级数；a和b是对应频率上的余弦和正弦分量系数；
(4-3-2)将温度、湿度和气体浓度监测值从时域信号转化到频域信号，并进行频率结构的分析(频率分析方法是现有的，就是后面的离散傅里叶变换)，对数据序列{xn|n＝0,1,....N-1}进行离散傅里叶变换：
N为数据序列周期性展开的时间窗口个数；n为当前的时间窗口；
得到该数据序列在频域的分布，同时为了减小噪声对频域选取的干扰，使用功率谱估计：
X(k)为对应序列的离散傅里叶变换；
同时设：得到当前功率谱在阶段功率谱的占有比例，Sk为上述的功率谱估计，对于pk小于噪声阈值P0的频域视为噪声影响大的频域，予以舍弃，其余便是主频部分从而求得了数据的频域分布；
(4-3-3)利用最优化的方法，对采集的数据序列使用最小二乘法进行曲线拟合，得到幅频特征向量，结合步骤(4-3-2)得到的主频部分得出对曲线fi(x)的最优融合结果f'i(x)。
步骤(4-4)中，空间维度上，利用所述信息融合算法对空间上冗余的多个数据序列{xn|n＝0,1,....N-1}进行特征信息处理，得到空间多个温度传感器数据对有效属性的关联度Si和信息权值αi，具体包括以下步骤：
(4-4-1)对于不同的监测参数按照相同的时间段进行处理ti-1≤x≤ti，信息融合的模型表示为：
其中，fi(t-ti)和gi(t-ti)表示两个温度传感器监测的温度参数在时间窗口[ti,ti+1]客观分布的估计；
在同一时间段内，表示成如下的形式：
其中，fi(x)和gi(x)为两个温度数据序列对应的函数，这个式子是对该函数的傅里叶级数；
这里的Ff、Fg、(aij,bij)、(cij,dij)都是用上述时间维算法分别对两个温度传感器的温度参数进行处理之后得到的；
两个温度传感器温度数据序列的主频分布分别是：Ff＝(f0,f1,...,fnf-1)和Fg＝(g0,g1,...,gng-1)
两个温度传感器温度数据序列的不同频率分量幅值分别是：(aij,bij)和(cij,dij)
(4-4-2)选择主频和幅值构成的向量作为特征向量F，然后通过合并所有频率分量进行扩频，频域分布扩展到n维，确保相关主频分布在这个集合里，得到对应特征向量：
Ff＝{...,f0,...,fm,...,fnf-1,...}0≤m≤nf-1
Fg＝{...,g0,...,gj,...,gng-1,...}0≤j≤ng-1
两个温度参数数据序列扩维以后的频率分布，里面的f和g是对应维度的频率分量，0表示该频率上不存在对应的分量；
将其表示成幅值形式：
(4-4-3)对于测量同一环境参数的数据序列，衡量它们的关联性：
使用此方式判断他们对于同一测量参数的关联性强弱；
(4-4-4)利用对于同一监测参数的不同测量数据来对其真实值进行准确的估计；
设ti时刻两个温度传感器经过时间维度处理后得到的监测数据为x1和x2，两个对同一属性的监测属性必然存在公共区域，利用关联性作为衡量权重α标准：
α1＝S1/(S1+S2)
α2＝S2/(S1+S2)
其中，S1和S2分别是两个温度传感器在步骤(4-4-3)中求出来的关联度；
得到对同一属性的融合结果：
步骤(4-6)中，根据属性真实值和安全界定值(上文未出现，因为这是该步骤算法的细节，所以只在算法内部提及了)的差去动态修正该区域下一次的轮询周期，具体包括以下步骤：
(4-6-1)设目前得到的对于属性X的最优特征信息融合结果为x，安全界定值为x0，原周期轮询时间为T0，最小轮询时间为Tmin，最大轮询时间Tmax；
(4-6-2)在正常环境下根据前10次融合结果得到对当前属性的平均估计
作为判断风险值的环境参照；
(4-6-3)如果x<x0，当前属性为安全界定范围内，风险度估计如下：
p是不同监测属性的权重；
若得到的d>1，判断当前属性具有潜在威胁；
如果x>x0，判断当前属性为高危状态；
(4-6-4)根据当前监测属性的风险度查表动态修正对应终端的轮训周期得到T1且Tmin<T1<Tmax；
若T1≈Tmax，判断当前属性为安全界定范围内；
若T1≈Tmin，判断当前属性具有潜在威胁。
本发明的有益之处在于：
本发明的基于ZigBee无线传感器网络的用于空巢老人的室内监测系统，相比传统监测系统来说针对用户更加具体，抛弃了冗余的功能并且简化了无线监测系统布线规模，多种模式的切换也利于不同环境下本发明的使用；家庭网关内嵌配套监测信息融合算法对ZigBee轮询数据进行处理，可以根据区域多个传感器的时间和空间冗余信息进行融合，提高监测数据的精度并避免故障和环境的干扰，另一方面根据判断的风险度及时通知家属，轮询的周期可以根据判断的风险度进行动态修正，相比传统固定周期的ZigBee来说虽然程序处理略微复杂，但是可以在安全的情况下适当延长轮询周期尽可能延长ZigBee终端电池的工作时间，同时在风险度较高的情况下适当缩短轮询周期，在算法能够接纳的处理时间之内尽可能多的进行监测环境的风险分析。
附图说明
图1是本发明的用于空巢老人的室内监测系统示意图；
图2是本发明的监测系统工作流程图；
图3是本发明的信息融合算法风险度评估流程图；
图4是本发明的配套信息融合算法优化效果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1，本发明的基于ZigBee无线传感器网络的用于空巢老人的室内监测系统，包括各个传感器节点，ZigBee终端，ZigBee协调器，老人跌倒预分析模块，家庭网关和GSM模块。
参见图2，家庭网关启动以后根据所选模式配置ZigBee协调器，ZigBee协调器接受模式命令之后开始组网，各个传感器节点和ZigBee终端根据区域进行统一布置入网，且入网的传感器可以进行自由搭配。老人跌倒预分析模块根据分析处理器内置的算法进行老人行为模式的判断并将结果发送出去。ZigBee协调器在接受到所有入网终端的响应信号之后根据区域进行轮询，依次进行各个区域ZigBee终端和跌倒预分析模块的轮询，根据内置的信息融合算法处理轮询得到监测数据，判断对应区域的风险情况并作相应处理。
运行在所述的家庭网关的室内监测信息融合算法，包括以下步骤，
(1)建立无线传感器网络并分配根据功能码的网络地址
家庭网关命令ZigBee协调器进行无线传感器网络的建立，除了ZigBee协议规定的64位IEEE地址和16位网络地址外，根据ZigBee终端的具体功能和配置区域家庭网关在应用层将编码8位功能码，便于家庭网关进行来源信息终端功能的判断。
(2)家庭网关命令ZigBee协调器周期轮询各个ZigBee终端
家庭网关根据前一次分析的数据得到的轮询周期发送给ZigBee协调器，ZigBee协调器依照终端的区域组号和功能码进行数据轮询。
(3)接受ZigBee协调器轮询得到的监测数据
ZigBee协调器在一个周期时间内完成所有组数据轮询之后，将数据以组为单位进行数据打包然后通过串口发送给家庭网关。
(4)家庭网关对当前数据进行风险度评估
家庭网关通过串口接受所有数据包之后，根据区域组号进行解包，然后调用内置的信息融合算法进行风险度评估，根据风险度指标来修改轮询周期，并通过GSM模块判断是否应该告知家属。
步骤(2)中，家庭网关命令ZigBee协调器周期轮询各个ZigBee终端包括以下步骤，
(2-1)轮询周期开始，ZigBee协调器扫描区域号为group_number的ZigBee终端组，同时根据模块功能码func_number确定区域内终端功能号，两者共同确定ZigBee终端网络地址。
(2-2)ZigBee协调器接受指定终端的数据，通过16位CRC校验判断数据完整度，若不通过则终端再次发送，多次接受不成功则将终端号记录于mal_flags数组内方便后面进行故障诊断。
(2-3)ZigBee协调器继续扫描当前区域号下不同功能号的终端，直至当前区域下所有ZigBee终端扫描完毕。
(2-4)ZigBee协调器继续扫描不同区域号下各个终端，直至覆盖所有区域号，完成该周期内的轮询任务。
步骤(4)家庭网关对当前数据进行风险度评估，如图3所示，具体包括以下步骤，
(4-1)解包时刻ti的数据包，解析区域码为01的数据包，该数据包包括参数：区域01的温度传感器F，区域01的温度传感器G，区域01的湿度传感器P，区域01的气体浓度传感器C以及老人行为分析判断结果R。
(4-2)采用数据数列作为研究对象，将区域01除行为判断结果以外的各个参数数据序列化，计算范围包括当前时刻ti的数据和之前追溯的N个周期的所有数据，那么在当前时间段[ti-1,ti]便包含了N个数据，构成数据序列{xn|n＝0,1,....N-1}，拓展到整个时间轴上，可以划分如下数据流模型：
F(t)＝f(t)+εf(t)
其中，F(t)、f(t)和εf(t)分别表示传感器监测数据的监测值、真实数据和环境噪声。
(4-3)时间维度上，利用信息融合算法对时间上冗余的单个数据序列{xn|n＝0,1,....N-1}进行数据处理，得到对于fi(x)最优融合结果f'i(x)。
(4-4)空间维度上，利用信息融合算法对空间上冗余的多个数据序列{xn|n＝0,1,....N-1}进行特征信息处理，得到空间多个相关传感器数据对有效属性的关联性Si和信息权值αi，通过加权处理得到算法处理后的属性真实值。
(4-5)重复以上步骤(4-3)和步骤(4-4)，直到所有必要的监测信息都处理完毕并得到算法处理后的参数值。
(4-6)对处理后的各个参数进行风险值评估，若存在风险值超过安全界定的参数，在当前周期内将存在风险的参数填充数据包并通过串口发送给GSM模块通知用户并动态修正该区域下一次的轮询周期。
(4-7)若部署超过一个区域则继续解析下一个区域码数据包并进行同样的信息数据处理。
在时间维度上，利用信息融合算法对时间上冗余的单个数据序列进行数据处理并得到最优融合结果的方法，步骤如下：
1)将得到的单个数据序列{xn|n＝0,1,....N-1}进行周期性展开，扩展到整个时间域中去，傅里叶级数如下：
2)将数据从时域信号转化到频域信号进行频率结构的分析，对数据序列进行离散傅里叶变换：
得到该数据序列在频域的分布，同时为了减小噪声对频域选取的干扰，我们需要使用功率谱估计：
同时设：得到当前功率谱在阶段功率谱的占有比例，对于pk小于噪声阈值P0的频域视为噪声影响较大的频域，予以舍弃，其余便是主频部分是监测值对真实值的较精确反映。
3)利用最优化方法，对采集的数据序列使用最小二乘法进行曲线拟合，可以得到幅频特征向量，结合所述2)得到的最优主频部分，便可以得出对曲线fi(x)的最优融合结果f'i(x)。
在空间维度上，利用信息融合算法对空间上冗余的多个最优融合处理过后的数据序列进行特征信息处理，并得到对有效属性的关联度和信息权值，步骤如下：
1)对于不同的监测参数按照相同的时间段进行处理ti-1≤x≤ti，信息融合的模型可以表示为：
在同一时间段内，可以表示成如下的形式：
主频分布分别是：Ff＝(f0,f1,...,fnf-1)和Fg＝(g0,g1,...,gng-1)
不同频率分量幅值分别是：(aij,bij)和(cij,dij)
2)选择主频和幅值构成的向量作为特征向量F，然后通过合并所有频率分量进行扩频，确保相关主频分布在这个集合里，得到对应特征向量：
Ff＝{...,f0,...,fm,...,fnf-1,...}0≤m≤nf-1
Fg＝{...,g0,...,gj,...,gng-1,...}0≤j≤ng-1
将其表示成幅值形式：
3)对于测量同一环境参数的数据序列，衡量它们的关联性：
使用此方式判断他们对于同一测量参数的关联性强弱。
4)利用对于同一监测参数的不同测量数据来对其真实值进行准确的估计，主要利用考虑关联性的信息加权算法。
考虑到使用传感器本身的测量误差，设传感器F和传感器G的方差分别为和设ti时刻两个传感器经过时间维度处理后得到的监测数据为x1和x2，两个对同一属性的监测属性必然存在公共区域，利用关联性作为衡量权重α标准：
α1＝S1/(S1+S2)
α2＝S2/(S1+S2)
根据各个监测数据各自对属性的权重，得到对同一属性的最终融合结果：
处理温度数据最终优化结果如图4所示。
根据属性真实值和安全界定值的差去动态修正该区域下一次的轮询周期，步骤如下：
1)设目前得到的对于属性X的最优特征信息融合结果为x，安全界定值为x0，原周期轮询时间为T0，最小轮询时间为Tmin，最大轮询时间Tmax。
2)在正常环境下根据前10次融合结果得到对当前属性的平均估计
作为判断风险值的环境参照。
3)如果x<x0，当前属性为安全界定范围内，风险度估计如下：
p是不同监测属性的权重，需要根据具体传感器进行调整。如表1。
表1
传感器测量参数 统一单位 权重p 安全界定值x0
温度 摄氏度(℃) 5-8 -15-50
湿度 相对湿度(％RH) 3-6 30-70
气体浓度 百万分比浓度(‰) 10-15 0.001-0.05
若d>1，判断当前属性具有潜在威胁。
若x>x0，判断当前属性为高危状态。
4)根据当前监测属性的风险度查表动态修正对应终端的轮训周期得到T1且Tmin<T1<Tmax。如表2。
若T1≈Tmax，判断当前属性为安全界定范围内。
若T1≈Tmin，判断当前属性具有潜在威胁。
表2
当前风险度d的范围d 轮询周期修正T1
[0,0.5] 1.3*T1
(0.5,1] T1
(1,2] 0.8*T1
(2,5] 0.5*T1
>5 0.1*T1
该算法充分利用无线传感器网络获得的节点数据，从时间角度和空间角度出发，利用信息融合算法优化数据序列，排除传感器故障和扰动带来的噪声，另一方面考虑到家庭网关的处理器性能，在过去阈值判断算法的基础上添加了风险值预估算法和动态修正算法，一方面尽可能的推断当前环境的潜在风险，另一方面在安全环境下动态修正轮询周期达到进一步优化终端用电状况的目的。
综上所述，本发明的用于空巢老人的室内监测系统及其监测信息融合算法，根据用户所选择的模式自动进行室内监测网络的组网，简化冗杂的区域传感器配置，添加了跌倒预分析模块适用于空巢老人的生活环境。另一方面配套的监测信息融合算法能够通过时间维度和空间维度的优化来过滤故障和扰动的噪声，更加精确的获得所需数据。添加的动态修正算法和风险值预估算法可以尽可能推断当前环境的潜在风险并在风险值较高时缩短轮询周期，在风险值较低时延长轮训周期，以达到动态优化耗电量的目的。该系统和配套算法使用方式灵活快捷，监测分析能力较传统的无线网络更有针对性与准确性，适用范围广，有很好的应用市场。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种用于空巢老人的室内监测系统，其特征在于，包括安装在各个区域下的环境监测模块、跌倒预分析模块、ZigBee网络模块、家庭网关和GSM模块；
所述环境监测模块包括温湿度传感器和气体浓度传感器；
所述跌倒预分析模块包括贴于老人脚底的压力传感器、腰间的加速度传感器和与压力传感器及加速度传感器输出端相连接的中央微处理器；所述中央微处理器基于SVM跌倒分析算法分析压力传感器及加速度传感器数据；
所述ZigBee网络模块包括ZigBee协调器和ZigBee终端，所述ZigBee协调器一方面收集环境监测模块和跌倒预分析模块的数据并将之通过串口发送给家庭网关，另一方面接受所述家庭网关的命令，控制当前室内监测网络的工作模式，所述工作模式包括老人看护模式、环境监测模式和撤防模式；所述ZigBee终端输入端负责接受ZigBee协调器发送的命令，并将之通过输出端传递环境监测模块和跌倒预分析模块，输出端与ZigBee协调器进行无线数据传输；
所述环境监测模块和跌倒预分析模块与ZigBee终端输入端连接，从而接入所述ZigBee网络模块形成的网络中，并将采集到的老人活动区域温度、湿度以及气体浓度数据和跌倒分析结果通过当前无线传感器网络送入ZigBee协调器；
所述家庭网关通过基于QT编写的上位机程序，用户可以从老人看护模式、环境监测模式和撤防模式中进行选择，同时通过信息融合算法的分析，判断老人当前居住环境有无潜在风险；
所述GSM模块用于进行老人家属的信息通知，当所述信息融合算法判断当前环境处于高度风险时，GSM模块以自动电话和短信的形式告知家属，避免危险发生。
2.根据权利要求1所述的用于空巢老人的室内监测系统，其特征在于，所述老人看护模式下，ZigBee协调器激活所有ZigBee终端并周期性接受所有终端发出的数据，通过所述信息融合算法推断当前环境的风险度；所述环境监测模式下，ZigBee协调器停止接受加速度传感器和压力传感器的数据，使其进入低功耗模式；所述撤防模式下，ZigBee协调器停止接受所有传感器的数据并使所有的环境监测模块进入低功耗状态。
3.根据权利要求1所述的用于空巢老人的室内监测系统，其特征在于，所述信息融合算法及其数据接收环节具体包括以下几个步骤：
步骤(1)建立无线传感器网络并分配根据功能码的网络地址：
进入工作模式之后，所述家庭网关命令ZigBee协调器进行无线传感器网络的建立，除了ZigBee协议规定的64位IEEE地址和16位网络地址外，根据ZigBee终端的环境监测功能及老人看护功能结合具体配置区域，家庭网关将在应用层编码八位功能码，用于家庭网关进行来源信息终端功能的判断；
步骤(2)家庭网关命令ZigBee协调器周期轮询各个ZigBee终端：
家庭网关根据前一次存储的数据得到当前轮询周期并发送该周期给ZigBee协调器，所述ZigBee协调器依照终端的区域组号和功能码进行数据轮询；
步骤(3)接受ZigBee协调器轮询得到的监测数据
所述ZigBee协调器在一个周期时间内完成所有组数据轮询之后，将数据以组为单位进行数据打包，然后通过串口发送给所述家庭网关；
步骤(4)家庭网关对当前数据进行风险度评估：
所述家庭网关通过串口接受所有数据包之后，根据区域组号进行解包，然后调用所述信息融合算法进行风险度评估，根据风险度指标来修改轮询周期，并根据风险度评估结果判断是否应该通过所述GSM模块告知家属。
4.根据权利要求3所述的用于空巢老人的室内监测系统，其特征在于，步骤(2)中，家庭网关命令所述ZigBee协调器依照终端的区域组号和功能码进行数据轮询，具体包括以下几个步骤：
(2-1)轮询周期开始，所述ZigBee协调器扫描区域号为group_number的ZigBee终端组，同时根据模块功能码func_number确定区域内终端功能号，两者共同确定ZigBee终端网络地址；
(2-2)ZigBee协调器接受步骤(2-1)终端网络地址所确定的ZigBee终端所采集的数据，通过16位CRC校验判断数据完整度，若不通过，ZigBee协调器再次请求ZigBee终端所采集的数据，多次判断完整度，不成功则将终端号记录于mal_flags数组内；
(2-3)ZigBee协调器继续扫描当前区域号下不同功能号的终端，直至当前区域下所有ZigBee终端扫描完毕；
(2-4)ZigBee协调器继续扫描不同区域号下各个终端，直至覆盖所有区域号，完成该周期内的轮询任务。
5.根据权利要求3所述的用于空巢老人的室内监测系统，其特征在于，步骤(4)中，家庭网关根据所述信息融合算法对轮询得到的数据进行风险度评估，具体包括以下几个步骤：
(4-1)解包时刻ti的数据包，解析区域码为01的数据包，该数据包包括参数：区域01的温度传感器F，区域01的温度传感器G，区域01的湿度传感器P，区域01的气体浓度传感器C以及老人行为分析判断结果R；
(4-2)采用数据序列作为研究对象，将区域01的各个参数数据序列化，计算范围包括当前时刻t的数据和之前追溯的N个周期的所有数据，那么在当前时间段[ti-1,ti]便包含了N个数据，构成数据序列{xn|n＝0,1,....N-1}，拓展到整个时间轴上，则划分如下数据流模型：
F(t)＝f(t)+εf(t)
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>F</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>F</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <msub> <mi>F</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>f</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中，F(t)、f(t)和εf(t)分别表示传感器监测数据的监测值、真实数据和环境噪声，Fi(t-ti)表示窗口时间[ti,ti+1]内的参数监测值，和即整个时间轴的参数监测值；fi(t-ti)表示窗口时间[ti,ti+1]内的参数真实值，和即整个时间轴的参数真实值；
(4-3)时间维度上，利用所述信息融合算法对时间上冗余的单个数据序列{xn|n＝0,1,....N-1}进行数据处理，得到对于fi(x)最优融合结果f'i(x)；
(4-4)空间维度上，利用所述信息融合算法对空间上冗余的多个数据序列{xn|n＝0,1,....N-1}进行特征信息处理，得到空间温湿度传感器和气体浓度传感器数据对有效属性的关联度Si和信息权值αi，通过加权处理得到算法处理后的属性真实值；
(4-5)重复以上步骤(4-3)和步骤(4-4)，直到所有温度信息、湿度信息和气体浓度信息都处理完毕，并得到步骤(4-3)和步骤(4-4)数据时间和空间处理算法处理后的温湿度参数和气体浓度参数；
(4-6)对处理后的各个温湿度参数和气体浓度参数进行风险值评估，若存在风险值超过安全界定的参数，在当前周期内将存在风险的参数填充数据包并通过串口发送给GSM模块通知用户并动态修正该区域下一次的轮询周期；
(4-7)若部署超过一个区域则继续解析下一个区域码数据包并进行同样的信息数据处理。
6.根据权利要求5所述的用于空巢老人的室内监测系统，其特征在于，步骤(4-3)中，在时间维度上，利用所述信息融合算法对时间上冗余的单个数据序列{xn|n＝0,1,....N-1}进行数据处理，得到对于fi(x)最优融合结果f'i(x)，具体包括以下几个步骤：
(4-3-1)将得到的单个数据序列{xn|n＝0,1,....N-1}进行周期性展开，扩展到整个时间域中去，傅里叶级数如下：
<mrow> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mn>2</mn> <mi>&amp;pi;</mi> <mi>k</mi> <mi>f</mi> <mi>x</mi> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mn>2</mn> <mi>&amp;pi;</mi> <mi>k</mi> <mi>f</mi> <mi>x</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;le;</mo> <mi>x</mi> <mo>&amp;le;</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> </mrow>
fi(x)为数据序列对应的函数，上式是对该函数的傅里叶级数表示；k对应的是fi(x)的频域分布，k的取值范围由fi(x)决定；a和b是对应频率上的余弦和正弦分量系数,表示频域的幅谱；
(4-3-2)将温度、湿度和气体浓度监测值从时域信号转化到频域信号，并进行频率结构的分析，对数据序列{xn|n＝0,1,....N-1}进行离散傅里叶变换：
<mrow> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>i</mi> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>n</mi> <mi>k</mi> </mrow> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>...</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow>
N为数据序列周期性展开的时间窗口个数；n为当前的时间窗口；
得到该数据序列在频域的分布，同时为了减小噪声对频域选取的干扰，使用功率谱估计：
<mrow> <mover> <mi>S</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <mo>|</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>
X(k)为对应序列的离散傅里叶变换；
同时设：得到当前功率谱在阶段功率谱的占有比例，Sk为上述的功率谱估计，对于pk小于噪声阈值P0的频域视为噪声影响大的频域，予以舍弃，其余便是主频部分从而求得了数据的频域分布；
(4-3-3)利用最优化的方法，对采集的数据序列使用最小二乘法进行曲线拟合，得到幅频特征向量，结合步骤(4-3-2)得到的主频部分得出对曲线fi(x)的最优融合结果f'i(x)。
7.根据权利要求5所述的用于空巢老人的室内监测系统，其特征在于，步骤(4-4)中，空间维度上，利用所述信息融合算法对空间上冗余的多个数据序列{xn|n＝0,1,....N-1}进行特征信息处理，得到空间多个温度传感器数据对有效属性的关联度Si和信息权值αi，具体包括以下步骤：
(4-4-1)对于不同的监测参数按照相同的时间段进行处理ti-1≤x≤ti，信息融合的模型表示为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>f</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>g</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>g</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msub> <mi>g</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mo>...</mo> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <msub> <mi>g</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中，fi(t-ti)和gi(t-ti)表示两个温度传感器监测的温度参数在时间窗口[ti,ti+1]客观分布的估计；
在同一时间段内，表示成如下的形式：
<mrow> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mn>2</mn> <msub> <mi>&amp;pi;kf</mi> <mi>j</mi> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mn>2</mn> <msub> <mi>&amp;pi;kf</mi> <mi>j</mi> </msub> <mi>x</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;le;</mo> <mi>x</mi> <mo>&amp;le;</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> </mrow>
<mrow> <msub> <mi>g</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mn>2</mn> <msub> <mi>&amp;pi;kg</mi> <mi>j</mi> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mn>2</mn> <msub> <mi>&amp;pi;kg</mi> <mi>j</mi> </msub> <mi>x</mi> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;le;</mo> <mi>x</mi> <mo>&amp;le;</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> </mrow>
其中，fi(x)和gi(x)为两个温度数据序列对应的函数，这个式子是对该函数的傅里叶级数表示；
两个温度传感器温度数据序列的主频分布分别是：Ff＝(f0,f1,...,fnf-1)和Fg＝(g0,g1,...,gng-1)
两个温度传感器温度数据序列的不同频率分量幅值分别是：(aij,bij)和(cij,dij)
上述Ff、Fg、(aij,bij)、(cij,dij)都是用步骤(4-3)时间维算法分别对两个温度传感器的温度参数进行处理之后得到的；
(4-4-2)选择主频和幅值构成的向量作为特征向量F，然后通过合并所有频率分量进行扩频，频域分布扩展到n维，确保相关主频分布在这个集合里，得到对应特征向量：
Ff＝{...,f0,...,fm,...,fnf-1,...}0≤m≤nf-1
Fg＝{...,g0,...,gj,...,gng-1,...}0≤j≤ng-1
两个温度参数数据序列扩维以后的频率分布，里面的f和g是对应维度的频率分量，0表示该频率上不存在对应的分量；
将其表示成幅值形式：
<mrow> <msub> <mi>F</mi> <mi>f</mi> </msub> <mo>=</mo> <mo>{</mo> <mo>...</mo> <mo>,</mo> <msqrt> <mrow> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mn>0</mn> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>b</mi> <mrow> <mi>i</mi> <mn>0</mn> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msqrt> <mrow> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>m</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>b</mi> <mrow> <mi>i</mi> <mi>m</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>,</mo> <mo>...</mo> <mo>}</mo> </mrow>
<mrow> <msub> <mi>F</mi> <mi>g</mi> </msub> <mo>=</mo> <mo>{</mo> <mo>...</mo> <mo>,</mo> <msqrt> <mrow> <msubsup> <mi>c</mi> <mrow> <mi>i</mi> <mn>0</mn> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>d</mi> <mrow> <mi>i</mi> <mn>0</mn> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msqrt> <mrow> <msubsup> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>,</mo> <mo>...</mo> <mo>}</mo> </mrow>
(4-4-3)对于测量同一环境参数的数据序列，衡量它们的关联性：
<mrow> <msub> <mi>S</mi> <mi>f</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>F</mi> <mi>f</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>F</mi> <mi>g</mi> </msub> </mrow> <mrow> <mo>|</mo> <msub> <mi>F</mi> <mi>f</mi> </msub> <mo>|</mo> <mo>&amp;times;</mo> <mo>|</mo> <msub> <mi>F</mi> <mi>g</mi> </msub> <mo>|</mo> </mrow> </mfrac> </mrow>
使用此方式判断他们对于同一测量参数的关联性强弱；
(4-4-4)利用对于同一监测参数的不同测量数据来对其真实值进行准确的估计；
设ti时刻两个温度传感器经过时间维度处理后得到的监测数据为x1和x2，两个对同一属性的监测属性必然存在公共区域，利用关联性作为衡量权重α标准：
α1＝S1/(S1+S2)
α2＝S2/(S1+S2)
其中，S1和S2分别是两个温度传感器在步骤(4-4-3)中求出来的关联度；
得到对同一属性的融合结果：
<mrow> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <msub> <mi>&amp;alpha;</mi> <mn>1</mn> </msub> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>&amp;alpha;</mi> <mn>2</mn> </msub> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>.</mo> </mrow>
8.根据权利要求5所述的用于空巢老人的室内监测系统，其特征在于，步骤(4-6)中，根据属性真实值和安全界定值的差去动态修正该区域下一次的轮询周期，具体包括以下步骤：
(4-6-1)设目前得到的对于属性X的最优特征信息融合结果为x，安全界定值为x0，原周期轮询时间为T0，最小轮询时间为Tmin，最大轮询时间Tmax；
(4-6-2)在正常环境下根据前10次融合结果得到对当前属性的平均估计
作为判断风险值的环境参照；
(4-6-3)如果x<x0，当前属性为安全界定范围内，风险度估计如下：
<mrow> <mi>d</mi> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>x</mi> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>|</mo> </mrow> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>&amp;times;</mo> <mi>p</mi> </mrow>
p是不同监测属性的权重；
若得到的d>1，判断当前属性具有潜在威胁；
如果x>x0，判断当前属性为高危状态；
(4-6-4)根据当前监测属性的风险度查表动态修正对应终端的轮训周期得到T1且Tmin<T1<Tmax；
若T1≈Tmax，判断当前属性为安全界定范围内；
若T1≈Tmin，判断当前属性具有潜在威胁。
CN201710600884.8A 2017-07-21 2017-07-21 一种用于空巢老人的室内监测系统 Active CN107424381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710600884.8A CN107424381B (zh) 2017-07-21 2017-07-21 一种用于空巢老人的室内监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710600884.8A CN107424381B (zh) 2017-07-21 2017-07-21 一种用于空巢老人的室内监测系统

Publications (2)

Publication Number Publication Date
CN107424381A true CN107424381A (zh) 2017-12-01
CN107424381B CN107424381B (zh) 2019-05-10

Family

ID=60430779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710600884.8A Active CN107424381B (zh) 2017-07-21 2017-07-21 一种用于空巢老人的室内监测系统

Country Status (1)

Country Link
CN (1) CN107424381B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635698A (zh) * 2018-12-04 2019-04-16 杭州中房信息科技有限公司 一种基于svm算法的租房人群人身安全检测方法
CN109717770A (zh) * 2018-12-05 2019-05-07 浙江金迪控股集团有限公司 一种家用智能浴室柜
CN110266785A (zh) * 2019-06-14 2019-09-20 烟台宏远氧业股份有限公司 一种高压氧舱数据通信传输方法及系统
CN113726724A (zh) * 2020-09-15 2021-11-30 天翼智慧家庭科技有限公司 一种用于家庭网络环境安全风险评估和检测的方法和网关
CN114743367A (zh) * 2021-04-19 2022-07-12 石家庄科林电气股份有限公司 一种基于生物裂变算法的微功率无线网络通信方法
CN116067690A (zh) * 2023-03-06 2023-05-05 山东齐能电器有限公司 一种基于大数据的电热锅运行故障智能预测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080111657A (ko) * 2007-06-19 2008-12-24 건양대학교산학협력단 응급상황 자동 알림방법
CN102646320A (zh) * 2012-04-26 2012-08-22 北京恒通安信科技有限公司 老人起居智能看护实现的方法
CN103338142A (zh) * 2013-06-05 2013-10-02 山东大学 基于IEEE802.15.4g的无线自组网系统及工作方法
CN206133865U (zh) * 2016-09-26 2017-04-26 郭润泽 一种居家老人智能急救系统
CN106725495A (zh) * 2017-01-13 2017-05-31 深圳先进技术研究院 一种跌倒检测方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080111657A (ko) * 2007-06-19 2008-12-24 건양대학교산학협력단 응급상황 자동 알림방법
CN102646320A (zh) * 2012-04-26 2012-08-22 北京恒通安信科技有限公司 老人起居智能看护实现的方法
CN103338142A (zh) * 2013-06-05 2013-10-02 山东大学 基于IEEE802.15.4g的无线自组网系统及工作方法
CN206133865U (zh) * 2016-09-26 2017-04-26 郭润泽 一种居家老人智能急救系统
CN106725495A (zh) * 2017-01-13 2017-05-31 深圳先进技术研究院 一种跌倒检测方法、装置及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635698A (zh) * 2018-12-04 2019-04-16 杭州中房信息科技有限公司 一种基于svm算法的租房人群人身安全检测方法
CN109717770A (zh) * 2018-12-05 2019-05-07 浙江金迪控股集团有限公司 一种家用智能浴室柜
CN110266785A (zh) * 2019-06-14 2019-09-20 烟台宏远氧业股份有限公司 一种高压氧舱数据通信传输方法及系统
CN110266785B (zh) * 2019-06-14 2020-11-27 烟台宏远氧业股份有限公司 一种高压氧舱数据通信传输方法及系统
CN113726724A (zh) * 2020-09-15 2021-11-30 天翼智慧家庭科技有限公司 一种用于家庭网络环境安全风险评估和检测的方法和网关
CN113726724B (zh) * 2020-09-15 2023-08-25 天翼数字生活科技有限公司 一种用于家庭网络环境安全风险评估和检测的方法和网关
CN114743367A (zh) * 2021-04-19 2022-07-12 石家庄科林电气股份有限公司 一种基于生物裂变算法的微功率无线网络通信方法
CN114743367B (zh) * 2021-04-19 2023-03-10 石家庄科林电气股份有限公司 一种基于生物裂变算法的微功率无线网络通信方法
CN116067690A (zh) * 2023-03-06 2023-05-05 山东齐能电器有限公司 一种基于大数据的电热锅运行故障智能预测系统
CN116067690B (zh) * 2023-03-06 2023-07-18 山东齐能电器有限公司 一种基于大数据的电热锅运行故障智能预测系统

Also Published As

Publication number Publication date
CN107424381B (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN107424381A (zh) 一种用于空巢老人的室内监测系统
US6937946B1 (en) System and method for remote identification of energy consumption systems and components
CN103473889B (zh) 地板预警系统及其预警方法
CN107110964A (zh) 用于在无线电范围、尤其是室内区域的无线电范围中检测对象和/或生物的移动的方法、数字工具、设备和系统
CN103325205B (zh) 基于径向基神经网络的室内火灾预测方法及系统
CN102780783B (zh) 农作物生长环境信息实时感知和动态呈现系统及方法
CN111190067B (zh) 基于物联网的餐饮消毒设备使用监控方法、服务器及系统
CN207094769U (zh) 一种智能家居供热系统
CN102968550A (zh) 一种基于体域网的社区人体健康统一管理系统
CN102955900A (zh) 信息处理装置、信息处理方法及程序
CN106209457A (zh) 应对智能家居环境中旁路攻击的隐私保护方法及系统
CN109246598A (zh) 基于岭回归和极限学习机的室内定位方法
CN103837764B (zh) 家用太阳能光伏发电的电能质量检测方法
CN115047821A (zh) 一种生猪养殖环境智能监测系统及其评价方法
CN107490128A (zh) 一种医院组合式风柜冷量输送能效的评估方法及装置
Sung et al. A distributed energy monitoring network system based on data fusion via improved PSO
CN106444407A (zh) 一种新型室内环境一体化智能解决系统
CN203276349U (zh) 一种自习室人数智能查询装置
CN113137725A (zh) 设备控制方法、装置、电子设备和存储介质
CN102892115B (zh) Wsn中网关之间通信的方法和发起方网关、目标方网关
GB2578610A (en) Sensor methods and apparatus
Zhao et al. Analysis and design of a context-aware smart home system
CN108256540A (zh) 一种信息处理方法及系统
CN202721707U (zh) 农作物生长环境信息实时感知和动态呈现系统
CN206452406U (zh) 一种基于互联网的管廊主控制器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant