课题名称：老年人健康监测平台的设计与研究  课题编号： CZZYQNKT2023-03

1. 引言

当下人口老龄化已然成为了一种全球性的发展趋势，依据国家统计局所公布的数据可看出，在中国，60岁以及60岁以上的人口占比呈现出逐年上升的态势，像高血压、冠心病、糖尿病这类慢性病，在老年人群体当中的患病率一直处于较高的水平，“空巢老人”这种现象变得越来越普遍，当老年人出现跌倒、心梗等突发状况的时候，大多时候会因为没有人在身边看护，或者是没有被及时发现，错过最佳的抢救时间^[1]。

传统的健康监测主要依靠医院的定期检查，或者是家庭式的、较为笨重的医疗器械，这种断点式的数据采集方式，并不可反映出身体的动态变化趋势，近些年来，尽管智能手环等消费级可穿戴设备已经得到了普及，然而在医疗级别的应用方面，其仍然存在着一些十分突出的不足之处。首先是数据孤岛效应，设备之间的数据无法实现互通，并且缺乏综合分析，其次是误报率比较高，简单的阈值报警算法很容易受到日常活动的干扰，比如挥手动作可能会被误判为跌倒，最后是缺乏闭环服务，大多数设备仅仅停留在数据展示层面，缺少与医疗机构或者家属之间的联动预警机制^[2]。针对这些问题，一种集成化的全天候健康数据分析与预警系统，构建了多模态生理参数采集网络，设计了基于深度学习的异常检测模型，以此来提高预警的精度，实现了从数据采集到紧急救援响应的服务闭环。

2. 系统总体架构设计

此系统依照物联网的通用架构标准来进行设计，总共分为四个层次，分别是感知层、网络传输层、云平台处理层以及应用服务层。

2.1 感知层：多源异构数据采集

感知层作为系统的“神经末梢”，是由集成在一起的智能可穿戴设备群所构成的，其中核心主控设备选择的是集成了光电容积脉搏波也就是PPG传感器以及三轴加速度计的智能手表，其作用是采集心率、血氧饱和度即SpO2以及体态方面的数据，辅助设备包含贴片式体温计以及智能鞋垫也就是压力传感器，它们的用途是辅助进行步态分析。边缘计算节点会在设备端开展初步的数据清洗工作，将高频噪声过滤掉，以此减少数据传输所产生的压力。

2.2 网络传输层：高可靠通信

鉴于老年人活动范围存在不确定性，系统运用“蓝牙5.0 + NB-IoT/5G”这种双模通信方式，短距传输方面，穿戴设备借助低功耗蓝牙与用户手机或者家庭网关建立连接，广域传输方面，在户外没有Wi-Fi的环境中，直接经由NB-IoT模块把关键报警数据上传到云端，以此保证全天候都处于在线状态。

2.3 云平台处理层：数据存储与分析核心

此层被部署于云服务器之上，其中囊括了时序数据库以及关系型数据库，其主要有的功能模块有数据预处理模块，该模块负责对缺失值给予填充，并对异常值进行平滑处理，智能分析引擎，此引擎可运行AI算法模型，开展健康评估以及风险预测工作，决策控制中心，该中心会依据分析得出的结果触发不同等级的预警。

2.4 应用服务层：可视化与交互

用户端会将实时健康数据以及历史趋势图进行展示，监护端可接收报警信息并且查看位置轨迹，管理后台供社区或养老机构使用，可对人群进行批量管理。

3. 关键技术与算法模型

要达成“精准化”监测的目标，核心难点在于怎样从数量众多且带有噪声干扰的生理数据里精确识别出异常情况，本文着重对基于多传感器融合方式的跌倒检测以及基于LSTM的心血管异常预警展开了研究。

3.1 数据预处理与去噪

老年人于日常活动期间所产生的运动伪影，对PPG信号质量造成了较为严重的影响，针对这一情况，我们运用自适应滤波算法并结合小波变换的方式，对原始信号展开降噪处理，保留了有效生理特征波形。

3.2 基于多传感器融合的跌倒检测算法

传统的依靠加速度阈值来进行的跌倒检测很容易受到跑步、坐下这类动作的干扰。本文运用决策级融合策略，首先是特征提取，从三轴加速度传感器当中提取合加速度、倾斜角以及人体垂直速度，其次是气压校正，结合气压传感器的数据来判断高度是否出现突变，以此排除像快速蹲下这类误判情况，最后是算法模型，构建支持向量机分类器。输入特征向量

通过训练，模型能够区分“跌倒”与“日常剧烈活动”。

3.3 基于CNN-LSTM的心血管健康预警模型

为预测如心动过速、心律不齐等潜在的心血管风险，本文搭建了一个混合深度学习模型，该模型包含三部分，第一部分是CNN层（卷积神经网络），其功能是从短时间窗口内的PPG信号中提取局部形态特征，第二部分为LSTM层（长短期记忆网络），它借助遗忘门、输入门、输出门等门控机制，来捕捉长时间序列中的依赖关系，记忆历史健康状态。第三部分是注意力机制，凭借引入注意力机制为不同时间步的特征赋予权重，强化突变信号的影响。此外，在预警分级策略方面，系统设置了三级预警机制，一级表示数据轻微偏离基准线，此时建议休息，并推送健康小贴士，二级是指持续异常，例如连续10分钟心率过高，这种情况下会推送通知给家属^[3]。三级意味着检测到跌倒或出现极度异常生理参数，此时会立即触发蜂鸣报警，同时发送定位至急救中心及家属。

4. 系统实现与实验分析

4.1 实验环境搭建

为了验证系统的有效性，开发了软硬件原型。硬件方面基于STM32F4微控制器的自研智能手环开发板，该开发板集成了MAX30102以及MPU6050，软件方面，服务器端运用Python Flask框架，算法基于TensorFlow 2.0来实现的。数据集采用公开数据集与志愿者采集的数据混合起来进行模型训练，我们邀请了50名年龄在60 - 80岁之间的老年志愿者进行为期2周的佩戴测试。

4.2 跌倒检测性能分析

此次实验精心设计了四种不同场景，分别是向前跌倒、向后跌倒、侧向跌倒以及模拟日常动作，像坐下、弯腰捡物这类情况，将准确率、灵敏度以及特异度用作评价指标来展开相关分析。

表1结果说明，在引入气压传感器并进行多特征融合之后，系统对于非跌倒动作的误报率出现了明显下降，综合准确率相较于传统单一阈值法更具优势。

表1 跌倒检测性能分析

4.3 心率异常预警准确性

将系统采集到的PPG心率数据拿来和医用监护仪数据做对比，运用Bland - Altman一致性分析方法，结果显示两者偏差处于±3bpm范围以内，这是符合医疗器械标准的，LSTM模型对于模拟的心律失常片段识别准确率能达到94.2%，并且预测提前量平均是30秒，这就为使用者争取到了宝贵的自救时间。

4.4 系统功耗与实时性

在全天候的监测模式当中，也就是每分钟进行一次采样的情况下，该设备的续航时间可达到5天，数据从采集开始，一直到在云端完成分析并且返回结果，这的平均时延为1.2秒，完全可以契合实时预警的需求。

5. 讨论

与市面上现有的有单一功能的手环相比较而言，本系统达成了“多维感知”和“深度分析”二者的结合，借助对时序数据展开分析，系统可针对“正在发生”的危险发出警报，而且还可凭借趋势分析对“即将发生”的风险作出预测，全天候的数据积累为医生提供了连续的电子病历，这对慢性病的精准管理有帮助。尽管实验所取得的结果较为理想，然而在实际开展大规模应用的过程当中^[4]，依旧会面临一些挑战：首先，个体之间存在着差异性，不同老年人的基础生理参数呈现出较大的差异，这就要求算法模型有更强的自适应能力或者在线学习能力，其次数据隐私方面存在问题，由于涉及大量敏感的健康数据，需要引入联邦学习或者区块链技术，以此来强化隐私保护。最后佩戴依从性方面也有状况，老年人有可能会忘记充电或者佩戴设备，故而需要对设备的无感化设计进行优化。

6. 结论

本文精心设计并成功实现了一套集成智能可穿戴设备的老年人全天候健康数据分析与预警系统，借助物联网技术与深度学习算法的深度融合，切实解决了传统监护方式时效性欠佳、准确度较低的问题，实验说明，该系统在跌倒检测以及心血管异常预警方面呈现出优异表现，拥有较高的实用价值。未来的研究工作会聚焦于两个方面：一方面通过引入边缘计算，把部分轻量级AI模型部署在穿戴设备端，以此降低延迟并减少对网络的依赖。另一方面，拓展感知维度，集成血糖无创监测、睡眠呼吸暂停监测等功能，构建更为全面的老年健康数字孪生体。

参考文献

[1]邓瀚卓,罗涵,孙永祥.智能可穿戴设备医疗数据安全风险识别及治理路径研究[J/OL].医学与法学,1-8[2025-12-05]

[2]陈文山.基于STM32的智能可穿戴嵌入式系统设计与实现[J].智能物联技术,2025,57(05):154-158.

[3]姜婵.基于智能可穿戴设备的智慧养老平台的探索[J].办公自动化,2024,29(24):90-92.

[4]张志钊.智能可穿戴设备在老年体育康养中的创新应用与实践探索[C]//国际班迪联合会,国际体能协会,澳门体能协会,中国班迪协会.2025年第二届国际数字体育科学大会论文集（下）.沈阳体育学院;,2025:232-235.