《Pervasive and Mobile Computing》：Nonintrusive PIR sensor-based method for indoor distance estimation
编辑推荐：
本研究提出一种基于非侵入式被动红外（Passive Infrared, PIR）传感器的室内步行距离估计方法，该方法采用最小化传感器基础设施（每个房间仅部署一个PIR传感器）实现距离估计。针对PIR传感器固有的盲时间（blind time）以及跨房间干扰等局限
本研究提出一种基于非侵入式被动红外（Passive Infrared, PIR）传感器的室内步行距离估计方法，该方法采用最小化传感器基础设施（每个房间仅部署一个PIR传感器）实现距离估计。针对PIR传感器固有的盲时间（blind time）以及跨房间干扰等局限性，研究人员设计了相应算法予以克服。该研究所提出的活动表征方法面向环境辅助生活（Ambient Assisted Living, AAL）应用场景，旨在为独居老年人提供低成本、保护隐私且无需用户配合的日常活动监测手段。研究通过真实公寓环境下的实验验证了该方法的有效性，结果表明室内房间间距离估计的平均误差约为10%。
一、研究背景与问题
全球65岁及以上老年人口数量预计在2050年将翻倍并超过15亿，现有养老照护基础设施难以应对日益增长的需求，亟需采取主动策略预防健康恶化。基于传感器数据自动识别和分类人类活动的人类活动识别（Human Activity Recognition, HAR）系统在安防、监控与环境辅助生活（Ambient Assisted Living, AAL）等领域得到广泛应用。既往研究表明，身体活动水平、活动模式与身心健康密切相关：活动量减少可能与抑郁症状相关，帕金森病进展伴随非运动症状，阿尔茨海默病则可能出现游荡行为。因此，对室内移动能力的量化监测有助于发现早期健康衰退迹象。
在非穿戴式感知技术中，被动红外（Passive Infrared, PIR）传感器具有低成本、保护隐私和高可及性的优势，以每房间一个传感器的极简配置即可近似感知居住者的活动轨迹。然而，现有PIR相关研究多聚焦于占用检测、人员计数或活动识别，较少涉及步行距离估计。可穿戴设备在用户依从性差或无法自行维护时可靠性下降，且步数计算易受手臂重复或剧烈动作干扰而产生误差。相比之下，距离估计通过捕捉实际空间转移提供更稳健、更具情境感知能力的室内移动性度量，可支持识别日常活动行为中的有意义变化。因此，本研究旨在利用极简PIR传感器基础设施实现非侵入式的室内步行距离估计，并进一步区分室内静态久坐与动态活动状态。
二、研究内容与总体结论
本研究隶属于米兰理工大学辅助技术小组（Assistive Technology Group, ATG）研发的BRIDGe（Behaviour dRift compensation for autonomous InDependent livinG）室内监测系统框架。研究人员提出了三个核心算法模块：数据清洗（Data Cleaning）算法、距离计算（Distance Computation）算法以及永久性表征（Permanence Characterization）算法。数据清洗算法利用空间相邻性和时间一致性约束修正PIR原始事件序列中的误激活、缺失激活和乱序假序列；距离计算算法基于相邻图（adjacency graph）和两种空间粒度（质心节点连接法与访问点连接法）结合欧氏距离与曼哈顿距离度量室内行走距离；永久性表征算法采用有限状态机（Finite State Machine, FSM）将人员在一个区域内的停留状态区分为过渡（Transition, T）、永久性假设（Hypothesis of Permanence, HP）和永久性（Permanence, P），并进一步将永久性状态划分为动态与静态两类。实验在真实公寓环境中开展，结果表明房间间距离估计的平均误差约为10%，动态/静态分类准确率达到89%。
三、主要关键技术方法
研究人员采用的主要技术方法包括：(1) 基于滑动窗口和候选序列生成机制的数据清洗算法，该算法对与相邻图不一致的激活事件依次尝试插入缺失激活、重排激活顺序、删除错误激活三种修正策略，并以最少修改次数为准则选择最优候选序列；(2) 基于相邻图模型的距离计算方法，图节点表示每个由单个PIR传感器监测的区域，节点坐标为区域质心，图中边表示区域间的物理连通性，距离度量采用欧氏距离与曼哈顿距离，并可用访问点（门）质心作为中间节点构建更符合真实路径的访问点连接法；(3) 基于有限状态机和自适应时间阈值的永久性分类方法，从数据经验推导阈值参数。实验数据来自米兰一处真实公寓，包含7个房间（每房间1个PIR传感器）的部署环境，共采集约44小时、跨越18天、超过3700个传感器事件，以及109条房间转移序列用于距离误差评估。
四、研究结果
4.1 传感器状态改变实验
通过故障注入方式分别模拟缺失事件（禁用走廊传感器5小时）和虚假激活事件。实验表明，数据清洗算法能够依据空间相邻性和时间过渡一致性生成合成事件以恢复传感序列的合理流动，在不抑制其他区域有效激活的前提下修复断裂路径；对于虚假激活，算法能有效识别并删除远离真实轨迹的虚假事件，对于轨迹附近的虚假事件则结合空间相邻约束与转移时间约束予以排除。在被标记的实验中，算法成功恢复超过270个缺失激活事件，修正60个由传感器故障或环境因素造成的误激活事件，并重新排列10个乱序激活事件。
4.2 不同路径变化实验
研究人员针对房间内三种行走趋势（浅层路径、中层路径、深层路径）展开实验，浅层路径为进入房间触发传感器后立即离开，中层路径为到达房间质心后离开，深层路径为到达房间内最远点后离开。实验在固定路径VaryingPath上分别利用智能手表计步和人工计步建立参照距离，并采用不同计算方法进行距离估计。结果表明：智能手表在行走过程中始终高估步数；算法距离估计与人工计步结果更为接近。行走趋势对估计距离影响显著，全趋势路径行走距离比浅层趋势多约25%–30%；访问点法所得距离受空间约束，更贴近真实移动路径；欧氏距离倾向于低估实际距离，曼哈顿距离倾向于高估，可将两种距离的平均值作为接近真实距离的估计值。109条转移序列的综合评估显示，平均误差为?8.3%，总体估计精度约为10%。进一步计算的评价指标为：欧氏距离下平均绝对误差百分比（MAE）34.0%、均方根误差百分比（RMSE）34.3%、平均相对误差?33.1%；曼哈顿距离下MAE为33.1%、RMSE为21.8%、平均相对误差为6.5%。该误差主要源于单PIR传感器无法观测单个监测区域内部的具体移动轨迹，属于PIR感知的结构性固有局限。
4.3 特定活动实验
研究人员在办公环境清洁活动中，将算法估计距离与智能手表计步距离及人工计步地面真值进行比较。两小时清洁活动中，智能手表记录3374步，换算为2319.6 m，明显超出此类活动合理范围；人工计步得到约1200步、约825 m；而基于访问点法的算法估计距离为550.67 m（欧氏497.4 m与曼哈顿603.99 m的平均值）。虽然人工计步存在一定近似误差，但算法估计明显优于可穿戴设备因手臂动作混淆而产生的高估测量结果。
4.4 区域内活动表征实验
当人员停留在同一监测区域内时，距离计算算法无法估计行走距离，此时永久性表征算法根据激活频率和时间阈值区分静态与动态两种状态。实验以真实场景中交替进行的静止与移动时段为地面真值，阈值设置为th1=th2=8 s，静态判别阈值thstatic=32 s。结果显示动态/静态分类误差率为11%（准确率89%）。灵敏度分析表明，当HP到P之间时间阈值在5～360 s范围内变化时，永久性（P）状态的比例从76%下降至21%，假设永久性（HP）状态从8%上升至63%，过渡（T）状态稳定在约16%；当静态判别阈值在20～90 s之间变化时，静态状态比例从55%单调降至5%，动态状态相应从45%增至95%。分类结果对阈值较为敏感，但整体行为学解释保持一致。
五、讨论与结论总结
讨论部分指出，距离估计误差主要来源于四个方面：房间内轨迹可变性、相邻图空间抽象简化、传感器固有约束（视野边缘移动或热变化微弱导致漏检）、以及单居住者假设在多人环境中的局限性。尽管存在这些限制，该方法面向AAL场景中相对变化与长期趋势监测仍具有有效性。研究结论明确表明：采用访问点节点连接法并结合欧氏距离与曼哈顿距离，在测试场景中获得相对较低的距离估计误差（约10%）；该精度虽不足以支持精确的临床测量，然而足以捕捉移动模式的相对变化和长期趋势。特别地，特定区域（如浴室或卧室）中的持续停留、日常移动量显著减少、或房间间转移频率下降等行为偏差可用于触发警报或支持照护者干预。未来工作将聚焦于利用长期监测数据开发机器学习异常检测模型、动态调整永久性分类阈值、探索多传感器融合与多居住者概率建模以进一步提高估计精度并拓展适用场景。作者团队为Sara Comai、Andrea Masciadri、Mariagrazia Fugini与Fabio Salice，研究由米兰理工大学BRIDGe系统课题组完成。
