基于可扩展物联网的居家患者连续监测架构：设计与技术验证

《Computers》：Scalable IoT-Based Architecture for Continuous Monitoring of Patients at Home: Design and Technical Validation Rosen Ivanov

　　

本文提出了一种可扩展的物联网（IoT）架构，用于家庭环境中人类行为的连续被动监测，作为未来痴呆风险评估系统的技术基础。该架构解决了三个基本挑战：实现房间级空间定位而不采用侵犯隐私的方法，在连续数据流中平衡时间分辨率与带宽效率，以及在《通用数据保护条例》（GDPR）约束下实现多机构模型开发。该系统集成了（1）可穿戴蓝牙低功耗（BLE）传感器与红外房间级定位；（2）边缘计算网关，具备本地预处理和机器学习功能；（3）三通道数据架构，同时实现机器学习训练所需的完整1秒时间分辨率、低延迟实时可视化以及41.2%的网络带宽缩减；（4）联邦学习框架，能够在机构之间不共享数据的情况下进行协作模型开发。在两套公寓（三名参与者，7天）中开展的技术验证表明：使用红外信标实现97.6%的房间级定位精度；99.5%的关键事件端到端延迟小于7秒；多网关配置下去重精度达98.5%。联邦学习模拟展示了算法收敛性（独立同分布（IID）数据84.3%，非独立同分布（non-IID）数据79.8%）和工作流可行性，为未来生产部署奠定了基础。成本分析显示初始实施费用约为490欧元，月度运营费用约为55欧元，远低于现有研究系统。该工作在所评估的家庭场景中建立了连续家庭监测进行行为分析的架构和技术可行性以及系统级经济可行性。通过纵向研究（采用经过验证的认知评估和轻度认知障碍患者）进行诊断能力的临床验证仍有待未来研究。

痴呆症是一种进行性神经综合征，表现为认知下降、记忆丧失、空间定向障碍和行为改变，严重影响生活质量。世界卫生组织预测到2050年将有1.52亿痴呆症患者。轻度认知障碍（MCI）是可逆干预的最佳窗口期，但目前诊断面临限制：传统神经心理评估具有主观性和文化敏感性，生物标志物方法（如淀粉样蛋白PET）成本高且有创，无法大规模筛查。研究表明，行为变化（步态模式改变、活动减少、空间导航缺陷、昼夜节律紊乱）在临床症状出现前数月即可检测，可穿戴传感器能实现连续客观的居家监测。然而，现有系统存在关键障碍：多数在受控实验室环境而非真实家庭中运行；需要患者主动参与（定期认知测试或设备交互），依从性差；基于Wi-Fi或蓝牙低功耗（BLE）的定位方法仅达到区域级精度（3–5米），无法检测房间特异性定向障碍；连续传感器数据传输产生大量网络流量和云存储成本；《通用数据保护条例》（GDPR）禁止跨机构集中聚合个人健康数据，阻碍多样化人群的协作模型开发。边缘计算和联邦学习提供了潜在解决方案，但尚未集成到专用于长期居家行为监测的综合架构中。针对上述问题，Rosen Ivanov等人在《Computers》期刊上提出了基于可扩展物联网（IoT）的居家患者连续监测架构，并完成了技术验证。该研究旨在设计一个成本效益高、保护隐私的居家监测技术基础，为未来痴呆风险评估系统服务。研究结果证实了架构在真实家庭环境中的技术可行性和经济可行性：红外定位达到97.6%的房间级精度，三通道数据架构在保持完整时间分辨率的同时实现41.2%带宽缩减，边缘机器学习推理延迟低于50毫秒，多网关去重精度98.5%，联邦学习模拟显示在独立同分布（IID）和非独立同分布（non-IID）数据下分别达到84.3%和79.8%的收敛准确率，初始成本约490欧元、月运营成本约55欧元。这些成果证明了连续被动居家监测的架构可行性和系统级经济性，为未来临床部署奠定了技术基础。

研究人员为开展研究采用了以下主要关键的技术方法：（1）可穿戴BLE传感器（Kontakt.io Smart Badge 3）配合红外信标（Beam Mini 2）实现房间级定位，红外光无法穿透墙壁确保唯一性；（2）边缘计算网关（ESP32-S3-BOX-3）运行TensorFlow Lite Micro LSTM模型进行本地跌倒检测，实现实时异常预警；（3）三通道数据架构：流1输出每分钟聚合统计描述符，流2采用差分编码+gzip无损压缩保留完整1秒事件日志，流3旁路缓冲以低延迟传递关键警报；（4）基于Flower框架的联邦学习（FedAvg）设计，在模拟环境中评估收敛性。技术验证样本来源为两名健康参与者（28岁和58岁）在两套公寓中连续48小时监测，联邦学习模拟数据来自10名健康志愿者的受控跌倒和日常活动场景。

研究结果通过以下分项验证得出：**5.3.1 红外定位准确性**：通过几何建模和蒙特卡洛模拟预测理论精度，并在真实环境（两套公寓共48小时）中与手机应用记录的地面实况对比，综合准确率为97.6%，显著优于典型BLE方法（约85%）。**5.3.2 BLE通信特性**：在95 m²公寓中测量RSSI和丢包率，在砖墙环境下有效距离约15米，丢包率7.2%但未影响定位精度。**5.3.3 三通道架构有效性**：通过计算压缩比和网络流量，流1实现61.2%缩减（有损），流2实现79.9%缩减（无损），总带宽缩减41.2%。**5.3.4 去重性能**：在多网关配置下，基于RSSI的聚合去重准确率98.5%，事件日志合并后完整性达99.9%，警报去重准确率100%。**5.3.5 端到端延迟**：非关键数据受60秒缓冲主导，关键警报（跌倒、按钮）平均延迟4.2秒，99.5%事件在7秒内交付，边缘推理延迟低于50毫秒。**5.3.6 联邦学习模拟概念验证**：将10名参与者按年龄分层分配至三家模拟机构，IID设置下准确率84.3%（5轮收敛），non-IID设置下准确率79.8%（14轮收敛），比最优单机构模型高出2.7个百分点，证明协作训练的优势。**5.3.7 实时数据可视化**：开发了实时可视化服务，验证了MQTT通道和边缘网关功能，展示了房间切换时的数据连续性。

讨论部分指出，研究完成了所有设计目标，红外定位精度超过95%目标，三通道架构解决了完整性与效率的权衡，边缘计算消除云端依赖，联邦学习在模拟中验证了算法可行性。经济分析显示成本仅为现有系统的1/5至1/10。局限性包括：仅3名健康参与者、7天时长，未覆盖不同房屋类型和病理状态；未集成心率、血压等心血管监测；联邦学习仅在模拟环境中验证，缺乏实际医院网络安全和法规合规性。未来需分阶段开展：扩展技术验证（50–100人，3个月），临床试点（MCI患者150人），多中心联邦部署（≥5家机构），并优先整合PPG传感器和拜占庭容错聚合方法。研究结论翻译如下：本研究证明了连续、保护隐私的居家行为监测在架构和技术上的可行性，以及小规模部署场景下的经济可行性，通过整合可穿戴传感器、红外定位、边缘计算和联邦学习的集成架构实现。真实住宅环境中的实验验证表明所提出的压缩策略能够在无明显退化的情况下平衡低延迟和高信息完整性，基于质量的去重确保了多网关部署的可靠覆盖。经济分析显示成本低于现有研究平台，支持从基础设施角度进行大规模部署的潜力。联邦学习组件虽然在模拟环境中验证，但展示了在GDPR约束下保护隐私的多机构协作的技术可行性。本研究与ORCATECH和SENDA等现有平台的关键区别在于其互补性而非竞争性——本研究不声称临床验证，而是提供下一代技术基础，需要严格的临床评估来评估诊断和预后效果。如果未来临床验证确认有效性，该架构有望推动从间断临床评估向连续居家监测的转变。未来工作将聚焦于临床试点研究和多机构验证，以评估真实世界诊断价值并为后续监管路径提供依据。