CN109946987A - 一种基于互联网的老年人生活环境优化监控方法 - Google Patents

Abstract

本发明公开了一种基于互联网的老年人生活环境优化监控方法，包括：步骤一、采集老年人生活环境的环境信息，计算第一环境影响因子和第二环境影响因子步骤二、采集老年人生活的居住面积S、和老年人的平均年龄步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中，作为输入层；步骤四、经过BP神经网络模型训练，对老年人的生活环境进行优化调节；步骤五，将优化调节信号输入到模糊控制器中，获得表示优化调节类别的输出向量群，将其作为调节答案输出。通过对老年人的居住环境和居住信息进行监测，在环境变化时进行优化调节和报警，提高对老年人居住环境的优化管理。

Description

一种基于互联网的老年人生活环境优化监控方法

技术领域

本发明涉及一种基于互联网的老年人生活环境优化监控方法，属于环境监测领域。

背景技术

随着时代的进步和经济的发展，人们越来越重视健康和保养，对生活品质的要求不断提高，对居住环境舒适度的要求也越来越高，在这个互联网的时代，利用通讯技术为用户打造现代、舒适的居住环境，已经形成了一个具有巨大市场潜力的新型产业，那就是智能家居产业。近年来，智能家居市场获得了快速发展，并获得了越来越多家庭用户的关注和应用。

在我国，约有15％是健康人，15％的非健康人，70％的亚健康人，而主动参与健康管理的不到5％，由于健康意识的相对薄弱，许多家庭每年应用于医疗的支出费用占家庭收入的30％以上，更有甚者因为医疗费用返贫却也无法挽救一个个生命。

健康管理是以预防和控制疾病发生与发展，降低医疗费用，提高生命质量为目的，针对个体及群体进行健康教育，提高自我管理意识和水平，并对其生活方式相关的健康危险因素健康管理可以依据科学的生活方式，对个人或人群的健康危险因素进行全面监测，分析、评估、预测以及进行干预的全过程管理的过程，指导人们主动有效地维护和把握健康，变被动治疗为主动预防、由被动治疗疾病促进健康向着主动预防疾病、保持和维护健康的观念转变。

良好的居住环境，是人们生活之本，只有有了良好的居住环境才能开始对自己进行健康管理，医学研究表明，许多疾病病因主要不是生物因素引起的，而是由于不良的生活方式、环境因素等引起的，因此，加强对居住环境的监测，是实现健康管理比不可少的手段。

特别是对老年人，老年人由于其年龄特点，对外界环境的抵抗能力较差，适应能力差，对环境变化比较敏感，因此需要稳定的生活环境，需要对其生活环境进行监督和优化。

发明内容

本发明设计开发了一种基于互联网的老年人生活环境优化监控方法，通过对老年人的居住环境和居住信息进行监测，在环境变化时进行优化调节和报警，提高对老年人居住环境的优化管理。

本发明的另一发明目的，通过计算老年人生活环境的影响因子，实现对老年人生活环境的状态进行判断。

本发明的另一发明目的，通过BP神经网络和模糊控制对老年人的生活环境进行监控和优化调节，并在出现紧急情况时进行报警，提高优化监控效率和精度。

本发明提供的技术方案为：

一种基于互联网的老年人生活环境优化监控方法，包括：

步骤一、采集老年人生活环境的环境信息，计算第一环境影响因子和第二环境影响因子

步骤二、采集老年人生活的居住面积S、和老年人的平均年龄

步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中，作为输入层；

步骤四、经过BP神经网络模型训练，对老年人的生活环境进行优化调节；

步骤五，将优化调节信号输入到模糊控制器中，获得表示优化调节类别的输出向量群，将其作为调节答案输出。

优选的是，通过传感器，采集老年人生活居住的室内环境信息，包括：环境温度T、环境湿度W、环境压力P_i、光照强度σ、PM2.5浓度C_P以及可燃气体浓度C_K。

优选的是，所述第一环境影响因子的经验公式为：

其中，λ₁为与第一环境影响因子相关的第一常数，T₀设定的室内基础温度，P₀为设定的室内基础环境压力，λ₂为与第一环境影响因子相关的第二常数，W₀为设定的室内基础湿度，λ₁＝0.2～0.35，λ₂＝0.4～0.6。

优选的是，所述第二环境影响因子的经验公式为：

其中，为PM2.5浓度的最大值，为PM2.5浓度的标准值，为可燃气体浓度的标准值，为光照强度标准值，λ₃为与第二环境影响因子相关的第三常数，λ₃＝0.55～0.7。

优选的是，所述步骤三具体包括：

步骤1、按照采样周期，获取老年人生活的居住面积S、老年人的平均年龄第一环境影响因子和第二环境影响因子

步骤2、依次将获取的参数进行归一化，确定三层BP神经网络的输入层向量为，x＝{x₁,x₂,x₃,x₄}；其中，x₁为居住面积系数、x₂为老年人的平均年龄、x₃为第一环境影响因子系数、x₄为第二环境影响因子系数；

步骤3、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂,o₃}；o₁为空调调节阀开度系数、o₂为空气净化器调节阀开度系数，o₃为照明系统调节量系数。

优选的是，所述归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：S、N、和j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，所述中间层节点个数m满足：其中，n为输入层节点个数，p为输出层节点个数。

优选的是，所述步骤五具体包括：

将空调调节阀开度系数与预设的空调调节阀开度系数比较得到空调调节偏差信号，将空气净化器调节阀开度系数与预设的空气净化器调节阀开度系数，将照明系统调节量系数与预设的照明系统调节量系数比较得到照明系统调节量偏差信号；

将空调调节偏差信号经过微分计算得到空调调节变化率信号，空气净化器调节偏差信号经过微分计算得到空气净化器调节变化率信号，将照明体统调节量偏差信号经过微分计算得到照明系统调节量变化率信号；

将空调调节变化率信号、空气净化器调节变化率信号以及照明系统调节量变化率信号共同经过放大后输入模糊控制器，输出优化调节等级。

本发明所述的有益效果：通过对老年人居住环境的温度、湿度、PM2.5浓度、可燃气体浓度进行监测，以及对老年人的居住面积、人口和平均年龄进行获取，实现根据老年人自身的具体情况，对其居住环境进行监测，同时，根据老年人的具体居住特点，进行环境优化调节，给老年人提供一个优异的居住环境，

通过BP神经网络对老年人的居住环境和居住信息进行监测和优化调节，并将调节信息输入到模糊控制器中输出优化调节等级，在出现紧急情况时进行报警，提高优化监控效率和精度。给老年人提供一个优异、舒适的居住环境。

附图说明

图1为本发明所述的基于互联网的老年人生活环境优化监控系统的的结构示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供一种基于互联网的老年人生活环境优化监控方法，通过设置在老年人居住室内的老年人生活环境优化监控系统对老年人的生活环境进行监控和优化，其中，老年人环境优化监控系统设置在老年人居住室内，并具体包括：监测单元，其输出端与处理系统的输入端电连接，将监测到的居住信息发送的处理系统中；在处理系统内部设置有存储单元，存储单元与处理系统双向电连接，存储单元内部预设有标准的居住信息，处理系统的输出端与控制单元的输入端电连接，控制单元同时电连接调节单元和通信单元，控制单元通过网络与通信单元电连接，将调节单元和输出单元的信息通过网络传递给客户端，方便使用者查看。

监测单元包括：温度传感器、湿度传感器、压力传感器、光照强度传感器、PM2.5传感器以及可燃气体探测器。

基于互联网的老年人生活环境优化监控方法具体包括如下步骤：

步骤一、老年人生活环境优化监控系统随老年人的居住而启动，通过检测单元采集老年人的生活环境的环境信息，计算第一环境影响因子和第二环境影响因子

步骤二、采集老年人生活的居住面积S、和老年人的平均年龄

步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中，作为输入层；

步骤四、经过BP神经网络模型训练，对老年人的生活环境进行优化调节；

步骤五，将优化调节信号输入到模糊控制器中，获得表示优化调节类别的输出向量群，将其作为调节答案输出。

在另一实施例中，第一环境影响因子的经验公式为：

其中，λ₁为与第一环境影响因子相关的第一常数，T₀设定的室内基础温度，单位为℃，P₀为设定的室内基础环境压力，单位为Pa，λ₂为与第一环境影响因子相关的第二常数，W₀为设定的室内基础湿度，λ₁＝0.2～0.35，λ₂＝0.4～0.6。

在另一实施例中，第二环境影响因子的经验公式为：

其中，为PM2.5浓度的最大值，单位为mol/L，为PM2.5浓度的标准值，单位为mol/L，为可燃气体浓度的标准值，单位为mol/L，为光照强度标准值，单位为lx，λ₃为与第二环境影响因子相关的第三常数，λ₃＝0.55～0.7。

在另一实施例中，在步骤三中，通过BP神经网络对老年人生活环境进行优化调节，具体包括如下步骤：

步骤1、建立BP神经网络模型；

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中，p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝4，输出层节点数为p＝3。隐藏层节点数m由下式估算得出：

输入信号的四个参数分别表示为：x₁为居住面积系数、x₂为居住人口系数、x₃为老年人的平均年龄系数、x₄为环境影响因子系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数值。

归一化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：S、N、和j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

具体而言，对于老年人的生活居住面积，进行归一化后，得到居住面积系数x₁；

其中，S_min和S_max分别为居住面积的最小值和最大值；

具体而言，对于居住环境内的居住人口，进行归一化后，得到居住人口系数x₂；

其中，N_min和N_max分别为居住人口的最小值和最大值；

具体而言，对于第一环境影响因子，进行归一化后，得到第一环境影响因子系数x₃；

其中，和分别为第一环境影响因子的最小值和最大值；

具体而言，对于第二环境影响因子，进行归一化后，得到第二环境影响因子系数x₄；

其中，和分别为第二环境影响因子的最小值和最大值。

输出层向量o＝{o₁,o₂,o₃}的四个参数分别表示为：o₁为空调调节阀开度系数、o₂为空气净化器调节阀开度系数，o₃为照明系统调节量系数。

步骤2、进行BP神经网络训练

根据历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值W_ij，隐层节点j和输出层节点k之间的连接权值W_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、W_ij、W_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正W_ij、W_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te；

其中，J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能；

如表1所示，给定了一组训练样本以及训练过程中各节点的值

步骤3、将得到的输出层向量输入到模糊控制器中，获得表示优化调节类别的向量群，具体如下：

将空调调节系数o₁与预设的空调调节系数比较得到空调调节偏差信号，将空气净化器调节系数o₂与预设的空气净化器调节系数比较得到空气净化器调节偏差信号，将照明系统调节量系数o₃与预设的照明系统调节量系数比较得到照明系统调节量偏差信号；

将空调调节系数偏差信号经过微分计算得到空调调节变化率信号e₁，空气净化器调节系数偏差信号e₂经过微分计算得到空气净化器调节系数变化率信号，将照明系统调节量信号经过微分计算得到照明系统调节量变化率信号e₃；

将空调调节变化率信号e₁、空气净化器调节变化率信号e₂以及照明系统调节量变化率信号e₃共同经过放大后输入模糊控制器，输出调节等级I＝{I₀,I₁,I₂,I₃}，其中，I₀为正常运行，表示老年人的居住环境适宜，不需要进行优化调节，I₁为一级调节，表示老年人的居住环境出现轻微的变化，需要进行一级调节，I₂为二级调节，表示老年人的居住环境变化变化幅度较大，需要进行二级调节，I₃为报警信号，表示老年人的居住环境出现巨大变化，需要引起注意，必要的时候进行紧急撤离。

其中，其中，e₁、e₂、e₃的实际变化范围分别为[-1,1]，[-1,1]，[-1,1]；离散论域均为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，I的离散论域为{0,1,2,3}，则量化因子，则k₁＝6/1，k₂＝6/1，k₃＝6/1；

定义模糊子集及隶属函数：

把空调调节变化率信号分为7个模糊状态：PB(正大)，PM(正中)，PS(正小)，ZR(零)，NS(负小)，NM(负中)，NB(负大)，结合经验得出空调调节变化率信号e₁的隶属度函数表，如表2所示

表2空调调节变化率信号e₁的隶属度函数表

e<sub>1</sub>	-6	-5	-4	-3	-2	-1	0	+1	+2	+3	+4	+5	+6
														PB	0	0	0	0	0	0	0	0	0	0	0.2	0.8	1.0
PM	0	0	0	0	0	0	0	0	0.2	0.5	1.0	0.5	0.1
														PS	0	0	0	0	0	0	0	0.4	1.0	0.8	0.7	0	0
ZR	0	0	0	0	0.2	0.7	1.0	0	0	0	0	0	0
														NB	0	0	0.3	0.6	1.0	0.8	0.5	0	0	0	0	0	0
NM	0.2	0.4	1.0	0.6	0.1	0	0	0	0	0	0	0	0
														NS	1.0	0.6	0.4	0.2	0	0	0	0.2	0	0	0	0	0

把空气净化器调节变化率信号分为7个模糊状态：PB(正大)，PM(正中)，PS(正小)，ZR(零)，NS(负小)，NM(负中)，NB(负大)，结合经验得出空气净化器调节变化率信号e₂的隶属度函数表，如表3所示：

表3空气净化器调节变化率信号e₂的隶属度函数表

e<sub>2</sub>	-6	-5	-4	-3	-2	-1	0	+1	+2	+3	+4	+5	+6
														PB	0	0	0	0	0	0	0	0	0	0	0.4	0.8	1.0
PM	0	0	0	0	0	0	0	0	0.2	0.7	1.0	0.5	0.1
														PS	0	0	0	0	0	0	0	0.4	1.0	0.8	0.7	0	0
ZR	0	0	0	0	0.2	0.7	1.0	0	0	0	0	0	0
														NB	0	0	0.3	0.6	1.0	0.8	0.5	0	0	0	0	0	0
NM	0.2	0.4	1.0	0.6	0.1	0	0	0	0	0	0	0	0
														NS	1.0	0.6	0.4	0.2	0	0	0	0.2	0	0	0	0	0

照明系统调节量变化率e₃分为三个模糊状态：PB(正大)，ZR(零)，NB(负大)，结合照明系统调节量变化率e₃的隶属的函数表，如表4所示：

表4照明系统调节量变化率e₃的隶属度函数表

e<sub>3</sub>	-6	-5	-4	-3	-2	-1	0	+1	+2	+3	+4	+5	+6
														PB	0	0	0	0	0	0	0	0	0	0	0.4	0.8	1.0
ZR	0	0	0	0	0.2	0.7	1.0	0	0	0	0	0	0
														NS	1.0	0.6	0.4	0.2	0	0	0	0.2	0	0	0	0	0

模糊推理过程必须执行复杂的矩阵运算，计算量非常大，在线实施推理很难满足控制系统实时性的要求，本发明采用查表法进行模糊推理运算，模糊推理决策采用三输入单输出的方式通过经验可以总结出模糊控制器的初步控制规则，模糊控制器根据得出的模糊值对输出信号进行解模糊化，得到故障等级I，求模糊控制查询表，由于论域是离散的，模糊控制规则及可以表示为一个模糊矩阵，采用单点模糊化，得出I控制规则见表5。

表5为模糊控制规则表

通过BP神经网络对老年人的居住环境和居住信息进行监测和优化调节，并将调节信息输入到模糊控制器中输出优化调节等级，在出现紧急情况时进行报警，提高优化监控效率和精度。给老年人提供一个优异、舒适的居住环境。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种基于互联网的老年人生活环境优化监控方法，其特征在于，包括：

步骤一、采集老年人生活环境的环境信息，计算第一环境影响因子和第二环境影响因子

步骤二、采集老年人生活的居住面积S、和老年人的平均年龄

步骤三、将环境信息和老年人的居住信息经过归一化后输入到BP神经网络模型中，作为输入层；

步骤四、经过BP神经网络模型训练，对老年人的生活环境进行优化调节；

步骤五，将优化调节信号输入到模糊控制器中，获得表示优化调节类别的输出向量群，将其作为调节答案输出。

2.根据权利要求1所述的基于互联网的老年人生活环境优化监控方法，其特征在于，通过传感器，采集老年人生活居住的室内环境信息，包括：环境温度T、环境湿度W、环境压力P_i、光照强度σ、PM2.5浓度C_P以及可燃气体浓度C_K。

3.根据权利要求2所述的基于互联网的老年人生活环境优化监控方法，其特征在于，所述第一环境影响因子的经验公式为：

其中，λ₁为与第一环境影响因子相关的第一常数，T₀设定的室内基础温度，P₀为设定的室内基础环境压力，λ₂为与第一环境影响因子相关的第二常数，W₀为设定的室内基础湿度，λ₁＝0.2～0.35，λ₂＝0.4～0.6。

4.根据权利要求3所述的基于互联网的老年人生活环境优化监控方法，其特征在于，所述第二环境影响因子的经验公式为：

其中，为PM2.5浓度的最大值，为PM2.5浓度的标准值，为可燃气体浓度的标准值，为光照强度标准值，λ₃为与第二环境影响因子相关的第三常数，λ₃＝0.55～0.7。

5.根据权利要求4所述的基于互联网的老年人生活环境优化监控方法，其特征在于，所述步骤三具体包括：

步骤1、按照采样周期，获取老年人生活的居住面积S、老年人的平均年龄第一环境影响因子和第二环境影响因子

步骤2、依次将获取的参数进行归一化，确定三层BP神经网络的输入层向量为，x＝{x₁,x₂,x₃,x₄}；其中，x₁为居住面积系数、x₂为老年人的平均年龄、x₃为第一环境影响因子系数、x₄为第二环境影响因子系数；

步骤3、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂,o₃}；o₁为空调调节阀开度系数、o₂为空气净化器调节阀开度系数，o₃为照明系统调节量系数。

6.根据权利要求5所述的基于互联网的老年人生活环境优化监控方法，其特征在于，所述归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：S、N、和j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

7.根据权利要求6所述的基于互联网的老年人生活环境优化监控方法，其特征在于，所述中间层节点个数m满足：其中，n为输入层节点个数，p为输出层节点个数。

8.根据权利要求7所述的基于互联网的老年人生活环境优化监控方法，其特征在于，所述步骤五具体包括：

将空调调节阀开度系数与预设的空调调节阀开度系数比较得到空调调节偏差信号，将空气净化器调节阀开度系数与预设的空气净化器调节阀开度系数，将照明系统调节量系数与预设的照明系统调节量系数比较得到照明系统调节量偏差信号；

将空调调节偏差信号经过微分计算得到空调调节变化率信号，空气净化器调节偏差信号经过微分计算得到空气净化器调节变化率信号，将照明体统调节量偏差信号经过微分计算得到照明系统调节量变化率信号；

将空调调节变化率信号、空气净化器调节变化率信号以及照明系统调节量变化率信号共同经过放大后输入模糊控制器，输出优化调节等级。