情景感知在体域网上的应用

情景感知在体域⽹上的应⽤
情景感知在体域⽹上的应⽤
⼀、体域⽹研究综述。

作为⽆线传感器⽹络(wireless sensor networks ,WSN)的⼀个分⽀和在⽣物医疗等领域内的应⽤,体域⽹( body sensor network , BSN) 是⼀种重要的公众应⽤⽹络，并在远程医疗保健、特殊⼈群监护和社区医疗等服务领域有着巨⼤的应⽤意义和需求，并⽇渐成为研究和应⽤的热点。

⾸先，随着全世界⽼龄化⼈⼝的不断增加，由于医疗资源(预算⽀出、医⽣、护⼠和病床等)相对不⾜,使得医疗保健系统的发展成为全球需求。

其次，中国作为13亿⼈⼝的⼤国，对于能够切实解决⼴⼤社区(特别是偏远⼭区)看病难、看病贵的BSN 技术更是需求迫切。

此外，传统的医疗⽅法多为病发后治疗，不能很好地作到预防和实时诊疗，⽽BSN 代表的新技术则能通过对已有⽣理参数数据的分类学习对实时信号或数据进⾏分析从⽽对发病进⾏预警，或在发病时采取及时的报警，并将发病过程中重要的⽣理信息保存下来，以供后续的诊断治疗。

BSN 技术不仅⽤于医疗保健、健康恢复和助⽼助残⽅⾯，应⽤的领域还可扩展到娱乐业(如动漫产业、舞蹈设计和训练)、体育运动(如击剑教学模拟及分析)、其他⼯业(如汽车发动机和机床的状态监控及故障检测)，甚⾄是军事领域(如战⼠⽣理状态监控及救助)和社会公共领域(如⼤规模突发事件的监控和⼼理救助等)。

当前，BSN 仍处在初级发展阶段，多数研究都集中在建⽴系统架构和服务平台上，仍⾯临诸多关键技术挑战，在⽤于减少冗余并获得特征和决策的数据融合⽅⾯，包括轻量级数据融合算法的设计及实现和⽣理信号的实时处理等；在⽤于提⾼识别精度和实现⾃动感知的情景感知⽅⾯,包括上下⽂计算、环境感知及监控和特征提取及降维技术等;在⽤于防⽌⼊侵的数据安全和隐私数据保护⽅⾯,包括数据安全协议、数据加密算法设计及隐私保护机制等;在⽤于搭建BSN 应⽤的系统技术⽅⾯,包括低能耗的⽆线通信、⾝体上及⾝体周围的⽆线传输、体上传感器节点的可穿戴性、传感器(特别是植⼊体内)的尺⼨⼤⼩及低能耗问题等。

这些关键技术都是构建完整BSN 系统所必须涉及到的,不仅有研究价值,还具有重要的实际应⽤价值。

已有的研究综述分别就BSN 的⽣物传感器设计和⾃动感知、⽆线通信架构、情景感知、医疗保健领域的发展趋势、数据安全和⽆缝系统整合技术给出了充分讨论.本⽂
将着重在数据融合、情景感知和系统技术⽅⾯总结BSN 领域的技术挑战、最新进展和发展趋势,还就BSN 系统架构展开讨论。

体域⽹(wireless body sensor network , WBSN或BSN)是基于⽆线传感器⽹络(WSN)的,
⼈体上的⽣理参数收集传感器或移植到⼈体内的⽣物传感器共同形成的⼀个⽆线⽹络,它不仅是⼀种新的普适医疗保健、疾病监控和预防的解决⽅案,还是物联⽹( Internet of t hings)
的重要感知及组成部分.其⽬的是提供⼀个集成硬件、软件和⽆线通信技术的泛在计算平台,并为普适的健康医疗监控系统的未来发展提供必备的条件.它特别强调可穿戴或可植⼊⽣物传感器的尺⼨⼤⼩及它们之间的低能耗⽆线通信.这些传感器节点能够采集⾝体重要的⽣理信号(如温度、⾎糖,⾎压和⼼电信号等) 、⼈体活动或动作信号以及⼈体所在环境信息,处理这些信号/信息并将它们传输到⾝体外部附近的本地基站。

BSN还有其他的称呼,分别是⽣物医疗传感器⽹络和⽆线体域传感⽹。

根据相对于⼈体所在位置可将BSN 中传感器节点分为3 类:1.可植⼊体内的传感器节点,包括可植⼊的⽣物传感器和可吸⼊的传感器(如摄像药丸);2.可穿戴在⾝体上的传感器节点,如葡萄糖传感器、⾮⼊侵⾎压传感器、⾎氧饱和度传感器和温度传感器等;3.在⾝体周围并距离⾝体很(较)近的⽤于识别⼈体活动或⾏为的周围环境节点。

在以上分类的基础上，根据传感器节点的监控/检测⽬标,可将BSN ⽹络分为:1.仅包含第1类传感器节点的植⼊式BSN⽹络(implanted BSN);2.仅包含第2类传感器节点的可穿戴式BSN(wearable BSN);3.以上3 类传感器节点任意组合的混合式BSN ( hybrid BSN)。

BSN 中传感器节点(或设备)所要监控的⼈体(⽣理)信号分为3 类:1.连续型时变⽣理信号，⼀般为各种波形居多,如肌电图和脉搏波等,对应的传感器(设备)包括脑电图扫描仪、视觉传感器、听觉传感器、⼼动电流仪、⼼电图仪、PVDF 压电脉象传感器、⼼脏起搏器和吸⼊式药丸摄像机;2.离散型时变⽣理信号,如体温、⾎压和⾎氧饱和度等⽣理参数值,对应的传感器(设备) 包括吸⼊式药丸温度测量仪、胰岛素泵、肺功能传感器、葡萄糖检测传感器、出汗量检测传感器、指环式⼼率感知器、⾎氧饱和度传感器、体温传感器、⾮⼊侵⾎压监测仪和脉搏率检测传感器;3.⼈体活动及动作信号,⽤于监控病⼈的⽇常活动或⼈体活动,对应的传感器(设备)包括⼈体活动传感器、加速度传感器、动作传感器、⽿戴式活动识别传感器和螺旋仪。

⼆、情景感知在体域⽹上初步认识
1. 情景感知
由于情景感知能够解释来⾃于BSN 中的物理信号和⽣物化学信号,对外界不同事件
作出决策以及调整⾃⾝的监控⾏为，因此已成为在实现健康保健监控BSN 应⽤系统中不可或缺的⼀部分BSN 中情景感知的重要性还在于将⽤户⽣理活动和周围环境信息结合起来
以形成被感知的信号,这种情景信息可以被⽤在普适医疗、特别是⽤于精确病情检测。

最后,情景感知能让BSN 中的⼀些数据处理以低能耗⽅式在本地的资源受限的传感器节点上执⾏，从⽽让整个⽹络的能耗和通信带宽最⼩化情景是能够描述当前实体情
况的任何信息，这⾥实体可以是⼀个⼈、地⽅或者是物理对象。

情景感知(context2aware sensing , CAS)能被定义为探知或监测⽤户的内部或外部状态。

情景感知计算(context aware comp uting , CAC)描述了⼀个可穿戴可移动的、传感器能够感知到⽤户状态和周围环境、并在任务中利⽤这些信息来改变其⾏为的计算。

.情景信息可以是周围传感器获得的信息也可以是⾝体活动信息,还可以是⾎压、周围环境温度、体温或⼤脑活动等。

情景感知技术就是利⽤这些情景信息来检测或监控⽬标⽣理参数(如ECG)是否出现异常
2. 情景感知的系统结构分析
传感器采集到的信息种类繁多⽽不同的应⽤需要的信息处理⽅法也各不相同⽽这些⽅法对系统结构的需求也不同现有研究中有两种常见的情景感知系统结构直接访问传感器和基于中间件技术直接访问传感器的⽅法经常⽤于内嵌传感器的设备应⽤程序直接从传感器中获取所需信息传感器与应⽤是⼀种紧耦合关系以往的⽆线传感器⽹络ＷＳＮ都是⼀些⼩规模的应⽤传感器种类及数量都⽐较少采⽤直接访问传感器的⽅法就可以满⾜其需要，但对于物联⽹来说随着规模的扩⼤及应⽤的增多，采⽤紧耦合的⽅式会造成感知系统的复杂化限制了系统的灵活性及可扩展性，本⽂对此不作详细介绍。

基于中间件的结构是在情景感知系统中引⼊⼀种分层结构。

它位于下层传感器与上层应⽤之间，该层向上屏蔽底层传感器操作细节，提供统⼀的信息访问接⼝，向下驱动物理或逻辑的传感器进⾏信息采集，通过中间件技术，构建应⽤程序与传感数据源的桥梁，集成情景信息建模处理等共性功能模块，简化了物联⽹情景感知应⽤程序的开发同时增强了系统的可扩展性。

中间件在系统中的位置如图1所⽰
图1 中间件在系统中的位置
中间件技术源于软件⾏业，可⽤来解决多种硬件系统平台的异构问题，中间件是位于平台。

硬件和操作系统，和应⽤之间的通⽤服务，这些服务能够满⾜⼤量应⽤的需要，能够运⾏在多种硬件平台上。

且⽀持各类标准协议接⼝，物联⽹具有海量信息的特性⽽情景感知应⽤⼜要求中间件具有情景信息处理的能⼒。

因此，传统的中间件技术⽆法满⾜物联⽹的要求，需要新的⽀撑技术，根据本⽂的描述物联⽹的中间件要实现的功能⾄少还应该包括上⾯提到的情景信息建模处理和存储管理，已有的情景感知中间件包括Combra、Gaia、Context Toolkit、Camus Camido。

Context Toolkit是美国乔治亚理⼯学院提出并实现的个⽀持产⽣情景感知应⽤程序的中间件,上下⽂信息的计和管理分布在⽤户的设备上进⾏,上下⽂感知应⽤请求⽤设备获取相关的上下⽂主要包含3类对象Widgets 服务器和解释器。

Context Toolkit架构中，传感器被抽象为Widgets对上层应⽤提供统⼀的数据接⼝服务器和解释器则装了情景信息的分析处理过程但它采⽤的是⾯向特定对的信息建模⽅法，缺乏情景信息的共享，有⼀定的局限性。

Gaia是由伊利诺斯州⽴⼤学Mauel Roman等开发的普适计算中间件Ｇａｉａ类似传统操作系统。

其实Gaia也将传统操作系统认为是特殊的智能空间，它将物理空间及其包含的实体等定义为智能空间。

智能空间内部的普适计算软件环境由Gaia核⼼Gaia应⽤程序框架和应⽤程序组成。

它采⽤集中模式，即情景信息的计算和管理集中在⼀台服务器进⾏应⽤请求服务器获取相关情景信息。

在以海量信息为特征的物联⽹环境下集中模式是系统扩展的瓶颈Gaia提供对不确定情景信息进⾏推理的能⼒。

⽀持贝叶斯⽹络推理机制Gaia结构如图2所⽰其中Context Provider是底层各种物理和逻辑传感器负责情景信息的采集Context Synthesizer对获得的信息进⾏融合并推理出⾼层情景信息Context Consumers由⾼层的情景
信息决定采取相应的⾏动Context Provideer Lookup Service管理上下⽂提供者Context History。

Service提供历史上下⽂存储服务Ontology Servicer维护存储情景信息的本体。

图2 Gaia结构图
物联⽹最基本的组成部分是传感器，不同于传统的传感⽹。

物联⽹是个⼤的⽹络其中的传感器数量巨⼤且种类繁多。

同时传感器⾃⾝故障及⽹络传输问题导致信息空缺及噪声数据多传感器协同感知不可避免会出现⼤量冗余和不确定信息。

传感器有效管理和数据预处理是情景感知能否⾼效实现的关键。

如何管理海量动态的传感器以及如何处理海量的不确定信息是物联⽹的重点。

物联⽹情景感知系统应当重点考虑，此外，传统的多传感器协同感知应⽤处理的仅为传感器采集的感知信息，物联⽹情景感知应⽤不仅处理传感器感知信息。

还包括⽤户个性信息。

如⽤户习惯，⽇程表，并注重⽤户反馈。

⽬前的⽀持情景感知的中间件基于传统的传感⽹，缺乏上述相应管理，如前⾯提到的⼏种中间件系统有其优势。

但在物联⽹环境下也存在局限性，参考上⾯提到的⼏种系统结构，本⽂提出的情景感知系统结构如图3所⽰系统使⽤本体建模实现了情景信息的共享解决了Gaia存在的局限性。

结构采取Cobra的多Agent结构，均衡系统负载，较Cobra增加了底层传感器管理模块等。

与以往系统结构相⽐，本结构考虑了物联⽹的特性更加适合物联⽹的情景感知应⽤本⽂的物联⽹情景感知系统包括情景信息采集模块⽤来驱动底层传感器进⾏信息采集，同时实现对底层传感器的管理，情景信息整合模块，对采集模块获得的情景信息进⾏预处理，包括去冗余和冲突处理等推理模块，由采集模块得到的数据集挖掘出隐藏的知识，推理出应⽤可理解的⾼层情景信息，识别当前情景，并由此决定提供什么服务，学习模块。

根据⽤户反馈，优化推理模块和整合模块，接⼊控制模块，⽤于传感器应⽤及⽤户等的接⼊控制。

此外，还应该包括存储情景信息和注册信息的数据库物联⽹中情景信息的瞬时性、关联性特征等使得情景信息存储管理有其固有的特点，如情景信息的时效性。

例如，
过去的温度信息对当前的情景感知是没有意义的。

隐私保护，必须给予使⽤者定义隐私策略的机会。

根据定义的规则控制数据
是否发送以及发送到哪⾥，做到合理的隐私保护。

3. 技术概述
对BSN 中情景信息进⾏推理主要包含3 种⽅法:⼈⼯神经⽹络、贝叶斯⽹络和Markov 模型。

⼈⼯神经⽹络作为⼀个稳定的分簇算法被⽤于BSN 的情景感知中,原因在于它能够表现良好却不需要对输⼊数据进⾏监管训练,但会在底层传感器产⽣⼀些⽆可避免的噪⾳.⾃组织映射( self organizing maps , SOM)是属于⼈⼯神经⽹络⽅法的⼀种,除了具有⼈⼯神经⽹络的特性外,它还提供了使数据可视化和分簇的⾼效⽅法,该特性决定它不但能够保持连续⼯作,与其他⽅法结合则更有利于⽇常活动识别;贝叶斯⽹络被⽤来将BSN 中感知数据的情景进⾏分类,因此是⼀个⼗分合适的⽤于情景感知的推理⽅法.贝叶斯⽹络遵循图中各顶点之间严格独⽴的假设,当独⽴假设成⽴的情况下它能获得最⾼的准确率;为了能够在真实世界的BSN中应⽤情景感知技术,需要⼀个持续时间段⽽⾮某个确切时间点上的连续识别,由此将隐Markov 模型( HMMs)引⼊到监督层以获得情景转换的模型.由于系统能够识别⼀连串的动作或活动,因此应⽤隐Markov模型是能够对⼈的⾏为实现精确建模的情景识别技术。

其主要步骤包括：信息采集建模和智能处理。

(1)情景信息采集
情景信息的获取可以分为⽤户主动输⼊和通过传感器采集等⽅式，情景感知的⽬标是通过普适的计算资源在⽤户较少参与或者根本不需要⽤户参与的情况下实现对⽤户的服务推荐。

因此情景感知系统需要⽤户个性化信息，如⽣活习惯、⽇程表等来辅助系统做出正确的决策。

此外，系统还需要通过部署在环境中的传感器和其他设备⾃动获取其他情景信息。

例，⽤户的位置信息，在户外环境下可以通过GPS获取在室内时，可采⽤如下技术获取。

基于GPS原理采⽤红外ParcTab系统、射频技术，基于信号传输时间差的Cricket系统１２基于信号衰落的Radar 系统以及基于视觉技术的定位系统。

温度、湿度、加速度信息可通过相应的传感器获得。

时间信息则由系统内部时钟提供，类似于⽹络带宽的信息可以通过动态监测的⼿段获得信息获取的⼿段众多。

这⾥不再⼀⼀举例说明。

在物联⽹中⼤量传感器分布在实际环境中，为了保证环境信息获取的快速性和准确性，常采⽤多传感器协同感知的⼿段，使⽤多传感器相互协作来提⾼系统可靠性及可信性还可以扩展传感器的覆盖范围，包括空间覆盖范围和时间覆盖范围。

但传感器采集到的信息受⾃⾝质量和性能噪声的影响往往是不完整且不准确的。

因此有必要对同⼀检测⽬标的多传感器数据进⾏预处理。

(2)情景信息建模
情景信息是情景感知的基础,物联⽹的特性之⼀是海量设备。

不同的传感器采集到的信息不同如位置，时间或者光强等，表⽰⽅式也千差万别。

为了达到语义互操作的⽬的，需要对这些多源异构信息进⾏有效的表⽰，传输和存储。

因此需要为这些数据进⾏统⼀形式的描述或者称为定义标准的数据格式及协议，如何从底层情景信息⾼效地提取出有意义的⾼层信息。

也同样要求对情景信息进⾏有效组织和表达情景信息的建模可以分为两个层⾯⼀是形式上的统⼀即不同的情景信息采⽤相同的表⽰⽅式。

如关键值模型，其主要⽬的是解决信息的⾼效存储和查询等问题，并不涉及语义⼆是⽀持语义上的统⼀。

如基于本体论的知识表达通过统⼀的语义表达解决情景信息语义互操作和利⽤效率问题。

关键值模型Key value pair modle使⽤关键值偶对通过提供情景信息的关键词及其值来描述。

该模型建模简单，关键值偶对易于管理。

但物联⽹中各传感器获得的信息之间总存在着⼀定的联系，该模型割裂了信息间的相互联系，⽽信息间的这种联系在物联⽹的信息处理中是相当重要的模式标识模型Markup Scheme Models 。

和各种标识语⾔如HTML和XML等对事物的⼀样模式标识模型就是采⽤标签Tag分层对对象进⾏标识。

这种表⽰⽅式⼜称为Profiles配置W3C定义了Composite Capabilities prefences 它们都⽤XML来表述。

扩展后可⽤于情景建模。

传统E-R模型⼜称为实体联系模型由Peter Chen于1976年提出是⼀种概念数据模型它将现实世界转化成实体、联系和属性等⼏个基本概念。

并⽤⼀种较为简单的E-R图来表⽰如图3所⽰的E-R图中实体⽤矩形表⽰，属性⽤椭圆形表⽰，联系则⽤菱形表⽰。

图3 E-R图
⾯向对象模型OOMＯ，该模型以传统E-R模型为基础兴起20世纪80年代⾯向对象模型认为客观世界由特定结构，功能且具有相互联系的对象组成最低限度上必须具有对象。

类
对象标识，继承性和对象包含5个基本概念类是具有相似属性和⽅法的对象的集合，每个对象都是它所在类的⼀个实例。

继承性指⼦类继承其所有⽗类的全部属性和⽅法通过继承提供了数据和⽅法重⽤机制避免了重复定义对象包含指⼀个对象的属性可以是另⼀个对象。

这不仅使类之间具有层次结构⽽且某⼀个类内部也具有包含的层次结构形成复杂对象结构由于采⽤了对象的继承和包含机制。

⾯向对象模型相⽐传统E-R模型在对现实世界的表现上更加⾃然有效。

因此TEA Progect重点使⽤了⾯向对象模型来表达信息。

本体模型Ontology Model使⽤本体建模是⽬前很流⾏的⼀种⽅法，本体可以很好地描述情景信息本体的概念最初来源于哲学表⽰客观存在的⼀个系统的解释和说明随着智能信息处理技术的发展，本体被赋予了新的概念1993年Gruber给出了本体的⼀个最为流⾏的定义即，本体是概念模型的明确的形式化规范说明，之后有不少学者在此基础上给出了本体的新定义。

构造本体的⽬标是获得相关领域的知识，通过确定该领域认可的词汇，实现对该领域知识的共同理解。

使其符合物联⽹对语义互操作的要求，基于本体的知识表达包含４层含义概念模型Conceptualization明确Explicit 形式化Formal和共享Share 概念模型指通过抽
象出客观世界中⼀些现象的相关概念⽽得到的模型。

独⽴于具体的环境状态，明确指所使⽤的概念及这些概念的约束都需要明确定义，形式化，指本体必须具有计算机可读的特性。

共享指本体中体现的是共同认可的知识，反映的是相关领域中公认的概念集本体的概念满⾜物联⽹语义互操作和资源重⽤的要求。

是物联⽹中主要的建模⽅法。

概念的获取有基于语⾔学和基于统计学的⽅法，获取概念间关系⼤多基于模板，概念聚类词典和关联规则⽅法，本体表⽰⽅式可以多种多样如⼀阶谓词逻辑语义⽹络基于框架的系统，但⽬前使⽤最普遍的是W3C所推荐的OWL语⾔本体评估判断构造的本体的优采⽤的⽅法有选择相应的应⽤进⾏实验和基于Golden Stander 即与⼿⼯构建的本体进⾏⽐较。

4.⾯临挑战
BSN 中情景感知仍然⾯临着⼀些分类学习及推理、情景感知架构、环境感知及监控等⽅⾯的技术挑战,具体表现如下
(1)分类学习及推理.
这包含3 个⽅⾯的挑战:
1)在平滑约束和⾃适应学习⽅⾯,⼈类活动包括⾃然持续的⾝体动作,如果在情景中也引⼊这种平滑约束特性,那么对⼈体⾃然⾏为识别精度将会变得更⾼.此外,既然实际的BSN 应⽤需要长期的连续时间⼯作,这就要求系统具有⾃适应性,不仅能够学习新出现的情景信息,⽽且还能忘记以前发⽣过并已经学习的情景信息,这样它就不必重新学习。

2) 在分类器设计⽅⾯。

传统的传感器融合技术主要依赖于分类器的推理能⼒,如⽤于活动识别的朴素贝叶斯分类器、⽤于⽇常活动跟踪的分级Markov 模型和⽤于识别⼼率紊乱的基于贝叶斯框架的⼈⼯神经⽹络分类器。

因此分类器设计是⾄关重要的,其⽬的是基于所有感知数据来产⽣最优的结果⽽不考虑分类结果的相关性,从⽽更好地对⽬标进⾏分类. 3)在训练数据⽅⾯,训练数据是分类器准确率的重要保障,因此也是在情景感知中的另⼀个挑战。

⼀⽅⾯在很多场景中,要求病⼈进⾏⼀些特定活动以获得⾜够⼤训练数据集合是不现实的。

另⼀⽅⾯,⼤量使⽤传感器来获得真实的训练数据将会⾯临实际的部署困难
(2) 情景感知架构建⽴. ⽤于医疗健康监控的BSN 系统,特别是真实的健康医疗的BSN 应⽤将会涉及到设计、开发、部署和管理上下⽂信息及各项系统任务的需求.这要从架构的⾓度进⾏考虑,必须设计⼀个通⽤合理的情景感知架构来解决以上问题.建⽴这样的情景感知架构的挑战在于:
1)架构中需要考虑的因素多且关系复杂,这些因素包括情景感知系统的模拟、安装、调试、维护以及加⼊新感知设备或节点,移除旧的感知设备或节点,更新系统组件等;
2)合理的情景感知架构不仅要能够⾼效地获取上下⽂信息,还要有效地将它们进⾏融合
和推理。

(3) SOM 的不稳定性和训练数据依赖性。

⾃组织映射(SOM)的不稳定性表现在它是基于神经元输⼊属性或特征的快照进⾏匹配的，准确性极易受特征变化的影响.在⼀些情景应⽤中，每个活动可以包含⼀系列的⼦活动,受其影响,这种情况下的结果活动模式不再受到本地神经元簇的限制，它往往会跨过⼤⽚区域的映射⽽和其他活动的神经元产⽣重叠，这将对SOM 总的识别精度起到相反的影响效果。

SOM 依赖性表现在受过训练映射的神经元活动模式⾼度依赖训练数据的分布。

如果输⼊空间的某个区域包含频繁激励，它会被SOM ⼤⽚区域所表⽰,并因此会出现依赖于训练数据中类的记录个数的偏差.由于动态和静态混合激励的存在，因此控制分类识别率是困难的，类误匹配也⽆法避免。

3. 研究现状及发展趋势
情景感知在BSN 应⽤中所处的位置⾮常重要,因此其研究成果也⽐较丰富。

代表性的应⽤⼤致分为3 类:第 1 类是在已有的BSN 系统基础上,通过整合已有的情景感知技术或
提出算法来构建新的具有情景感知能⼒的BSN 系统.如基于情景感知QRS检测的BSN 系统和⽤于家庭护理和健康监护的⾮⼊侵情景感知BSN 系统等。

第 2 类是应⽤情景感知技
术识别⼈体活动，进⽽实现医院或家庭中对病⼈护理监控⽬的.如通过佩戴加速传感器识别病⼈的活动,提出基于隐Markov 的⾏为模型⽅法以⾼效监控家庭中病⼈的⽇常活动[46 ] ,以及通过将⽿戴式活动识别传感器(e2AR)和基于Blob的周围环境传感器相结合,以提⾼活动识别精度等.在此类应⽤中都需要建⽴⽤于识别的模型架构、定义活动模式和设计学习算法。

第 3 类是直接或间接应⽤⾃组织映射( SOM)技术来实现情景感知功能的BSN 应⽤,如将SOM 与K近邻⽅法相结合对不同的⼈体活动进⾏分类;基于SOM 提出了对复杂病症进⾏分类的⽅法以检测病⼈⼼率不齐、建⽴⾃适应机制的SOM 架构以解决BSN 中类分离和节点扩展问题,以及建⽴基于时空⾃组织映射( ST2SOM) 的分布式推理模型等。

当前情景感知技术⼀般应⽤加速度传感器来识别病⼈的⽇常活动并提供情景信息[ 26 ] ，理由是考虑到⽣理参数不断发⽣变化是任何⽤于监控的BSN系统的必然现象,⽽加速度传感器却能够显⽰当病⼈出现异常情况(如⼼率上升) 时活动状态,使得BSN 通过情景感知技术能够更精确地判断病⼈的“正常”和“⾮正常”信息。

总之,考虑将周围环境和可穿戴感知设备相结合,使得开发⼀个⾼效的能够监控家庭中⽇常活动的可视化架构才有可能BSN 中情景感知技术主要发展趋势为：1.研究灵活配置和⾃适应的统⼀情景感知模型或架构以指导BSN 设计,该架构能够提供统⼀的接⼝和服务.具体的BSN 应⽤只需提供情景相关参数,选择恰当。