本实用新型属于智能家居服务系统技术领域，特别是涉及到一种基于体感网的居家养老系统。
背景技术：
居家养老是解决目前人口老龄化的重要途径。人口老龄化问题是全世界各国共同面临的问题，截至2015年底，中国老年人约占全球老年人口21.4％，近十年来高龄人口增加一倍，城市空巢老人家庭占比已达到49.7％，据中国老龄办数据统计，空巢家庭/类空巢家庭在2030年将会达到90％。居家养老服务实际上是在远程科技的体系上建立的一个支持家庭温情养老的新型社会化服务体系，是其它养老模式的补充与完善，切实解决老人的实际困难，已成为老人、儿女迫切的需求。因而居家养老是当今社会必须研究的课题。
体感网是针对人的一种新形式物联网，我国的家庭监控市场虽然刚刚起步，但是移动家庭监控产品在保护家庭安全、预防风险方面起到不可低估的作用。未来的移动家庭监控系统，将是一个完善的智能化监控体系，结合了4G、安防、智能、电子商务等应用，还可灵活组合电信运营商已有的增值业务系统，将电视娱乐、视频监控、视频会议、手机视频、可视通信等多种业务整合在一个平台上提供给用户，发挥整合优势，来满足用户的个性化需求。同时，高端家庭监控系统还会更加智能化，如视频监测方面能提供高级视频智能分析功能，包括智能分析区域和边界、人像识别、人物追踪、人物统计等；还将结合医疗、家政、呼叫等功能，增加联动报警及安全服务方面的应用。
多传感器融合技术：传统的传感器由于技术和使用环境限制，存在一定程度的误报问题，通过采用多传感器融合技术提高了灵敏度，也提高了误报率，如果设置阈值低，很多危险也检测不到。而多个传感器的检测数据的整合，并通过一定算法进行分析后给出的报警信息，将极大的提高检测水平。
将多传感器融合技术和体感网同时应用于居家养老方面，用于监护老人的健康以及生活是一个新的课题。
技术实现要素：
本实用新型所要解决的技术问题是：提供一种基于体感网的居家养老系统作为监测居家老人安全和健康的信息化系统，用来解决单一传感器误判和不同人的个体化差异等技术问题。
基于体感网的居家养老系统，包括居家体感网、服务器和智能手机，所述居家体感网包括居家传感器和居家无线网络；所述居家传感器包括红外传感器、门禁传感器、紧急按钮、IP摄像头和健康腕表；所述居家无线网络包括中央控制器和无线路由器；所述健康腕表的内部设置有三维加速度传感器、心率传感器、计时器、存储器、紧急呼叫装置、基站定位装置和GPS定位装置，健康腕表通过GPRS与互联网连接；所述中央控制器通过ZigBee分别与红外传感器、门禁传感器以及紧急按钮连接；所述无线路由器通过Wifi分别与IP摄像头、健康腕表以及中央控制器连接，无线路由器通过宽带与互联网连接；所述服务器与互联网连接；所述智能手机通过TD-LTE与服务器连接。
所述IP摄像头的数量为四个以上。
通过上述设计方案，本实用新型可以带来如下有益效果：
本实用新型在家庭中创建一个体感网络环境，通过多种传感器分析佩戴健康腕表的老人的一种状态，大大减少了误报警情况的发生，并可以根据个体进行报警阈值的修正，克服了单个传感器的误报技术界限，为居家生活的老人提供一种健康、安全信息化监控系统；架设了子女的远程监护信息化平台，为子女提供了监控老人健康、监控家庭安全和与老人沟通的平台。
健康监控通过老人所带的健康腕表来实现。健康腕表中带有GPS定位，一键呼叫，无线通话，检测运动状态、睡眠状态、心率功能。可以通过GPRS网络把所检测的位置数据、健康数据传递给服务器。服务器通过TD-LTD网络传递给智能手机。通过镶嵌在智能手机上的APP程序把相应的监测数据展现出来。
附图说明
以下结合附图和具体实施方式对本实用新型作进一步的说明：
图1为本实用新型基于体感网的居家养老系统的结构框图。
图中1-居家体感网、2-服务器、3-智能手机、4-居家传感器、5-居家无线网络、6-红外传感器、7-门禁传感器、8-紧急按钮、9-IP摄像头、10-健康腕表、11-中央控制器、12-无线路由器。
具体实施方式
如图所示，基于体感网的居家养老系统，包括居家体感网1、服务器2和智能手机3，所述居家体感网1包括居家传感器4和居家无线网络5；所述居家传感器4包括红外传感器6、门禁传感器7、紧急按钮8、IP摄像头9和健康腕表10；所述居家无线网络5包括中央控制器11和无线路由器12，无线网络包括ZigBee、Wifi和GPRS三种网络形式；所述健康腕表10的内部设置有三维加速度传感器、心率传感器、计时器、存储器、紧急呼叫装置、基站定位装置和GPS定位装置，健康腕表10通过GPRS与互联网连接；所述中央控制器11通过ZigBee分别与红外传感器6、门禁传感器7以及紧急按钮8连接；所述无线路由器12通过Wifi分别与IP摄像头9、健康腕表10以及中央控制器11连接，无线路由器12通过宽带与互联网连接；所述服务器2与互联网连接；所述智能手机3通过TD-LTE与服务器2连接。
所述IP摄像头9的数量为四个以上。
基于体感网的居家养老系统的控制方法，利用所述的基于体感网的居家养老系统，包括以下步骤，并且以下步骤顺次进行，
步骤一、将老人的注册信息、子女的注册信息、传感器的注册信息、传感器权限分配信息、家庭位置信息以及居室分布信息录入中央控制器11；
通过与健康腕表10通信连接的智能手机3的app端应用程序设定健康腕表10中的模型参数、报警阈值；
所述模型参数包括每日要求运动步数、本人体重、性别、年龄、健康状态和腕表佩戴习惯，所述健康状态分为好、中、差三种，所述腕表佩戴习惯分为左手佩戴和右手佩戴两种；所述报警阈值包括最迟睡眠时间、每天累计睡眠时间、每天最低运动量、每天最高运动量、每小时最高运动量、运动心率最高值、静态心率最低值、静态心率最高值、静坐时间最高限值和日常活动位置区域；
老人佩戴健康腕表10，在健康腕表10上对“坐”，“走”，“跑”三种状态进行设置，并存储老人在设置过程中坐、走、跑的最大运动加速度；
在中央控制器11中进行入门初始化和出门初始化；
步骤二、通过门禁传感器7和红外传感器6的报警时间顺序判断老人是室内运动还是室外运动，
门禁传感器7的报警时间早于红外传感器6的报警时间，判定为老人室外运动，健康腕表10中的GPS定位装置和三维加速度传感器定位老人的所在位置，健康腕表10中的三维加速度传感器检测老人的运动步数和运动距离，计时器记录老人的室外运动时间；
门禁传感器7的报警时间晚于红外传感器6的报警时间，判定为老人室内运动，健康腕表10中的基站定位装置和三维加速度传感器定位老人的所在房间及位置；
步骤三、健康腕表10中的三维加速度传感器检测老人的运动步数、运动距离和运动量，计时器记录老人的运动时间、静坐时间、最迟睡眠时间和每天累计睡眠时间，心率传感器检测老人的心率，形成老人的健康数据集，保存到健康腕表10内的存储器中并传输至中央控制器11；
步骤四、中央控制器11采用粗糙数据集分类算法的方法对健康数据集进行统计和计算，获得三维加速度数据的平均值、最高值、最低值、离散值、偏离度和标准差，心率数据的平均值、最高值、最低值、离散值、偏离度和标准差，位置数据平均值、最高值、最低值、离散值、偏离度和标准差，时间数据的平均值、最高值、最低值、离散值、偏离度和标准差以及三维加速度数据、心率数据、位置数据以及时间数据之间的关联度信息，形成健康初级数据集，
健康初级数据集中的最迟睡眠时间、每天累计睡眠时间、每天最低运动量、每天最高运动量、每小时最高运动量、运动心率最高值、静态心率最低值、静态心率最高值、静坐时间最高限值、日常活动位置区域超过报警阈值，发出“活动超出预警范围”的报警信号，并将该报警信号通过GPRS把报警信号传递给服务器2；
步骤五、三维加速度传感器检测的运动加速度大于步骤一中存储的老人坐、走、跑的最大运动加速度的X倍时，其中X大于1，初步判断老人为跌倒状态，
老人在卫生间、厨房或卧室，判定老人跌倒，健康腕表10通过GPRS把老人跌倒报警信号传递给服务器2，
老人在客厅则进行步骤六进一步确定老人是否跌倒；
步骤六、室内房间屋顶架设有IP摄像头9，IP摄像头9检测老人的跌倒状态图像并传输至中央控制器11，中央控制器11提取图像的特征向量并存储，将提取的图像的特征向量与模板库中的跌倒姿态特征向量对比，二者匹配健康腕表10通过GPRS把老人跌倒报警信号传递给服务器2，二者不匹配将提取的图像的特征向量存储至中央控制器11中；
步骤七、健康腕表10通过GPRS通讯装置，把步骤三中形成的健康数据集和腕表健康初级数据集传递给服务器2；
步骤八、服务器2采用粗糙数据集分类算法对接收到健康数据集、腕表健康初始化数据集进行数据集训练，获得报警阈值的偏差值和佩戴健康腕表10的老人的模型参数值；
步骤九、服务器2把报警阈值的偏差值及佩戴健康腕表10的老人的模型参数值采用GPRS通讯方式传递给健康腕表10；
步骤十、健康腕表10根据接到的报警阈值的偏差值及模型参数值，修改健康腕表10内的存储器的报警阈值；
步骤十一、服务器2通过TD-LTE通讯模式把修改后的报警信号传递给子女的智能手机3，同时服务器2把该报警信号传递给工作人员；
步骤十二、子女根据智能手机3的报警情况对该项报警信息进行核查，该项报警信息是虚假报警，在智能手机3上发送虚假报警操作；该项报警信息是有效报警，在智能手机3上发送接受本项报警操作；
步骤十三、子女的智能手机3自动把该项报警操作通过TD-LTE通讯模式传递给服务器，服务器2把该项报警操作填写到该项报警信息中，并通过粗糙数据集分类算法进一步对报警阈值进行训练，进一步修正报警阈值；
步骤十四、老人通过健康腕表10上的SOS键手动报警，健康腕表10通过GPRS把报警信号传递给服务器2。
所述步骤一中对“坐”，“走”，“跑”三种状态设置的具体方法为：健康腕表10上点击行为识别，健康腕表10的屏幕上出现“坐”字样，老人进行“坐”的动作，屏幕显示“走”，坐的动作设置完成，老人进行“走”的动作，屏幕显示“跑”，走的动作设置完成，老人进行跑的动作，屏幕出现“设置完毕”，“坐”，“走”，“跑”三种状态设置完成。
所述步骤一中入门初始化的方法为在健康腕表10中选择入门初始化，通过健康腕表10中的GPS定位装置检测地理坐标和检测地理坐标的时间，红外传感器6发出红外报警信号，门禁传感器7发出门禁报警器信号，系统检测到门禁报警器信号给出时间，红外探测器的报警信号给出时间，GPS检测地理坐标的时间三个数据后，中央控制器11自动结束入门初始化，并通过居家体感网，把传感器类型，三个时间的顺序及间隔传入到服务器中2，完成入门初始化工作。
所述步骤一中出门初始化的方法为在健康腕表10中选择出门初始化，通过健康腕表10中的GPS定位装置检测地理坐标和检测地理坐标的时间，红外传感器6发出红外报警信号，门禁传感器7发出门禁报警器信号，系统检测到门禁报警器信号给出时间，红外探测器的报警信号给出时间，GPS检测地理坐标的时间三个数据后，中央控制器11自动结束出门初始化，并通过居家体感网，把传感器类型，三个时间的顺序及间隔传入到服务器中2，完成出门初始化工作。
所述步骤五中中央控制器11提取图像的特征向量的方法为通过高斯混合模型提取人的跌倒图像中的运动区域，采用形态学的操作对图像进行膨胀、腐蚀、开和闭运算，采用sobel算子和canny算子提取出跌倒图像中的运动区域的轮廓模型，获得轮廓周长、面积、面积比率和傅里叶特征向量提取的图像特征融合成图像的特征向量。
所述糙数据集归类分析法为运用粗糙数据集分类思想，采用MapRecuce框架下粗糙关联规则算法——L-Aprior算法，对健康数据集进行频繁度、支持度和置信度关联处理，从而获得报警状态下的数据阈值，用于修正原报警阈值。
利用所述糙数据集归类分析法修正跌倒报警阈值的方法，其具体步骤如下，并且以下步骤顺次进行，
①、针对跌倒报警情况以下简称报警情况，按照支持该人为非报警状态的角度即行为正常的角度，以下称正常角度，对健康数据集和健康初级数据集进行分析，形成“正常的数据集”。例如某人血压高压140毫米汞柱，虽然高于正常值120毫米汞柱，但是该人高压始终在140左右，没有任何不良反应，可以认为正常状态。
②、分别针对步骤一所提及的报警情况，按照“该人为报警状态”的可能数据的角度即行为异常的角度，以下称异常角度对健康数据集和健康初级数据集进行分析，形成“异常的数据集”。例如某人血压高压120毫米汞柱，但是已经是标准的极限了，该人可能出现不良反应，可以认为不正常状态。
③、把“正常的数据集”和“异常的数据集”进行布尔化处理，获得二异化数据集。
④、把具有相同时间、空间位置的二异化数据集进行归并，并按照支持与反对进行分类，从而找到报警关联的频繁项集。例如跌倒报警与加速度传感器和摄像头有关，与GPS位置无关。
⑤、采用L-Aprior函数计算出支持度和置信度。
⑥、根据步骤④获得的频繁项集设定报警的加速度、心率、GPS位置、时间、摄像头等关联传感器。
⑦、根据步骤⑤获得的支持度和置信度设置各传感器的影响因子。
⑧、计算并获得跌倒报警的报警值B
B＝Σ检测值*置信度*支持度/阈值/Σ支持度
其中，Σ对所有相关传感器数值进行求和。
式中B大于80％即认为时报警状态。
⑨、用计算的结果与数据库中的实际检测数据进行比较，如果发现计算出的数值是报警状态而实际不是该项报警，修改所有该项报警的阈值上调1％，重新计算，直至符合该条件为止。反之，如果发现计算出的数值不是报警状态而实际出现该项报警，修改所有该项报警的阈值下调1％，重新计算，直至符合该条件为止。如果符合，不进行阈值修改。
同理按照上述类似方法可以修正运动量过大报警、运动量不足报警、睡眠不足报警、久坐报警等报警阈值。
基于体感网的居家养老系统，通过居家体感网1把老人的健康信息，居家安全信息传递到服务器2。智能手机3通过TD-LTE与服务器2连接，提取各种传感器的数据，监控居家安全和健康状态。
所述的居家养老系统包括老人信息注册、子女中信息注册、家庭成员管理、传感器注册、传感器权限分配、报警状态设置、位置查询、实时图像查询、历史图像查询、网络对讲等功能。通过无线的居家体感网，把各项传感器感应的数据传递给服务器2，所述各项传感器感应的数据包括传感器注册信息、门禁报警信息，红外报警信息、视频信息、健康监控信息等，服务器2根据权限设置传递给对应的智能手机3，智能手机用户根据情况下达各项控制指令，通过服务器2和居家体感网1传递给各个终端设备，用于完成健康和居家安全的监控和管理等功能。
所述的健康监控通过老人所带的健康腕表10来实现。健康腕表10中带有GPS定位，一键呼叫，无线通话，检测运动状态、睡眠状态、心率功能。可以通过GPRS网络把所检测的位置数据、健康数据传递给服务器2。服务器2通过TD-LTD网络传递给智能手机3。通过镶嵌在智能手机3上的APP程序把相应的监测数据展现出来。