在老龄化这一人口发展的时代背景下,慢性疾病在老年人群中呈现明显高发的势态,使得家庭和整个社会所担负的老年人健康保障成本日益加重。其中,呼吸类慢性疾病(如睡眠呼吸暂停)和运动障碍类慢性疾病(如帕金森综合征)是老年人群中发病率较高的两类慢性疾病。呼吸类和运动障碍类慢性疾病具有病程长、早期症状不明显和病情随时间逐渐变化的特点。对此类疾病的可靠评估需要长期连续地监测相应体征:呼吸和步态。已有的常规呼吸监测和步态评估等方法,需要被测者在临床环境下佩戴各种医用传感器(如电极贴片、鼻管、各类惯性传感器等),尽管可以做到较为精准的检测和评估,但存在侵扰性大和费用高等不足,难以实现长期持续的监测。夜间睡眠和日间行走是人类最自然的两种日常生活行为,在不干预老年人活动自由的前提下,以日常生活中夜间睡眠和日间行走为感知场景,采用新型非干预式体征感知手段,监测睡眠呼吸和行走步态是实现持续健康监测的理想选择。然而,现有新型体征感知方法在非干预性、可普及性、准确性、适应性等方面尚存在不同程度的不足,难以支撑日常生活环境下长期健康监测的需求。基于此,本文研究日常生活环境下的非干预式体征感知若干关键技术,具体包括:·非接触式睡眠呼吸监测本文研究基于普通音频设备的非接触式声波呼吸监测技术。相比于其他非接触式感知方式(如基于射频信号和光学信号感知方式),声波信号可由普通手机的扬声器和麦克风发送并接收,具有无接触和低成本的优点。呼吸监测的感知源包括两个:一个是呼吸过程中的胸脯起伏,另一个是呼吸气流本身。因胸脯起伏并不总是呼吸的可靠表征(阻塞性睡眠呼吸暂停发生时呼吸与胸脯起伏不对应),而感知呼吸气流的方式易受室内气流的干扰。针对这两种感知方式的适用性,本文分别对两种感知方式进行了探索研究。·非干预式行走步态感知与分析本文研究基于足底压力数据的步态分析及步态模式识别。足底压力数据通过压力鞋垫获得,具有完全非干预日常行为和可长期持续使用的优点。行走过程中的足底压力数据可以在时间域和力学域上同时提供细粒度的运动特性,相较于健康步态,帕金森等运动功能衰退类疾病产生的病理步态会造成特定的运动模式变化。本文以帕金森步态为例,从足底压力数据分析并识别其运动特性呈现出的特定变化模式。本文主要工作和取得成果包括如下几个方面:1)提出了基于胸脯起伏测量的非接触式声波睡眠呼吸监测方法使用高精度测距技术,实时测量呼吸过程中胸脯起伏位移的微弱变化,实现呼吸监测。具体而言,以胸脯起伏为感知对象,研究并提出了一种高精度声波测距方法C-FMCW,该方法的测距精度仅与采样率有关。另外,克服了普通扬声器和麦克风存在的采样率不一致、开机时间不同步、真实环境存在众多声波反射源等问题带来的现实挑战,将CFMCW测距技术在普通音频设备上实现并用于呼吸监测。在不同环境下就不同睡姿,对不同人实现了准确的呼吸监测,误差中值为0.3 breaths/min。2)提出了基于呼吸气流感知的非接触式声波睡眠呼吸监测方法基于呼吸气流可散射声波这一事实,实时捕捉并分析因呼吸气流散射声而波引入到接收声波中的多普勒效应,度量呼吸气流速度,实现呼吸监测。具体而言,首先,通过严密的理论推导和大量实验验证,对呼吸气流散射声波引起的多普勒效应构建数学模型,量化描述呼吸气流的方向和大小与多普勒效应之间的关系;然后,基于构建的模型建立弱多普勒效应实时分析方法;最后,研发实现了首个基于普通音频设备直接感知呼吸气流的呼吸监测系统,在不同环境,不同睡姿下,实现对不同个体呼吸的监测,误差中值为0.35 breaths/min。3)提出了基于细粒度运动参数的非干预式帕金森步态识别方法以人在行走过程中足底压力的变化为研究对象,提取细粒度的运动功能特征度量并分析各运动功能特性与健康人的不同,进而识别帕金森步态模式。具体而言,首先,提出了一种基于滑动窗口的步态阶段识别方法,从压力鞋垫采集的足底压力数据中识别隐藏在步态周期里的步态阶段;其次,基于步态阶段,设计并提取出能同时反映步态稳定性、对称性和协调性的细粒度运动参数;最后,构建了基于BP网络的集成步态识别模型对步态模式进行识别。实验结果表明,所述帕金森步态识别方法的识别准确率和召回率分别达到87.9%和87.4%,AUC值达到0.893,总体性能优于对照方法。4)设计并实现集成化非干预式体征感知平台在综合考虑老年人对非接触式体征感知需求的基础上,对前面提到的两种呼吸监测系统和步态模式识别方法进行功能集成。首先,将两种感知方式不同应用场景不同的呼吸感知系统集成在同一套音频设备上;其次,将步态分析和步态模式识别功能集成为一个软件系统,用户只需提供从智能鞋垫等设备获得的步态数据即可完成全部功能;然后,在呼吸感知和步态分析与识别的基础上设计并实现了呼吸暂停报警、异常呼吸模式报警、病理步态模式识别、运动功能衰退报警和历史数据可视化等扩展功能;最后,通过真实实验对系统进行了性能测试。