技术摘要：用于老年护理远程监测的居家健康系统部署经验

问题陈述

美国正面临着人口快速老龄化导致的护理人员严重短缺问题，这导致许多成年子女不得不为年迈的父母提供远程护理。虽然物联网（IoT）和人工智能（AI）为实时活动监测和即时支持提供了潜在方案，但显著的障碍阻碍了它们在现实世界老年护理环境中的实际应用。

目前的挑战包括：

• 硬件与部署： 家庭通常缺乏在多样化的家居环境中有效配置传感器系统的专业知识。传感器放置位置不当会导致数据不足或质量低下；此外，老年人的认知能力下降可能导致设备被篡改或移除。
• 建模与差异性： 在受控实验室环境中训练的机器学习模型往往难以泛化到现实世界的部署中，因为存在领域差异（例如：不同的用户、房屋布局和传感器位置）。
• 用户体验： 现有解决方案往往无法在隐私性、隐蔽性和易用性之间取得平衡。老年人重视独立性，可能会抵制显眼的辅助设备；而那些有认知障碍的人可能会因无法理解系统而无意中禁用系统。

方法论

作者提出了一种基于老年人 4Ms 框架（Matters Most 关心的事、Mentation 精神状态、Mobility 行动能力、Medication 用药情况）的即插即用、环境振动传感系统。该方法通过三个迭代部署阶段来优化硬件、模型和用户界面。

1. 硬件与网络设计

• 传感设备： 系统采用定制的产品级外壳（取代了最初的 PCB 设计），内部封装了 ESP32S3-Mini-1-N8 处理器和 ADS131M02 ADC 模块。它利用地震检波器（geophone）传感器来捕捉由人体与物体表面接触产生的振动（10 Hz–1000 Hz）。系统采样频率约为 7000 Hz。
• 网络协议： 为了解决早期试验中观察到的网络拥塞和丢包问题，作者修改了用户数据报协议（UDP）层。他们实现了分组级校验保护，以检测并纠正位级错误。
• 连通性： 建立了 WireGuard 隧道机制，建立从本地边缘设备到云端的直接安全隧道，从而绕过复杂的家庭网络配置（如端口转发），确保在异构防火墙策略下保持稳定的连接。

2. 建模与推理

• 数据采集： 使用半受控模拟套件生成了一个带有秒级地面真值标签（与视频和音频同步）的数据集。
• 模型架构： 为了处理不同家庭和用户之间的领域偏移，系统采用了时间卷积网络（TCN）。该模型在在线声学数据上进行预训练，并利用少量振动信号进行微调。
• 边缘部署： 模型架构经过优化，可将数据编码为更小的潜在表示（latent representation），从而实现高效的边缘侧推理，而不完全依赖云端处理。

3. LLM 辅助部署系统

为了弥合技术要求与非专业用户能力之间的差距，作者开发了一个 LLM 辅助的推荐系统。

• 结构化推理： 系统使用模式模板（schema templates）将传感系统、环境和用户偏好表示为结构化格式。
• 思维链代理（Chain-of-Thought Agent）： LLM 代理充当领域专家，通过与家庭护理人员进行问答过程来收集必要的上下文信息（例如：隐私顾虑、认知状态、房间布局）。
• 优化： 代理生成传感器配置建议（位置、方向、增益），根据预测的传感性能和用户体验指标进行评分，并选择最优配置，以平衡系统性能与对隐蔽性和防篡改性的需求。

核心贡献

本文概述了五项主要贡献：

1. 框架引导设计： 一个基于老年人 4Ms 框架、为老年人和护理人员定制的居家健康监测系统。
2. 鲁棒的硬件/网络： 为实现即插即用的真实世界部署提供的解决方案，包括定制的容错协议和处理拥塞及数据包错误的网络设计。
3. 部署协议与建模： 一种确保传感质量的协议，以及开发了能够处理领域差异的鲁棒、可边缘部署的活动识别模型。
4. LLM 驱动的推荐： 一个能输出量身定制的部署协议的系统，在无需用户具备技术专长的情况下，平衡了技术性能与用户体验（隐私、防篡改性）。
5. 迭代评估： 通过三个部署迭代（模拟、以及两个患有痴呆症患者的真实家庭）进行的多次系统评估和用户研究，证明了系统的有效性。

结果与分析

研究涉及了三次部署迭代：

• 部署 1（模拟）： 在受控套件中使用 4 名健康的年轻人来建立地面真值，并识别初始网络问题（拥塞、丢包）。
• 部署 2 (真实世界 #1)： 部署在一名患有痴呆症的 84 岁老人家中。尽管使用了便利贴作为提醒，但参与者还是篡改并拔掉了设备，导致传感器未被篡改率（untampered sensors）为 0%。这凸显了对更隐蔽的放置方式和更好用户教育的需求。
• 部署 3 (真实世界 #2)： 部署在一名患有痴呆症的 88 岁老人家中。测试了两种配置：
  • 3(B)： 由家庭护理人员（儿子）决定放置位置。实现了 100% 的传感器未被篡改，但由于非专家放置，信噪比（SNR）最低。
  • 3(A)： 由 LLM 代理决定放置位置。实现了平衡，既保持了较高的传感器未被篡改比例，又显著提升了相比于非专家放置时的信噪比。

定量发现：

• 采样稳定性： 部署 3 中采样率同步的优化将方差（标准差为 316 Hz）降低到了之前的迭代水平（标准差约为 734–799 Hz）。
• 活动识别： t-SNE 可视化证实，系统可以有效地分离不同领域中关键活动的特征（例如：取药、打开水龙头、坐下）。
• 用户体验： 定性分析表明，该系统具有较高的接受度，隐私担忧较低（评分为 1/5），且对健康监测的实用性反馈积极。LLM 生成的建议被认为易于被家庭护理人员遵循。

意义与主张

论文指出，成功的远程监控对于老年护理而言，需要的不仅仅是先进的算法；它需要一种整体的方法，将硬件鲁棒性、领域自适应建模和直观的用户界面结合起来。

作者断言，在由其“老年人 4Ms 框架”指导的迭代方法，成功解决了在认知障碍人士家庭中部署物联网的“最后一公里”问题。具体而言，他们证明了：

• 隐蔽性至关重要： 设备必须美观且不显眼，以防止篡改并尊重用户的独立感。
• LLM 可以弥补专业知识差距： 通过对环境和用户数据进行结构化处理，LLM 可以为非专业护理人员提供专家级的部署建议，从而优化技术性能与用户舒适度之间的权衡。
• 迭代式真实世界测试是必不可少的： 从模拟到真实家庭的过渡揭示了关键问题（例如：网络拥塞、设备篡改），这些问题在实验室环境中是无法预测的，从而验证了其迭代设计过程的必要性。

这项工作为更大规模的部署奠定了基础，强调了通过协同设计和自适应技术，实现平衡系统性能与老年人特定认知及隐私需求的目标是可行的。